從職缺文本到工作任務：用 n8n 與 LLM 建立任務層級的 AI Exposure 資料管線

生成式 AI 正快速改變工作內容，但我們常看到的是「哪些職業可能被取代」的宏觀預測，然而在近期的調查中把問題延伸至：「一則職缺中，究竟是哪些工作任務可由 AI 協助？」、「哪些仍受限於實體操作、人際互動、專業判斷或法律責任？」

議程將分享如何運用 n8n、Supabase、開源大型語言模型，打造一套可重現的工作任務層級之觀測流程。專案使用台灣就業通其中五項類別（行政、會計財務、客服、軟體與資料、照顧服務）的職缺為例，將非結構化職缺內容轉為保留原文證據的工作任務，再依照生成式AI的參與程度建立E0至E3四個等級的AI暴露程度（AI Exposure）分類，並分析 AI 與人類可能的分工方式，以及阻礙任務完全自動化的主要限制。

為降低模型高估與分類的不一致，資料流程額外加入自動驗證、規則警示與人工檢核機制，保留模型原始結果和人工修正紀錄。後續建立「任務」、「職缺」與「職類」三層指標，透過公開儀表板呈現各職類中較容易由 AI 協助，以及仍需人工執行的具體任務。