AI 裁員陷阱（AI Layoff Trap）的數學證明已經出來了。 2026 年 3 月 2 日發表、3 月 21 日上傳 arXiv 的同名論文，由賓州大學 Brett Hemenway Falk 和波士頓大學 Gerry Tsoukalas 共同提出。他們用任務型生產模型推出一個冷酷結論：只要市場處於競爭狀態，每家公司都會把人替換到超過產業整體最適水準的程度，勞工和股東最後一起虧錢。這不是科技悲觀派的猜測，是博弈論的形式化結果。
論文的核心命題很簡單。當企業用 AI 取代員工，省下來的人力成本進到自己口袋，但被裁員工不再消費這件事，會變成所有同業的需求損失。每家公司只「分擔」了 1/N 的需求毀滅（N 是市場上的競爭者數量），其餘外溢給對手承受。自動化的私人收益遠大於私人成本，社會總成本卻反過來大於社會總收益。在這種結構下，自動化變成嚴格優勢策略——就算每位 CEO 都看得到懸崖，他們還是會踩油門。
論文發表時，現實已經跑在前面
就在論文上傳 arXiv 的兩週前，Block 共同創辦人 Jack Dorsey 在 X 公開信中宣布，公司從一萬人縮編到不到六千。2026 年 2 月 26 日的那份備忘錄寫得很直白：「我相信明年大多數公司都會做出同樣的結論。」這不是悲觀論。Dorsey 把自己定位成領先指標——根據他在 Sequoia Capital 的 Long Strange Trip Podcast 公開說法，整個決策從「考慮裁員」到「執行裁員」只用了三週。
對齊一下其他公司的數字。Salesforce 執行長 Marc Benioff 在 2025 年 9 月的 Logan Bartlett 訪談中承認，公司客服部門從 9,000 人砍到 5,000 人，差不多一刀切掉 4,000 個職位。原話是「I've reduced it from 9,000 heads to about 5,000, because I need less heads.」（雖然 Benioff 後來改口說這是「重新平衡」，公司也承認對 AI 的能力「過於自信」，部分流程後來必須由人工接手收拾，但人數沒有回來）。
高盛在 2025 年 7 月開始在內部部署 Cognition Labs 的 AI 工程師 Devin。CTO Marco Argenti 告訴 CNBC，這個工具的目標是讓開發團隊產出量達到原本的三到四倍。論文則用更尖銳的講法：「一個資深工程師完成五人團隊的工作量。」（在 Argenti 的版本裡，工程師人數沒減，但新進工程師的招聘曲線會被拉平。）
加總起來呢。根據 Challenger, Gray & Christmas 的 2025 年度報告，全美 2025 年裁員總數 1,206,374 人，是自 2020 年以來最高。其中科技業就佔 153,536 人，明確被歸因於 AI 的有 54,694 人。進入 2026 年，AI 已從第五大裁員理由跳到第一大——光是 2026 年 3 月，AI 就被列為 15,341 個裁員案的主因，佔當月總裁員的 25%。第一季科技業裁員 52,050 人，比 2025 年同期增加 40%。
這是論文寫作的背景。
為什麼是囚徒困境
論文用任務型生產模型（沿襲 Acemoglu 與 Restrepo 2018 的框架）建構 N 家對稱企業競爭的場景。每家公司決定多大比例的工作交給 AI（自動化率 α），AI 每執行一個任務節省成本 s = w − c（w 是工資，c 是 AI 邊際成本）。需求面的關鍵是工人邊際消費傾向 λ 高於股東；當勞工被裁，他們流失的工資中只有比例 η 透過再就業或轉移支付被替代，剩下 (1−η)w 永遠離開這個產業的需求池。
把這些參數兜起來，每自動化一個工作崗位，整個產業流失的有效需求是 ℓ = λ(1−η)w。但因為市場價格機制把總收入按比例分配給 N 家對稱企業，發起自動化的那家公司只承擔 ℓ/N 的需求損失，剩下 ℓ(1−1/N) 全部外部化給對手。
