什麼工作不會被 AI 取代？答案就近在眼前！
6 月的台灣，空氣悶熱黏重，濕度與畢業季的焦慮一起升高。
因為在 AI 快速逼近的時代裡，許多人心裡都多了一道問題：如果機器愈來愈會整理資料、生成內容，那我們花了好多年練成的能力，會不會突然變得不值錢？
近日在台灣人工智慧學校主辦的 Developer Day 論壇上，Anthropic 共同創辦人 Ben Mann 就用流利中文提醒，未來幾年內，相當高的機率將迎來「軟體奇點」；當控制機器人的瓶頸被突破，知識工作者首當其衝，體力勞動者也未能置身事外。
那麼，人類最後的護城河究竟在哪裡？這篇文章想指出，答案未必是更高難度的認知運算，而是一種長期被市場低估，卻支撐人類社會溫度的工作：「連結性勞動（Connective Labor）」。
它藏在許多日常現場裡：照顧者的一句安撫、老師多停留的一個眼神、醫護人員多解釋一次的耐心，或是社工、諮商者陪人慢慢走過低谷的支持……。
只是，這些最需要時間、信任和情感投入的工作，常常反而最不被市場看重。它們被嫌太慢、太難量化、產值不夠清楚，甚至被當成「本來就該做」的事。
接下來，本文想從那些容易被低估，卻很難被機器真正取代的工作談起：在什麼都講求效率的時代，我們要如何重新看見「連結性勞動」，並把它的尊嚴還給那些正在承接他人的人。
連結性勞動：創造「看見」彼此的技能
首先，讓我們從維吉尼亞大學社會學教授 Allison Pugh 撰寫的《人類最後的工作：在 AI 浪潮下，最難被取代也最受威脅的工作能力》書中故事說起。
Erin Nash 是美國東岸一間醫院裡的牧靈關懷實習生。她要做的是陪在病人身邊，在那些疼痛、恐懼、憤怒與死亡都擠在同一個房間裡的時刻，試著別讓病人獨自承受。
有一次，她被叫去陪伴一位名叫 Hiram 的插管病人。
那時的 Hiram 充滿憤怒。他透過管子發出聲音，像是在用盡全身力氣追問：「為什麼？為什麼？為什麼？」他想寫字，卻因為止痛藥的影響，連筆都握不穩。
Erin 沒有急著要他冷靜，也沒有立刻搬出那些聽起來正確，卻可能進不了人心的安慰話。她只是坐在那裡，讀他的身體、讀他的憤怒，也讀他那份快要滿出來的無助。
接著，她拿起一盒面紙，告訴 Hiram：如果他想丟向牆壁，可以丟出去，也許會好過一點。就在那個瞬間，Hiram 抓住她的手臂，把她拉近，抱了她整整 15 分鐘。
後來，Erin 再次見到 Hiram 時，他已經走出插管的陰霾。他告訴她，在人生最糟的時刻，感覺有人理解自己，被一個甚至不認識的人用安慰接住，沒有什麼比那更重要。
這個病房日常，正展演了「連結性勞動」的力量：真正看見他人的處境，並讓對方感覺自己被看見。
連結性勞動不是單純聊天，也不是機械性地說出「不要難過」、「想開一點」。它更像是聽見對方沒有說完的話，理解對方卡住的地方，並用行動把這份理解回應給對方。
更重要的是，連結性勞動不是單方面的表演，它必須在互動中完成。對方必須在某種程度上也能同步感覺：「對，這就是我現在的處境。」那一刻，連結才真正發生。
所以接下來，我們繼續聊聊：為什麼這種看似細微、難以量化，也常被市場忽略的工作，反而可能是 AI 時代最重要，也最難被完全取代的人類能力。
為何在 AI 時代，連結性勞動特別重要？
因為真正的連結性勞動，是雙向發生的。工作者要看見對方，對方也要在某個瞬間感覺到：「你真的看見我了。」我們可以想像成情感上的握手，當兩隻手真的握在一起，連結才成立。
這也正是 AI 難以取代的地方。
AI 可以模擬語氣，可以生成貼心的句子，可以在螢幕上說「我理解你的感受」。但連結性勞動真正產生力量的時刻，不在於話說得漂亮與否，而在於那些話是否能創造真實的互動；更能讓對方感覺自己不是被數位系統處理，而是被真人接住。
我在教課時，常常會遇到學生帶著一臉苦惱來問問題。
有時他們感到困住的，不只是某個法律概念不懂，而是覺得自己怎麼讀都讀不好、怎麼想都想不通，甚至開始懷疑：是不是我不適合學法律？是不是我哪裡不夠好？
但很多時候，我們坐下來，一題一題拆開來看，深入他們的焦慮，看見他們的挫折，一起討論可能的解方。學生自然就會鬆一口氣，好像心裡什麼東西被逐漸打開了。
像這樣「陪人重新理解自己」的工作，Allison Pugh 稱之為「社會親密性」：它不是家人那種親密，也不是路人那種冷冰冰的陌生；它是一種在數位社會中愈來愈失落的人際互動。
也因此，在 AI 時代裡，連結性勞動的獨特性不在於人類永遠比較會說話，而在於人類才能在關係中接住彼此、改變彼此，共同打造每個互動當下的共鳴。
只是，這也帶出下一個更現實的問題：如此重要的工作，為何經常不被勞動市場重視？
現實困境：過於重視效率的勞動市場
連結性勞動最矛盾的地方在於：它很重要，卻很難被算進帳本。
照顧者多花 5 分鐘安撫長輩，老師課後多陪學生聊幾句，護理師停下腳步確認病人為何害怕，諮商師陪伴個案慢慢整理說不出口的痛苦……這些時刻，對當事人可能非常關鍵；但在管理表格裡，它們常常只會變成「效率不佳」、「耗時過長」或「不可量化」。
