五分之一的人回頭改過自己的職涯史

Nick Bloom 的團隊跟 Revelio Labs 合作，把 2020 到 2026 年 2,944 萬份美國 LinkedIn 檔案逐月存成快照，比對每一次文字改動。

他們只認一種改動，就是人已經離職 60 天以上，卻回頭改那份舊工作的職稱或描述。工作內容早就結束了，能變的只剩說法。論文把這群人叫做 time travelers。

比例是 19.7%。而且不是離職後隨手修正，中位數發生在離開那份工作四年多之後。

ChatGPT 出來之後，AI、GPT、LLM 這幾個字被大量補進 2019、2020 年的舊職務描述，淨新增量暴增六倍以上。那些工作發生的時候 ChatGPT 還不存在。

2025 年初反過來，DEI 被成批刪掉，時間點對上兩道行政命令，職稱上砍得比描述裡更狠。

遠距也在退。疫情後 remote 一路被加進履歷，2024 年開始減速，到樣本結束時已經不再被淨新增。

同一份早就結束的工作，三年內被重寫成三種樣子。這不是雇主要什麼的紀錄，是勞工以為雇主要什麼的紀錄。

第一層是內容。拿 2026 年的 LinkedIn 回推 2022 年的 AI 滲透率會高估約 30%，因為那些 AI 是後來才補上去的，研究結論跟著錯。

第二層是文筆。研究者去數 delve、underscore、showcase 這類 LLM 的口頭禪，ChatGPT 之前只出現在 0.33% 的改寫裡，2023 年 8 月衝到 3%。

兩層疊起來就是用 AI 改寫舊履歷，在上面寫自己會 AI。

反直覺的是誰在用。用 AI 改履歷的比例隨學歷往下降，高中與副學士最高，博士最低，跟一般「學歷越高越會用 AI」的調查相反。MBA 又比其他碩士高。

論文按 US News 2026 排名把前 100 大 MBA 學程畫出來，名次越後面，改履歷時出現 LLM 口頭禪的機率越高，M7 大約是 MBA 平均的一半。它只做到這裡，沒有提出因果解釋。

作者給的唯一方向是需求面，寫作越費力的人越可能找工具幫忙，這也解釋得了高中與副學士最高、博士最低。

還有一個量測問題。Kobak 那份字表抓的是 2023 年那代模型的口頭禪，所以它測到的是露餡，不是使用。M7 可能一樣在用，只是痕跡被改掉了。

MIT 的 Wiles 團隊做過隨機實驗，把一個線上人力市場的 48 萬名新註冊者分成兩半。一半填自我介紹時，欄位會標出錯字與文法並給建議，另一半什麼工具都沒有。

那個工具不能下指令，不會替你生出任何一句話，只挑你已經寫下的字。

有工具那組錄取率高 8%、時薪高 10%，而且雇主的滿意度沒有下降。

這是 2021 年做的實驗，那時候 ChatGPT 還沒出來。

實驗把崩解量化了。應徵者能用 ChatGPT 之後，履歷評分的離散度掉 54%，篩選準確度跟著掉 4 到 9%。大家看起來都差不多好。

代價落在最會寫的那群人身上。Freelancer 的模型估出來，履歷若完全失去鑑別力，能力前 20% 的人錄取率掉 19%，後 20% 反而升 14%。

雇主感覺得到，篩選者願意多付 8% 買履歷以外的資訊，代價轉嫁到面試、作品與實測。

至於抹掉 AI 痕跡，那批口頭禪早就過時。真正的成本是履歷跟所有人一樣。