Anthropic 發布了一份綜合性元分析報告，發現勞工再培訓計畫雖能帶來具統計顯著性但有限的經濟回報——此一結果發表之際，全球各國決策者正苦思如何應對 AI 可能引發的勞動力取代問題，而包括 Goldman Sachs 和世界經濟論壇在內的機構也預測，生成式 AI 可能在未來十年內使數億個工作面臨重大變革。

該報告由獨立研究員 David Roodman 與 Anthropic 的 Maxim Massenkoff 合著，採用 AI 加速方法論，其中 Anthropic 的 Claude 模型萃取了大部分底層資料並生成所有分析程式碼。本研究引用了自 1970 年代以來在美國進行的 56 項隨機對照試驗，並輔以來自歐洲的實驗證據，構成了迄今為止對政府及非營利組織培訓措施最系統性的評估之一。完整報告可於此處以 PDF 格式取得。

有衡量但有限的成果

平均而言，所檢視的計畫產生了正向但有限的效果。每提供一個培訓名額，就業率約提升二至三個百分點，年收入則增加約 1,000 美元。這些收益是相對於平均每人約 13,000 美元的成本來衡量的。從財政角度來看，政府透過額外稅收和減少的公共福利支出收回了超過一半的支出，意味著這些介入措施整體上大致損益兩平。美國歷來在積極勞動市場計畫上的支出佔 GDP 比重低於大多數 OECD 同儕國家，此一差距將此處記錄的有限回報置於相對資金不足的勞動力基礎設施之更廣泛背景下，這些基礎設施主要透過《勞動力創新與機會法》來管理。

這些發現是 Anthropic 更廣泛的經濟研究議程的一部分，該議程追蹤 AI 在各職業和產業中的採用情況。儘管再培訓在公眾和專家調查中持續被列為應對技術性失業最受歡迎的政策回應，作者警告，歷史表現顯示，若先進自動化技術大規模取代勞工，現有的計畫設計可能力有未逮。

領域培訓計畫與複製難題

在這些有限的平均值中，一個顯著的例外來自一小群「領域培訓計畫」——這些措施與高需求產業的雇主密切合作，篩選申請者、設計針對特定職業的課程，並將畢業生直接安排至工作崗位。Year Up 和 Per Scholas 等計畫將參與者的收入提升至平均水準的數倍，有效地扮演勞動市場中介者的角色，將被忽視的人才與致力於長期招聘管道的雇主連結起來。Year Up 的成果在研究機構 MDRC 進行的一項為期多年的隨機對照試驗中獲得獨立驗證，這是勞動力發展領域同類評估中規模最大者之一。

然而，報告強調，要複製這些成功經驗已被證明極為困難。領先模式的高保真複製版本經常在新據點失敗，這表明其有效性依賴於微妙且特定於情境的條件：深厚的在地關係、篩除超過 80% 申請者的高度選擇性招生流程，以及經多年營運所發展出的組織能力。

與 AI 取代情境的不匹配

由於大多數被研究的計畫針對的是低收入或邊際就業的個人，而非可能需要較長再培訓期的中期職涯白領專業人士，作者得出結論，現有的再培訓基礎設施與大規模 AI 取代的情境嚴重不匹配。考量到大型語言模型在寫作、程式設計、法律分析和客戶支援等任務上日益展現出能力——這些是傳統勞動力計畫從未設計來應對的職業——此一不匹配尤為突出。

他們的核心建議是在任何大規模危機出現之前，立即投資於展示、評估和擴展最有前景的計畫模式。具體而言，他們提議為一群定義明確的勞工群體快速擴展一個領先的領域培訓計畫，同時嚴格追蹤就業和收入成果。Anthropic 的經濟未來研究基金可支持此類調查，反映出一种新興共識：了解當前再培訓方法的限制，對於為快速自動化的時代做好準備至關重要。