很多職場人士都遇過這樣的場景。午飯後回到辦公室座位，公司電郵和內部通訊工具彈出幾條訊息：「客戶想要另一個方向」、「今晚八點前要出 revised deck」、「順便幫忙寫一封回覆，語氣要友善」。

此時，我們自然地打開 AI，輸入一句「幫我寫個 proposal」。畫面立刻出現一大段文字。看起來完整，有條理，還帶點顧問的味道。但手停在鍵盤上，心裡反而更慌。這段文字能直接交出去嗎？口吻像我們公司嗎？合規會不會出問題？數字靠不靠譜？最重要的是，這封信用公司名義發出去，最後負責的是誰？

於是，辦公室裡熟悉的循環又開始了。第一輪改到「差不多」，第二輪 AI 改得「走了樣」，第三輪同事說「不切實際」。最後主管走過來問：「重點是什麼？資料核對清楚沒有？」

這不是個別情況。最近 METR 做了一項研究。他們找來資深開源軟件開發者，用 2025 年的 AI 工具（比如 Cursor 加 Claude 3.5/3.7 Sonnet）完成真實開發任務，結果卻出人意料。平均花的時間多了 19%，但受試者開工前預期會快 24%，做完後還覺得自己快了 20%。該研究指出，這不代表 AI 讓所有人變慢，而是反映出現實中的問題。AI 輸出需要審核，人在壓力下容易過度依賴工具，資深人員也容易遇到效率提升越來越少的情況。

最讓人難受的不是「變慢」，而是「覺得變快了」。這種感覺就是所謂的「生產力幻覺」。

日常工作中的忙有兩種。一種是輸出忙（寫得多、改得多），另一種是責任忙（驗證、合規、負責）。AI 確實能減少輸出忙，但常常讓責任忙更嚴重。所以幻覺最容易出現在「可以生成，但難以驗證」。

以上情景的出現，背後其實有三件事正在同時發生，包括技術普及的速度跟不上實際應用，未來經濟潛在風險增加，以及我們的工作方式也在徹底改變。

能力像火箭，落地像蝸牛：AI 卡在三道牆

大家最近可能都有個疑問：既然 AI 已經厲害到可以自動寫APP、可以通過律師考試、可以自動生成電影級的影片，為什麼我們的 ERP 系統還是那麼難用？為什麼申請個流程還是要填表？

近日成為焦點的 Anthropic CEO Dario Amodei，曾用一個很有穿透力的框架解釋這種現象：我們正站在兩條曲線的撕裂點。

一條是能力曲線（Capability Curve）在上升，AI 能力像火箭升空，呈指數式增長；另一條是擴散曲線（Diffusion Curve）在慢行，技術真正落地到組織、流程與制度的速度，像蝸牛在爬。

想像一下，如果今天有人發明了「傳送門」，一站上去就能到達倫敦。理論上交通運輸業會被顛覆，但現實中，我們不可能明天就廢除機場和交通工具。政府要立法、城市要重新規劃、大眾要克服恐懼。傳送門再厲害，也頂不住「現實的審批流程」。

這就是我們現時的處境。AI 能力已經很強，但它撞上了現實世界的三道牆。

第一道牆是技術的最後一公里。AI 可以一秒寫出漂亮程式碼，但公司內部可能還是使用著二十年前的老系統。IP 設定錯誤、權限卡在人事部、資料庫命名混亂、接口沒有文檔……這些瑣碎細節，AI 不會自動替你走跨部門流程，最後仍要人一個一個去對接。

第二道牆是企業的慣性。新創公司可能五分鐘就部署好 AI，但大型機構要引入軟件工具，要過法務、過資安、算 ROI、開高層會議。AI 不能代簽、不能代責，會議也不會因為大語言模型更強而自動少一輪。官僚體制與技術革新的時差，很多時候就卡在這裡。

第三道牆是物理世界的束縛。就算 AI 一天能設計出抗癌藥，後面的動物實驗、人體臨床、監管審批仍要三到十年。生物反應的時間縮短不了，物理世界也不會像軟件一樣版本升級就加速。

所以，我們會覺得現實有些割裂。螢幕裡的 AI 像 2026 年的數碼天才，螢幕外的流程卻停在 2010 年。更諷刺的是，人類總以為自己在管理工具，直到某天發現真正管理我們的，是流程、權限與合規。

把 2028 當終點的壓力測試：AI 太成功會怎樣？

前面講完「慢」，要再講一段「快」。

今天我們覺得忙，很多時候來自制度還未吸收技術；一旦制度追上，忙的形態可能會變，甚至從忙轉向資源及工作的再分配。

近日，研究機構 Citrini Research 發布一份名為《The 2028 Global Intelligence Crisis》的報告，他們做了一個極端但很有啟發性的思想實驗。它用倒敘敘事把 2028 年當成終點，回推危機如何一路形成。核心問題是：假如 AI 太成功，產業結構會如何失衡？

