機器不買拿鐵：那份讓 IBM 崩了 13% 的報告，告訴了我們什麼

2026年2月22日，台北時間深夜，一份七千多字的報告悄悄在金融圈流傳。

隔天開盤，IBM 股價重挫13%，創下25年最大單日跌幅。Datadog、CrowdStrike、Zscaler 跟著跌超過9%。整個依賴「AI 敘事」的科技板塊，就像被人踩了一腳急煞。

這份報告叫《2028年全球智能危機》（The 2028 Global Intelligence Crisis），作者是 Citrini Research 創辦人詹姆斯·范·赫倫（James van Geelen）以及 Lotus Technology Management 的阿萊普·沙阿（Alap Shah）。

范·赫倫這個名字在金融圈不陌生。他是那個在矽谷銀行（Silicon Valley Bank）倒閉前就精準做空的人。有這樣的履歷背書，他說的話，市場沒辦法假裝沒聽到。

更弔詭的是：報告發布後，范·赫倫自己都被市場的反應嚇到了。他說他沒有想到這份報告會讓股市劇烈震盪。一份本質上是「假設最壞情況會怎樣」的壓力測試，被市場當成分析師預測來讀 — — 這件事本身，已經告訴你市場壓抑了多少焦慮，只需要一個觸發點就全部宣洩出來。

一、先搞清楚這份報告到底在說什麼

先說形式。這份報告用了一個很聰明的敘事手法：它假設時間是2028年6月30日，然後以「回顧」的視角，告訴你過去兩年發生了什麼事。它描述的是一個情境，不是預言。

核心論點只有一句話：人類智力（Human Intelligence）這種過去最稀缺的生產投入，正在被 AI 大規模供給化，溢價正在消失。

報告把這個過程叫做「去槓桿化」，聽起來很學術，但類比其實很直接。2008年金融危機之前，次貸（Subprime Loan）被評為 AAA 優質資產，被大量槓桿放大。等市場發現這些資產的真實價值，去槓桿化就是一場海嘯。

現在，白領的智力勞動一直被市場定價為稀缺品。年薪15萬美元的初級律師、年薪25萬美元的 Meta 產品經理，這些職位的高薪建立在一個前提上：「這種能力有限、很難複製。」

AI 正在摧毀這個前提。

報告描述的2028年是這樣的：美國失業率從3.8%竄升到10.2%。標普500指數（S&P 500）從8,000點的高峰回撤38%，跌至4,960點。白領平均薪資從正增長4.5%，翻轉為負增長2.1%。算力資本支出（CapEx）則從2,500億美元暴增至8,200億美元 — — 錢全跑到機器那邊去了。

這些數字本身不重要。重要的是背後的邏輯鏈：

AI 能做的事情越來越多 → 企業發現用算力替代人力更划算 → 白領大量失業或薪資停滯 → 這群人的消費力萎縮 → 企業為了維持利潤，繼續加碼投資 AI 壓縮人力成本 → 循環加速。

報告把這個叫做「智能位移螺旋」（Intelligence Displacement Spiral）。它很難被打斷的原因在於：對每一個個別企業來說，用 AI 替代人力是完全理性的財務決策。但所有企業同時這樣做，就製造了一個沒有人在消費的市場。

個體理性，集體災難。這在經濟學裡不是新概念，但 AI 的規模和速度，讓它比以往任何一次都更危險、更難被緩衝。

另一個更具體的產業衝擊在軟體業（Software Industry）。長期以來，SaaS（軟體即服務）公司的商業模式建立在「按席位收費」（Per-seat Pricing）上。但報告描述了2026年10月的「ServiceNow 事件」：客戶大規模裁員，對應的軟體授權席位被取消，這家軟體巨頭收入斷崖式下跌。

更深的威脅是：當 Claude Code 或 OpenAI Codex 之類的 AI 程式代理（Coding Agent）演進到一定程度，企業 CIO（資訊長）會發現，他們不需要每年付數百萬美元給 Salesforce，而是可以讓 AI 代理在幾週內開發出一套完全客製化的內部管理工具。從「購買軟體」到「生成軟體」，這個範式轉移，預示著價值數兆美元的傳統 SaaS 行業將面臨結構性清算。

二、「幽靈GDP」：數字在長，但你感覺不到

這份報告最讓我覺得有意思的概念，是「幽靈GDP」（Ghost GDP）。

想像一下這個場景：2027年，美國名義 GDP（國內生產毛額）增長依然維持在4%左右，勞動生產力（Labor Productivity）指標甚至達到1950年代以來的最高水準。所有宏觀指標看起來都很好看。