問題也由此而生：需要關係、信任與情感理解才能完成的工作，卻被當成工廠生產線來管理。
於是，工作者必須填表、打勾、回報、輸入系統，證明自己服務了多少人、花了多少時間、達成多少指標。彷彿只要數字漂亮，就代表人真的被照顧到了。
但連結性勞動不是這樣運作的。
最為困難的部分，往往發生在表格之外：那個病人終於願意說出害怕、學生第一次相信自己能發揮所長、個案在長時間沉默後終於哭出來的瞬間。
那些才是連結性勞動期待的成果，卻很不容易被績效的測量指標看見。
於是，連結性勞動陷入一種困境：它愈重要，就愈被要求用數字證明自己；但它愈被迫用數字證明自己，就愈容易失去原本最珍貴的東西。
更麻煩的是，當這些能力被貼上「天生細心」、「比較有愛心」的標籤，就更容易被低薪化、道德化，甚至被要求無償加碼。（延伸閱讀：一名基層護理師的沉重告白：我們不是「白衣天使」，而是長期被忽視的勞動者）
因此，如果 AI 時代讓我們重新看見人與人之間的不可取代性，那麼勞動市場又該如何重新學會真正重視，這些長期被低估的連結性勞動？
我們如何把「連結」放入制度裡？
第一步，把連結變成正式的工作條件，而不是道德期待。
舉例來說，教師有無時間留下來聽學生說話，護理師能否多花 3 分鐘確認病人的擔憂，社工有無同儕可以討論棘手個案。這些都不是單靠個人熱情，而是組織有無把「看見人」當工作任務的一部分。
所以，好的領導者不能只會催進度、看報表、問績效，而要創造一種讓關係發生的工作文化。例如會議中不只討論數字，也討論個案處境；新人不是自己求生，而會安排老鳥陪跑、回饋。
當整個工作場域能大聲呼籲勞動者：「你花時間理解人，不是在偷懶，而是重要項目」，連結性勞動才不會變成下班後默默補上的良心服務。
第二步，是把足夠的時間與注意力留給工作者。
我們不能一邊要求醫護、教師、社工好好理解每個人，一邊給他們塞滿報表、會議、行政事項和過量個案。注意力並非水龍頭，不是隨開就流。要一個人真正看見另一個人，就必須讓他有時間停下來、有空間消化，也有同儕可以一起承接。（延伸閱讀：學子眼中的教學悲歌：教師過勞、行政負擔重，理想教育藍圖應如何重塑？）
同時，也要讓工作者在高強度互動後，有機會整理情緒，而不是立刻被推進下一個任務。否則，再有同理心的人，也會在長期超載中慢慢變成只想撐完今天的人。
真正健康的制度，不應該靠老師、護理師、照顧者、社工與諮商師不斷自我燃燒，來補上組織沒有設計好的缺口。它需要重視關係的領導、能傳承經驗的導師、彼此回饋的同儕社群，也需要合理薪資、足夠人力與可承受的工作節奏。
否則，未來社會可能出現一種新的不平等：有些人買得到真人的時間、耐心與理解；有些人只能被系統快速處理。AI 時代真正該避免的，不只是人被機器取代，還有「人與人之間的連結」竟然變成少數人才負擔得起的奢侈品。
結語：不要只等AI 慢下來，現在就該把握尊嚴
AI 確實帶來便利，也讓更多人開始不安。Anthropic 近日就曾警告，若 AI 自我進化的能力持續提升，未來可能出現系統自行設計、改進的風險。因此，呼籲全球暫緩 AI 研發腳步。
但對正要離開校園的畢業生來說，這份不安更具體也近在眼前：我現在學會的能力，幾年後還值錢嗎？我準備進入的職場，會不會已經在悄悄改寫規則？
所以，與其消極等AI 慢下來，不如回頭問：人類還有哪些能力，是「現在」就值得好好培養、也值得被制度認真保護的？
答案絕不是更快地整理資料、更會生成內容，或更有效率地完成任務。
因為在那些領域裡，跟 AI 比速度，就像站在鐵軌旁準備和高鐵賽跑。真正值得珍惜的，反而是機器最難完整複製的互動：看見他人、理解處境、承接情緒、建立信任。
而這些，就是連結性勞動。
所謂連結性勞動絕不是「比較有愛心」，而是一種高難度的人類工作。它需要時間、耐心、同理、判斷與在場；它存在於醫療中的安撫、教育中的點火、諮商中的陪伴，也存在於日常生活裡，那一句讓人感覺自己沒有被世界丟下的問候。
我們可以說，AI 時代最難的考驗，不只是機器會不會變強，更是人類會不會因為恐慌，就丟棄自己最珍貴的能力。
所以，與其只問：「AI 會不會取代我」，不如持續關心：「我們還能不能好好看見一個人？」
這個問題不只屬於畢業生，也屬於每個還在用心照顧他人的人。
那也許正是人類最後的工作，也是我們現在就能一起捍衛的尊嚴。
- 換日線「第一份工作：那些畢業後才知道的事」徵稿中，歡迎你7 月27 日前投稿，有機會獲得閱讀好禮！
※本文由換日線網站授權刊載，原標題為《AI 浪潮下，什麼工作絕不會被取代？答案藏在總被低估的「連結性勞動」》，未經同意禁止轉載。
【延伸閱讀】
●讓 AI 幫你「發大財」？──智能投資，真的有那麼神嗎？
●從被排擠的亞斯伯格學生，到用 AI 創業：她如何找到「AI 偷不走的學習力」？
※本文由換日線授權刊登，未經同意禁止轉載