報告提出了幾個關鍵的推演。

其一是「幽靈 GDP」（Ghost GDP）。它講的是 AI 把內容、程式碼、服務的產出拉到很高，宏觀數據很漂亮，但機器不會消費。這好比廚房出菜快如閃電，餐廳裡卻沒有客人吃。在這種有產出、無消費的情況下，經濟數據與普通人的體感就開始脫鉤。

其二是「摩擦歸零」（Friction Went to Zero）。它講的是未來 AI Agents（智能代理）幫人格價、訂機票、選保險。人會為品牌情感買單，而代理只看效率與數據。這樣，靠資訊不對稱與中介費生存的產業，可能被擠壓到利潤趨近於零。

其三是一條更嚴酷的價值鏈。白領被取代、消費萎縮、信貸收縮與連鎖反應，並假設 2028 年可能出現失業率超 10%、S&P 下跌近 40% 這一類的危機情景。這些數字當然是一種劇本式推演，重點不在它準不準，而在它逼我們看清現實，就是 AI 造成的衝擊，可能先落在白領，而不一定先落在藍領；加上政策與制度的滯後，會把這種衝擊放大。

這個報告出來之後，引發大量的討論，也帶來不少爭議，說它是一種敘事、製造恐慌。不過，有一點值得警惕的是，它提醒了我們，未來的競爭，不只在「誰做得更好」，還在「誰仍被需要」。很多人談 AI 只談模型有多強，卻避談價值鏈，像只看廚房火力有多猛，廚師的廚藝有多好，卻不看餐廳還有沒有客人。

AI四種用法四種代價：你是哪一派？

回到辦公室現場，其實我們已經分化出幾種很典型的 AI 使用流派。先把這些流派講清楚，後面再談怎樣把它們收束成一條可控的工作流。

第一，「傻瓜派」喜歡收集提示詞（Prompts）。其好處是新人上手快，交付風格一致；缺點是把模板當萬能鑰匙，遇到合規、政治敏感的灰度題，模板救不了判斷。比較穩的做法，是把模板當開場，中段補三樣東西：現狀、限制、驗收標準，讓 AI 有扶手可順著走。

第二，「救火派」講究速度，AI 出初稿就先頂上去。其好處是今晚要交貨，能救急就是好工具；缺點是永遠停留在「一鍵出結果」，後面用更多時間修改、補漏洞、向他人道歉。AI 像開得太大的水龍頭，火是熄了，辦公室也水浸了，最後大家忙著幫手拖地。更穩的做法，是救火可以，但每次用完補一點 QC，慢慢把救急變成常規。

第三，「兵器派」今天學這個工具，明天試那個模型。其好處是兵器庫夠嚇人，遇到突發事不容易卡死；缺點是先問用哪個工具，而不是先問要解決什麼問題。工具越多，流程越亂。比較務實的做法，是固定一套「釐清→拆解→規格→驗收」的流程，工具變成只是換個執行者。

第四，「快餐派」覺得 AI 寫得順眼就直接發出去。這樣做短時間內填飽肚子，感覺舒服。缺點是 AI 最危險的地方是既有內容，且看起來還像真的。一旦出錯，比如資料錯誤、承諾太多、語氣不對、違反規則，責任都由人來承擔。唯一能救這類做法的，就是一條鐵律：所有對外發出的內容，都必須有人檢查。

從以上的四個流派可以看出，表面上是不同的習慣，底層其實是「誰在迴路裡負責」：哪些步驟交給 AI 去完成，哪些步驟需要人把關。這就回到我一直以來提倡的兩個關鍵概念：HITL與 AITL。

把工作做成產線：HITL 把關，AITL 跑腿

這場AI變革更像一次辦公室內部的工業革命。我們把原本依賴個人手藝、經驗、直覺的知識工作，拆成可標準化的生產線。哪一段生成、哪一段驗證、哪一段交付，邊界越清楚，修改就越少，責任也越可控。

HITL（Human-in-the-loop，人在迴路）是把關角色，像項目總監審核報告，審的不是格式細節，而是論點站不站得住腳、策略符不符合公司利益、有沒有踩合規紅線、有沒有把「可能」寫成「必然」。但方向與驗收由人拍板時，責任最後便落在真人身上，AI 則不會為人作賠償。

AITL（AI-in-the-loop，AI 在迴路）是跑腿角色。標準化、重複性高、耗時間的工作，例如整理會議記錄、做十個文案版本、找代碼錯誤、把散亂資訊變成清單等等，讓 AI 在迴路裡按指令縱橫就行。