論文的關鍵結果是「過度自動化楔形」（over-automation wedge），三條公式可以攤開來看。
| 變數 | 公式 | 解釋 |
|---|---|---|
| 私人最佳自動化率 α^NE | (s − ℓ/N) / k | 企業在競爭中個別決策的均衡 |
| 合作最佳自動化率 α^CO | (s − ℓ) / k | 整個產業聯合決策時的最佳水準 |
| 過度自動化楔形 | ℓ(1−1/N) / k | 兩者差距，永遠為正 |
差距隨 N 變大——市場越分散，過度自動化越嚴重。獨占企業（N=1）會完全內部化外部性，自動化決策剛好落在最佳水準。論文的反直覺結論是：在這個問題上，更多的競爭讓事情變糟，而不是變好。
當摩擦係數 k 趨近於零（也就是「自動化阻力」消失），這個賽局就崩成標準囚徒困境：每家公司全部裁員是嚴格優勢策略，但所有人一起這樣做，每家的利潤反而比都不裁員時更低。論文證明這不只是分配問題（從工人轉移到股東），而是純損失（deadweight loss），工人和股東一起虧。Pareto 顯著性可以用一句話講完：從 Nash 均衡移到合作均衡，工人收入和股東利潤兩條曲線同時往上走。
紅皇后效應：更強的 AI 不會解決問題
直覺上，AI 越強生產力越高，需求問題應該被生產力擴張吃掉。論文證明這個直覺錯了。
讓 AI 任務的產出設為 ϕ ≥ 1（人類任務固定為 1）。當 ϕ > 1，每家公司多出一個額外動機去自動化：自動化超過對手就能吃掉對手的市場份額。但在對稱均衡裡，所有公司同步擴張，市場份額的相對增益相互抵消，剩下的只有更大的需求外部性。
論文把這稱為「紅皇后效應」（Red Queen effect）——你必須拼命跑才能留在原地。AI 生產力越提升，過度自動化楔形越大。
這個結論打破了科技樂觀派的核心論述，例如「AI 會創造新工作」、「生產力提升會把大餅做大」。論文沒有否認這些可能性，但證明了在競爭結構下，這些好處不會自動消化掉需求外部性。
為什麼 UBI、加稅、勞工持股都救不了
論文認真評估六種主流的政策補救方案，五種失敗。
| 方案 | 機制 | 結論 |
|---|---|---|
| 全民基本收入（UBI） | 增加自主消費 A | 失敗。UBI 進入基準利潤 Π₀ 但不影響邊際決策的一階條件，不改變裁員誘因。 |
| 資本利得稅 | 對利潤課比例稅 t | 失敗。(1−t) 在一階條件中消去，企業自動化決策不變。 |
| 勞工持股（Worker Equity） | 利潤分潤比例 ε | 部分有效。需要 ε = 1/λ 才能完全消除楔形，但通常 > 1（不可行）。 |
| Coasian 議價 | 企業之間或勞資協議 | 失敗。自動化是嚴格優勢策略，沒有非強制協議能維持。 |
| 再培訓 / 升級技能 | 提高 η（收入替代率） | 部分有效。η 越接近 1 楔形越小，η = 1 才完全消除。 |
| 庇古自動化稅 | 每自動化一個工作課稅 τ* = ℓ(1−1/N) | 唯一完全有效的方案。 |
UBI 失敗的原因要看清楚：常見直覺是「給大家發錢就有人消費了」，但論文證明 UBI 只把消費的水位拉高，沒有改變每多自動化一個工作的邊際成本——而問題就出在邊際決策。資本利得稅同樣不行，按比例的稅率在一階條件裡會消去，企業還是按原本的速度自動化。
勞工持股看似精巧——讓員工持有公司股權，他們從利潤分潤裡賺到的錢，再回頭消費這個產業的產品。但因為 λ < 1（工人不會把所有錢都花在這個產業），完全內部化需要 ε = 1/λ > 100% 的分潤比例，超出可行範圍。論文還順手證明了一個推論：自願性的勞工持股不會自然出現。從個別公司的角度看，分潤的成本（少賺 1 美元）遠大於收益（透過勞工消費回流，公司只收得回 λ/N 美元）。這是疊在自動化外部性上的第二層協調失靈。
唯一的解：庇古自動化稅