但這個 GDP 是怎麼生成的？是位於北達科他州和愛荷華州的 GPU（圖形處理器）集群產生的，不是人類勞動。

問題在這裡：機器可以生產，但機器不消費。

一個替代了一萬名會計師的 AI 集群，不會去買拿鐵咖啡，不會租公寓，不會帶家人去度假。那一萬名會計師原本的薪資，本來會進入市場循環，現在變成了企業的閒置利潤，或者被拿去回購股票（Buyback）。貨幣流通速度（Velocity of Money）從1.45跌到1.02，接近停滯。

這個指標很少被普通人注意，但它描述的是一塊錢在一年內被使用了幾次。數字越低，意味著錢越少在觸碰普通人的口袋。

然後是稅收問題。發達國家的財政體系嚴重依賴個人所得稅和薪資稅。企業利潤再高，如果大多數人沒有薪資，政府的稅收基礎就在崩塌。偏偏這個時候，社會最需要更多的失業補貼、再培訓計畫、社會安全網。政府最窮的時候，恰好是需求最大的時候。

「幽靈GDP」最尖銳的地方在於：它讓你沒辦法用傳統的宏觀指標來判斷這場危機有沒有到來。GDP 還在長，股市可能還在高點，但真實的財富分配早已悄悄逆轉。等你看到統計數字反映出來，可能已經晚了六到十二個月。

這讓我想到一個比較老的概念：「煮青蛙效應」。只是這次鍋裡的青蛙，很多是手握 MBA 學位、信用評分780分的白領。

三、批判性閱讀：這份報告說的有幾分是真的？

坦白說，這份報告的問題不在於它說了什麼，而在於它沒說什麼。它把最壞的情境描述得非常完整，但對反作用力的分析相對單薄。

第一個盲點：耶文斯悖論（Jevons Paradox）

批評者科林·麥克納馬拉（Colin McNamara）指出，報告把 AI 只當成「蛋糕的切分者」，而不是「蛋糕的擴張者」。

耶文斯悖論（由19世紀英國經濟學家威廉·史坦利·耶文斯（William Stanley Jevons）提出）說的是：當一種資源的效率提升、成本降低，對它的需求往往不會減少，反而會增加。因為更便宜之後，更多人開始用它。

法律服務就是一個例子。今天，很多普通人有法律問題，但請不起律師，所以選擇不處理。如果 AI 讓法律諮詢的成本從每小時數千元降到幾十元，以前那群被擋在門外的潛在需求就會被激發。法律服務的總需求可能反而暴增，帶動對法律專業人員新型態的需求。

這個反作用力在報告中幾乎沒有被認真對待。

第二個盲點：物理世界的護城河

AI 在數位領域近乎無敵，但它沒辦法去幫數據中心佈線，沒辦法親自安裝變壓器，沒辦法執行老人照護。報告自己也提到，GE Vernova 的渦輪機產能已排至2040年。這說明物理基礎設施的需求，會創造一個龐大的藍領市場，短期內 AI 根本觸及不到。

發達國家正在嚴重老化。在護理、維修、複雜製造等領域，根本沒有足夠的人去做這些工作。AI 在這裡扮演的角色，與其說是「取代」人類，更接近「拯救」一個因人口萎縮而即將崩潰的社會服務體系。

第三個盲點：制度慣性（Institutional Inertia）

報告假設市場是一台無人看管的機器，任由因果邏輯發展至崩潰。但現代政府的反應速度遠比這個假設快得多。如果真的出現10%以上的失業率，立法限制 AI 使用、發放轉型補貼、課徵算力稅 — — 這些政策反應的速度，可能比 AI 的擴散還快。

歐盟已經在2024年通過了《AI 法案》（EU AI Act）。美國各州的 AI 監管立法正在快速推進。說政府會完全袖手旁觀，這個假設站不住腳。

那這份報告的價值在哪裡？在於它建立了一個清晰的壓力測試情境，讓你沒辦法再用「AI 只是工具」這個舒服的說法，假裝這件事跟你無關。

即使真實的結果只有報告預測的三分之一那麼嚴重，對很多白領來說，衝擊就已經夠大了。

四、AI 迭代太快，我們應該用什麼姿態面對？

2022年11月，ChatGPT 上線，當時還很多人覺得這只是一個聊天機器人的升級版。2023年3月，GPT-4 發布，開始有人認真討論創意類工作的替代問題。2024年，Claude 3 Opus、Gemini 1.5 Pro 相繼問世，多模態能力爆發。2025年，AI 程式代理開始在實際工程工作中替代初級工程師的部分職責。2026年初，整個輿論在討論白領會不會在兩年內大規模失業。