因此，理想的工作流像一場接力賽。AI 生成與整理（AITL），人決策與驗收（HITL），再把規格與約束指令丟回 AI。很多人越用越忙，往往是因為把生成誤當完成，然後把最昂貴的責任成本留到最後一刻才補上去。

三步把 AI 關進流程：拆解、規格、QC 清單

不想被「生產力幻覺」困住，可以把工作變成三步。它看上去像增加流程，實際上是在降低重複修改的深淵，把耗時的責任提前處理掉。

首先是拆解（Decompose）。與其叫 AI「幫我寫個方案」，不如先叫它「幫我釐清下一步」。例如「先問我 10 條問題，了解目標和限制」、「幫我列出 5 個風險點」、「給出 3 個不同語氣的草稿選項」。把大任務拆碎，AI 就不容易亂填空，人也更早看見真正的風險。

其次是規格（Spec）。AI 不會讀心術，但它善於守規矩。我們可以把隨意寫成規格，例如語氣要專業但不油膩，少形容詞，多結論與依據；禁區要清楚，例如不要承諾業績、不要引用競品名字、不要寫超出授權的條款；格式也要定，例如先摘要，再列選項，最後給建議與下一步。規格越清楚，後面的 QC 成本就越低。

最後是驗收（QC）。把驗收變成標準動作，例如叫 AI「先出大綱再寫全文」、「標註所有你不確定的數據」、「列出這份方案可能的漏洞」。然後人用一個固定清單快速掃一遍：

- 這份內容承擔什麼責任（法律／商譽／財務／合規）？

- 文中的數字與事實，來源是否可追溯？

- 有沒有隱含承諾（例如「保證」「一定」「必然」）？

- 口吻是否符合公司立場與文化？

- 有沒有踩到內部政策或外部監管的紅線？

- 有沒有一句明確的下一步能推動的事情？

這就是 HITL 的核心。我們不一定要親手寫每個字，但要負責判斷它值不值得發出去。

最後的勝負：閉環系統，而非爆款工具

我們正站在一個很奇妙的時間點。

一方面，Amodei 曾預測 AGI（通用人工智能）可能在 2026 或 2027 年出現，並警告這可能帶來就業大幅縮減、需要加速 AI 安全研究。這種預測充滿爭議，也不必當成時間表，這更像情景推演。然而，它也像警報器，提醒我們變化不一定會很慢。

另一方面，Citrini 用極端劇本提醒我們，當 AI 的能力開始侵蝕白領的價值鏈，衝擊可能先體現在消費與信貸，而不只是「多了幾個更好用的助手」。

對職場人士來說，焦慮很昂貴，因為它消耗判斷力。更化算的，是把注意力放回如何更好地落地，是否能回答：誰能把神級的能力嵌入平庸的現實？誰能打通老舊系統？誰能搞定跨部門流程？誰能把 AI 的產出變成安全、可交付、可追責的商業價值？

對企業來說，未來的競爭也不只在模型參數上，更在誰能把「交付成果」變成一門工程學：把任務拆解、把規格寫清、把驗收標準化。很多公司以為自己在買「降本增效」的工具，實際上買的是一面鏡子。它能照出自己流程有多亂、權責有多模糊、合規有多靠運氣。輸出的量雖然變便宜了，但付出去的成本反而變高了。如果沒看見這個現實，就很容易把忙碌當成努力，把善後當成敬業。

到最後，真正能站穩的團隊，靠的是一套閉環，而非某一個爆款工具。人類負責決策把關與驗收，AI 負責高效執行與整理，兩者來回迭代，讓效率、風險與責任都可控。閉環建立起來，我們才算駕馭這股力量，否則很容易被它的產出量淹沒。這也是我們團隊目前專注的方向，正在為自己的團隊及客戶企業搭建這樣的智能協作系統，讓技術真正落地，讓工作回歸價值、讓企業提升競爭力。

職場與企業不必糾結 AI 有多強，把它當作有潛力但不懂規矩的超級實習生便是。教流程、給標準、驗成果。人機協作能否變成閉環，才是亂局裡的分水嶺。

建議下載收藏

參考資料：

Citrini Research. (2026). The 2028 global intelligence crisis [Report]. https://www.citriniresearch.com/p/2028gic

ForkLog. (2026). Anthropic CEO foresees imminent arrival of AGI and job reductions [News article]. https://forklog.com/en/anthropic-ceo-foresees-imminent-arrival-of-agi-and-job-reductions/

METR. (2025). Measuring the impact of early-2025 AI on experienced open-source developer productivity [Blog post]. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

YouTube. (2025). Dario Amodei: Anthropic CEO on Claude, AGI & the Future of AI & Humanity [Podcast]. https://youtu.be/ugvHCXCOmm4?si=qdtdV8yHDWkonudB

@張Sir的AI養生館 – 學習智人