論文證明的唯一可行解是庇古稅——對每個被 AI 取代的工作課稅，稅率設為 τ* = ℓ(1−1/N)。經濟邏輯是：每家公司自動化一個工作，自己已經承擔 ℓ/N 的需求損失，剩下 ℓ(1−1/N) 是強加給對手的，這就是稅應該收回的那一塊。
當 N 很大，τ* ≈ ℓ = λ(1−η)w，計算所需的只有產業層級的可觀察量：勞工邊際消費傾向、收入替代率、平均工資。執行則需要企業層級的自動化資料；論文指出 AI 採購紀錄、薪資申報越來越完整，技術上可行。
稅收的去向也關鍵。如果用來資助再培訓計畫，可以同時提高 η，動態縮小 ℓ，未來所需的稅率會自我遞減——論文用「自我限制」（self-limiting）來形容這個機制。做得對的話，這個稅是過渡性的。這跟 Guerreiro et al. (2022) 推導的機器人稅最適路徑一致：當被替代世代退出勞動市場、新世代在自動化前提下做職涯選擇，稅率最終應該降到零。
通縮螺旋的延伸：日本失落三十年的可能重演
論文的形式化證明停在比較靜態。但從凱因斯需求面延伸推論很直接：當需求外部性大規模發作，會啟動價格-工資通縮螺旋。
第一輪：AI 替代勞工，工資總額下降，在職員工不敢要求加薪，全社會工資收入持續下滑。第二輪：消費萎縮，企業營收下降，進一步裁員。第三輪：企業為了去庫存被迫降價，利潤萎縮，再裁員。第四輪：產能過剩疊加流動性陷阱，央行降息失靈，經濟陷入長期低增長。
當代最接近的歷史對照是日本 1990 年代以後的失落三十年。2026 年的中國經濟也展現相似徵兆——製造業 PPI 持續為負、CPI 接近零、內需疲軟。傳統貨幣與財政工具的傳導效率在這種結構下會大幅折扣：降息對沒有借貸需求的企業沒用，財政發錢進不到還在裁員的企業，量化寬鬆把錢推進資產市場，普通人更買不起東西。
論文的證明指出，這個動力是市場結構失靈，而非政策失誤。沒有單一企業可以靠自己停下來，沒有自願協議能維持，現有的總體經濟工具都打不到根源。1929 年大蕭條那時候，至少還有羅斯福新政加二戰需求把經濟拉出來；這次面對的處境更難——全球債務水位比那時高得多，央行能用的工具差不多都用光，主要經濟體又同步陷入通縮，可動用的政策空間比 1930 年代窄。
民調已經在反應
Quinnipiac University 2026 年 3 月公布的民調顯示，70% 美國人認為 AI 將減少工作機會，比 2025 年的 56% 大幅上升。Z 世代最悲觀，81% 預期工作機會會減少。同時，美國應屆畢業生工作機會自 2023 年以來下滑 35%，22-25 歲的軟體工程師工作機會下降 20%（史丹佛大學 2025 年的研究）。
需求面的崩塌不會以等比例的速度發生，但訊號已經在累積。看看 Anthropic 自家公布的經濟指數報告，跨產業的 Claude 使用情境涵蓋程式碼生產、客戶服務、財務分析、法律合約審查——這些任務的「人力可替代率」遠高於過去任何一波科技革命。
台灣脈絡：論文外推到亞洲市場
台灣的情境跟美國不完全一樣——出口導向經濟、勞動市場結構緊縮、製造業仍然重資本密集。但服務業（特別是金融、客服、軟體開發）的暴露面跟美國接近。論文的政策建議在台灣的可實施性會卡在跨國競爭壓力——本地企業如果先自我約束，會直接讓位給國外競爭者。
可實作的方向反而是強化 η（收入替代率）：擴大職業訓練預算、加強失業給付、降低跨產業轉職摩擦。台灣已經有勞動部的 ReWork 計畫和產業人才投資方案，但論文模型暗示這些方案的規模可能要再放大一個數量級才跟得上自動化速度。
中小企業的處境更難。它們夾在這個結構裡更脆弱，既沒有資本內部化外部性的規模，也沒有議價力影響供應鏈或勞動力市場。「比競爭者晚一步自動化」幾乎等於市場份額流失，「跟著大家自動化」又會加劇需求面的崩塌。論文模型給的建議是政府介入，但中小企業在等待政策上路前的這段窗口期，還是得自己想辦法。
延伸閱讀可以參考 Anthropic CEO Dario Amodei 對 AI 將取代一半入門級白領工作的警告，以及摩根士丹利對 AI 與大規模失業關係的相反論點——論文站在 Amodei 那一邊，但用的是博弈論而非直觀預測。