每隔六到十二個月，你就要重新評估一次 AI 能做什麼。這個速度，比大多數人的職涯規劃週期還快。

這裡有一個認知陷阱，很多人都掉進去了：把「AI 現在做不到」等同於「AI 永遠做不到」。

我見過不少人說，「AI 的創意沒有真正的創意」、「AI 寫的行銷文案沒有靈魂」、「AI 做的設計缺少人的溫度」。這些觀察在某個特定時間點或許準確。但 AI 每次更新，這條能力邊界就往外推一點。你認為的護城河，可能在十八個月後縮水一半。

問題不是 AI 現在在哪裡，是它在往哪個方向走、走多快。

這個思考框架很像投資邏輯裡的「趨勢分析」。不看快照，看動能。你不是要知道 AI 今天能不能替代你，你是要知道它還要多久才能替代你，然後你在這段時間裡做了什麼準備。

歷史上每一次重大技術革命，人類的適應都不是線性的。工業革命初期，大量手工藝人失業，機器紡織讓英國的盧德派（Luddites）走上街頭砸機器。但一代人之後，工廠創造的就業機會遠超過它消滅的。問題在於，中間那段過渡期非常痛苦，而且痛苦是高度不均衡的 — — 受衝擊的人和受益的人，往往不是同一群人。

AI 這波的獨特性在於速度。工業革命花了幾十年完成轉型，讓人類有時間慢慢適應、讓社會有時間建立新的職業類別。AI 的迭代週期以月計算。人類的學習速度和社會制度的調整速度，根本跟不上。這才是范·赫倫報告真正讓人不安的地方 — — 不是 AI 最終會贏，而是這場轉型的速度太快，緩衝器不夠用。

那我們能怎麼辦？

**第一，停止尋找「AI 永遠做不到」的答案。**這個問題本身就是一個舒適感陷阱，讓你覺得只要找到那個答案，你就安全了。正確的問題是：「在 AI 能力到達這裡之前，我還有多少時間？」然後用這段時間做有意義的事。

第二，持續校準你的「等效邊界感」。 不需要每天追最新的模型更新，但每個月花一點時間，在你的實際工作場景裡測試 AI 能做到哪一步。讓你的直覺保持校準。否則你會低估它，或者在它已經可以幫你的地方還傻傻地自己做，兩種都是浪費。

第三，在 AI 「現在」還不擅長的事情上加碼投資。 不是「AI 永遠不擅長的事」 — — 那個清單在快速縮小。是「現在還不擅長的事」。這包括高情感密度的人際關係經營、跨域的創意整合、複雜現實世界的情境判斷。這些能力的市場溢價正在上升。在 AI 真正能觸及之前，擁有這些能力的人會享有一段珍貴的溢價期。

把這段溢價期用好，這是現在最實際的應對策略。

五、上班族到底應該怎麼和 AI 協作？

說了這麼多宏觀分析，最後來談最具體的問題：明天上班，你要怎麼做？

我自己的框架是：把 AI 當成一個非常聰明、但需要你持續監督的資深助理。

這個比喻很重要。它不是一個工具，你設定好就丟著跑。它是一個需要你給方向、你來審閱輸出、你來承擔最終責任的協作夥伴。這個姿態設定對了，很多問題就清楚了。

第一步：把你的工作流（Workflow）拆解清楚

很多人問「AI 可以幫我做什麼」，但他們對自己的工作流程沒有清晰的認識。你每天八小時做的事情，可以拆成四個類別：

一是「資訊收集和整理」，例如蒐集競品資料、整理會議記錄、彙整報告資料。二是「判斷和決策」，例如評估方案優劣、選擇策略方向、處理衝突。三是「溝通和說服」，例如說服主管、協調跨部門、安撫客戶。四是「執行和產出」，例如寫文件、做簡報、寫程式、設計。

AI 在第一類和第四類的能力，已經遠遠超過大多數人的預期。第二類和第三類，目前還是人類的主場 — — 但也在快速被侵蝕中。

把這四個類別想清楚，你就知道要把哪些工作交給 AI，哪些暫時自己來。

第二步：Prompt 工程（Prompt Engineering）不是技術問題，是溝通問題

很多人花時間學「怎麼寫 Prompt（提示詞）」，把它當成一種特殊的技術技能。但這件事本質上跟「怎麼跟人溝通需求」是一樣的。

你給 AI 的指令越具體、背景資訊越完整、你的期待越明確，你得到的結果就越好。

舉個例子：「幫我寫一份市場分析」和「幫我寫一份針對台灣25–35歲上班族的運動 APP 市場分析，重點放在競品比較和市場缺口，格式是簡報摘要，約500字」，這兩個 Prompt 給出的結果，天差地遠。

