現象：新職位數量多、但舊職位持有者無法銜接
LinkedIn 的數據看起來樂觀：自 AI 普及以來，全球新增超過 130 萬個職缺，包括 AI 工程師、前線部署工程師（prompt engineer）、資料標註員。同時資料中心擴張帶動 60 萬個基礎建設工作。
但統計學有個陷阱：這 130 萬個職位*創造了*，不等於*被取代職位持有者能轉職進去*。
結構性失業的本質
當自動化摧毀工廠組裝線時，被取代的是 45 歲、高中學歷、在同一條線上做了 20 年的工人。同時創造的職位，可能是北加州的 AI 工程師、或孟加拉的資料標註員。
距離不匹配：被摧毀的工作在底特律，新工作在矽谷。
技能不匹配：被摧毀的工作不需要編程，新工作要求機器學習基礎。
薪資不匹配：被摧毀的工作月薪 $3,500，新工作月薪 $8,000（但你沒能力做）或月薪 $1,200（資料標註），工資實際下跌。
年齡不匹配：被摧毀的工作年資 20 年者容易找，新工作偏好 25 歲剛畢業的新人。
為什麼媒體報數據時選擇性失明
LinkedIn 在 2026 年宣布「130 萬新職位」，標題樂觀。世界經濟論壇預測 2030 年新增 1.7 億工作機會。
但這些報告通常忽略：
1. 摧毀的職位數量是多少？如果摧毀 2,000 萬、創造 130 萬，淨損失 1,870 萬——但報導只說「新增 130 萬」。
2. 職位品質分佈。創造的 130 萬個中，可能 80% 是資料標註員、行政助理、客服機器人訓練員——這些職位薪資可能低於被自動化取代的製造業工作。高薪 AI 工程師職位可能只佔 5%。
3. 轉職成本誰負擔。一個 48 歲被裁員的汽車廠工人，想轉職成 AI 工程師，需要投入 2-3 年學習、放棄現有收入、且成功率不到 10%。企業、政府、個人誰付這筆錢？報告沒說。
歷史類比：第一次工業革命的教訓
1760-1840 年間，英國紡織業從手工轉向機械化。創造了大量新職位——機器操作員、工廠經理、維修工。但被取代的手工紡織者呢？他們組織盧德派運動（Luddites），砸毀機器。
為什麼？因為新職位的薪資低 40%、地點不同、技能要求完全不同、且競爭激烈。手工業工人的 30 年專業經驗、在新機器前毫無價值。
最後花了 80 年——是 80 年，不是 8 年——新世代勞工才完全適應，舊一代大多窮困老年。
富比士與 LinkedIn 為什麼強調「新職位」
利益相關：LinkedIn 靠職位數據變現、富比士靠樂觀敘事吸引廣告主和科技公司公關預算。說「AI 創造機遇」遠比說「AI 摧毀生計、政府失業補助吃緊」更吸引贊助。
確實的事實：新職位*確實*在創造。
選擇性遺漏：但*被誰*創造、*給誰*的。
DNA Chain 應用：不同視角的同一場景
樂觀派讀法：「AI 已催生 130 萬職位，證明技術創造更多工作機會。歷史上每波技術革新都是先摧毀再創造。新職位的薪資與成長空間反而更大。只要重新投資教育，舊職位持有者也能過渡。"
現實派讀法：「130 萬新職位聽起來很多，但分散在全球、多數在開發中國家薪資低廉。同時摧毀的職位數量可能更龐大。被取代者通常年長、地域被綁定、重新培訓成本極高。樂觀預測忽略了轉職過程的巨大社會成本。"
根本性問題：新創造的職位與被摧毀職位持有者之間，到底有多少*實際銜接*發生？