衡量 AI 曝光度 的方法，通常是看某個職業、任務、產業或產品有多大比例會被現有 AI 能力影響、替代或輔助。
常見衡量方法
-
任務層級法
- 把工作拆成細項任務，再逐項評估 AI 能否完成。
- 最後按任務的重要性、頻率或相關性加權，匯總成整體曝光分數。
-
職業層級法
- 用職業資料庫（例如職業任務描述）衡量某職業的核心工作與 AI 能力重疊程度。
- 常見做法是計算「可被 AI 處理的任務占比」。
-
能力層級法
- 先評估 AI 對各種人類能力的支援程度，再把能力映射到職業需求。
- 這類方法可形成一個 0–1 或 0–100 的曝光指數。
-
多維指標法
- 把曝光拆成幾個維度，例如：
- 數位工作強度
- 人際接觸強度
- 體力／實體工作強度
- 再把多個維度合成總分；有些模型會把「數位工作」視為提高曝光，把「人際接觸」與「體力工作」視為保護因素。
- 把曝光拆成幾個維度，例如：
-
模型評分法
- 用大型語言模型或專家判斷，對任務可由 AI 完成的程度打分。
- 再用加權平均方法，生成職業或任務的 AI 曝光分數。
-
採用／使用資料法
- 不只看「技術上能否做到」，也看 AI 在現實中是否已被採用。
- 這類方法可補足只看能力模型的限制。
常見計算方式
-
加權平均
- 用任務的重要性、頻率、相關性作權重，再計算平均分。
-
標準化後合成
- 先把各變數做最小最大標準化，再合成指數，便於不同職業之間比較。
-
比例法
- 直接計算某職業中可被 AI 取代或輔助的任務比例。
實務上最常用的資料來源
- O*NET 職業與任務資料庫，用於描述工作內容與技能需求。
- 專家評分或群眾評分，用來判斷 AI 對任務的可替代性。
- 模型測試結果，用實際 AI 系統能力去評估任務。
如何理解結果
- 分數越高，通常表示該工作內容與 AI 能力重疊越大，曝光度越高。
- 分數越低，通常表示工作更依賴人際互動、實體操作或難以標準化的活動。
- 這類指標通常衡量的是技術上暴露於 AI 的程度，不等於實際一定會被取代。
如果你想，我可以再整理成一個「最簡單可操作的 AI 曝光度評估公式」，或者幫你做成Excel / 指標框架。