很多時候你覺得 AI 給的結果很爛，其實是因為你給的指令很模糊。先把自己的需求想清楚，再去問 AI。

第三步：用 AI 做第一稿，但不要讓它做最後一稿

內容生產類的工作，AI 現在可以非常快速地交出一個結構完整的第一稿。這是真的，而且這件事已經幫很多人省下大量時間。

但第一稿不等於完成品。你的工作是把你的實際經驗、你的具體判斷、你的語氣和觀點，疊加到 AI 的骨架上。一篇完全由 AI 生成的文章，和一篇由人類用 AI 輔助完成的文章，讀者感受得出來。前者有結構，但沒有溫度；後者才有觀點，才有可信度。

你的不可替代性，在這個「最後一哩路」。把 AI 當成砌磚的工人，你是建築師。 磚頭蓋得再快，沒有建築師，也就只是一堆磚頭。

第四步：讓 AI 暴露你的盲點

這個用法比較少人想到，但我覺得它很有價值。

你有一個想法或計畫，試著讓 AI 扮演批評者，找出你論點的漏洞。或者讓它從不同角度分析同一個問題，看看有什麼你沒想到的視角。

比方說，你寫完一份提案，可以讓 AI 站在你的老闆角色，說說他最可能質疑的三個點是什麼。或者讓它扮演競爭對手，分析你的弱點在哪裡。

這個用法的重點是用外部視角幫你的思考做壓力測試，不是把思考本身外包出去。用好這個功能，你的判斷品質可以明顯提升。

第五步：警惕「智能外包」的惰性陷阱

這是我覺得最需要認真說的一點。

我見過一些人，開始用 AI 之後，思維能力反而退化了。因為任何需要動腦的事，都丟給 AI 先做，然後自己只是 review 和微調。久而久之，他們自己主動思考、從零建構論點的能力在萎縮。他們變成了更好的編輯，但更差的思考者。

這個風險是真實的，而且很隱微，不容易察覺。因為短期內，你的工作產出看起來沒有變差，甚至更好了。但你的底層能力在悄悄流失。

要避免這個陷阱，最簡單的方法是：一些重要的分析和思考，刻意不用 AI，自己先做完，再用 AI 交叉驗證。 保持主動思維不退化。就像你即使有計算機，還是應該保持心算能力 — — 心算的意義從來不在速度，在於維持你的基礎判斷力。

第六步：重新定義你的工作價值

最後一點，也是最根本的一點。

Van Geelen 的報告暗示，AI 危機是一場「職位」的危機。但我更傾向於認為，它是一場「工作定義」的危機。

你的工作不是「寫報告」、「做分析」、「設計 UI（使用者介面）」。你的工作是「讓決策更好」、「讓產品更貼近使用者」、「讓組織朝正確方向移動」。

AI 可以幫你更快地寫報告、做分析、設計 UI。但它無法替你承擔「讓決策更好」這件事的責任。那需要你的判斷、你的情境理解、你的道德責任感。

把你的工作從「執行層」重新定義到「判斷層」，這是最根本的應對策略。「判斷層」遲早也會被 AI 侵蝕，但至少目前這裡是你最有價值的地方，也是你爭取時間的最後一道防線。

結語：球確實在人類這邊

van Geelen 在報告的最後說了一句很有力的話：「當你試圖用 AI 來證明『AI 不會取代我們』時，你其實已經輸掉了辯論。」

這句話說得好。但我想補充：輸掉辯論不代表輸掉比賽。

《2028年全球智能危機》真正有價值的地方，是它強迫你去面對一個你本來不想認真思考的問題：如果 AI 真的照現在的速度繼續發展，你的工作和生活裡，哪些部分會先撐不住？

這個問題的答案，比等待結果更重要。因為等到數字出來，你已經沒有時間反應了。

機器不買拿鐵。但你買。你有真實的需求，真實的家庭，真實的判斷和責任。這件事本身，就是你在 AI 時代最重要的起點 — — 你是真實消費、真實決策的主體，而不只是一個執行節點。

怎麼把這個優勢轉化成在 AI 時代的實際競爭力，是每一個上班族現在就應該開始想清楚的事。

不是等到2028年。是現在。

本文主要參考 James van Geelen & Alap Shah 的報告《The 2028 Global Intelligence Crisis》（Citrini Research, 2026年2月），以及 Colin McNamara 的批判性回應《The 2028 Global Intelligence Crisis — And the Half They Didn’t Write》，並整合多方媒體報導與數據。