常見問題
AI 裁員陷阱論文有提出可被市場機制自我修正的可能嗎？
論文形式化證明在競爭結構下不存在自願性的自我修正機制。即使所有 CEO 都看到需求懸崖、即使他們完全理性、即使他們知道對手也會做同樣的事，自動化仍然是嚴格優勢策略。Coasian 議價在這個結構下行不通，因為議價的優勢策略本身會驅動公司違約。論文 Corollary 1 在無摩擦極限下證明這個賽局塌陷成標準囚徒困境。
為什麼勞工持股不能完全解決問題？
完全解決需要分潤比例 ε 等於 1/λ，但 λ（勞工把分潤花回這個產業的比例）通常小於 1，因此 ε 必須大於 100% 才能補上消費漏損——這在現實中不可行。論文還證明，自願性的勞工持股不會自然出現，因為從個別公司的角度看，分潤的成本（少賺 1 美元）遠大於收益（透過勞工消費回流，公司只收得回 λ/N 美元）。
庇古自動化稅在政治上可行嗎？
論文承認政治可行性是它沒處理的維度。實務上，課稅需要觀察各企業的自動化率，這需要立法強制揭露，並且在國際競爭環境下有跨境套利問題（一國課稅，企業移到不課稅的司法管轄區）。OECD 過去討論過全球最低企業稅，類似的協調機制有可能套用，但目前沒有任何主要經濟體在立法議程上有具體進展。
論文對中小企業有什麼啟示？
論文模型假設對稱企業，但結論方向適用：在競爭分散的市場（N 大），自動化軍備競賽更激烈。對中小企業而言，「晚一步」幾乎等於失市佔，「跟著做」又會壓低整個內需。模型沒有給中小企業專屬的解，因為單兵停手在賽局裡是劣勢策略——這也是論文最後把責任拋給政府介入的根本原因。
高盛 Devin 的「一人抵五人」說法跟實際數據對得上嗎？
論文引用的「一個資深工程師完成五人團隊工作量」確實出現在高盛的 Devin 部署案例，但 CTO Marco Argenti 在 CNBC 訪談中比較常用的數字是「3 到 4 倍生產力」。Cognition Labs 自己的內部基準說 Devin 2.0 比前代多完成 83% 的初級開發任務。整體而言「3 到 5 倍」是 2025-2026 年企業 AI 編程工具的合理區間，但獨立測試顯示成功率在 15-30% 之間，需要特定任務類型才能真的達到那個倍數。
引用來源
- arXiv: The AI Layoff Trap (Hemenway Falk & Tsoukalas, March 2026)
- CNBC: Goldman Sachs is piloting its first autonomous coder in major AI milestone for Wall Street
- CNN Business: Block lays off nearly half its staff because of AI
Author Insight
論文的政策建議在台灣的實務操作上有非常具體的卡點：跨國競爭壓力下，本地企業先停手等於讓位給對手。實際在協助金融與製造業客戶評估生成式 AI 導入的過程中，看到的情況跟論文模型不謀而合——多數企業 CTO 跟 COO 並非沒看到「裁員到極致最後沒人買產品」的悖論，但他們的 KPI 結構讓他們無法停手。一家保險公司的高層曾私下講過：「我們知道集體自動化會壓垮中產階級的保費續期能力，但如果我們慢一步，市佔率就被搶走了。」這跟 Dorsey 在 Sequoia podcast 裡解釋裁員的態度是同一套邏輯——速度差幾週，市場上的位置就完全不同。
論文的數學給出來的庇古稅方案，其實是在解一個實務上你的客戶 CFO 不可能自己接受的問題：把外部成本內部化進財報。從顧問實務的角度，更可能先發生的是另一條路徑——監管在企業大規模 AI 採購流程上要求備案揭露，再透過稅務審計反推自動化率。這是台灣財政部跟金管會幾年內可能要面對的議題：怎麼做才不會把產業一起賠進去，而不是要不要做。
