商業第 2 期

AI 不會減少工作量的結構性原因——160 年前的煤炭與 2025 年提示詞的共通點

效率越高反而越忙的悖論，正在你的書桌上上演

安光涉（Oswarld）· INLEVEL9 作者與編輯

AI 不會減少工作量的結構性原因——160 年前的煤炭與 2025 年提示詞的共通點

前言

各位讀者，我想問一個問題。開始將 AI 用於工作之後，你真的更早下班了嗎？

我自己也相當積極地使用 AI。寫文章、做調研、整理各種事務都有用到。單項任務確實變快了，以前要花一個小時的事，現在 15 分鐘就能搞定。但奇怪的是，下班時間一點都沒變，甚至感覺更晚了。

我以為只有自己這樣，結果今年 2 月《哈佛商業評論》（HBR）上發表的一項研究，正面回答了這個疑問。加州大學柏克萊分校哈斯商學院的 Aruna Ranganathan 副教授與 Xingchi Maggie Ye 博士班研究生，追蹤觀察了美國一家科技公司 8 個月的數據。結論令人不寒而慄——最熱衷使用 AI 的人，反而最先陷入倦怠。

今天我想結合這項研究與 160 年前的經濟學理論，聊聊 AI 為什麼讓我們更忙，以及我們該如何從中脫身。

160 年前的煤炭告訴我們的事

要理解這件事，得先回到 1865 年的英國。

當時經濟學家威廉・史丹利・傑文斯（William Stanley Jevons）發現了一個有趣的現象。詹姆斯・瓦特的蒸氣機大幅提升了煤炭效率，照常理來說，煤炭消費應該減少才對——同樣的量能做更多的事嘛。但結果恰恰相反。效率提升讓煤炭使用成本下降，成本下降讓人們蓋更多工廠、跑更多火車、開發更多新用途。煤炭消費反而暴增了。

這就是「傑文斯悖論」1。簡單來說，就像把高速公路拓寬了，以為車會變少，結果更多車湧進來，又堵了。LED 照明普及後照明用量反而增加、網際網路讓溝通更高效卻讓通訊總量爆發，都是同一個道理。

而這個 160 年前的悖論，現在又開始運作了。2025 年 1 月 DeepSeek 事件爆發時，微軟執行長薩提亞・納德拉在社群媒體上寫道：「傑文斯悖論又開始運作了！AI 越高效、越普及，使用量就會飆升。」只是煤炭換成了 AI，結構完全一樣。

但我想特別指出的是，納德拉所說的「使用量」不只是 API 呼叫次數之類的數字。AI 使用量暴增，意味著我們做的事的量和密度也在同步暴增。加州大學柏克萊分校的研究恰好捕捉到了這一點。

追蹤 8 個月的「AI 重度使用者」日常

先來看看這項研究的設計。2025 年 4 月到 12 月，研究團隊每週兩天直接進入一家約 200 人的美國科技公司。他們追蹤了內部 Slack 等通訊工具的使用，並跨工程、產品、設計、調研、營運等多個職群，進行了 40 場以上的深度訪談。

重要的是，這家公司並沒有強制要求員工使用 AI。他們只提供企業版訂閱，想用就用。但即便如此，研究團隊發現的模式非常明確：員工們正在更快、更多樣、更高密度地工作，而且沒有人要求他們這樣做。

研究團隊將這種現象稱為「工作強化（Work Intensification）」2。不是工作「時間」變長了，而是工作「密度」變高了。同樣工作 8 小時，但體感疲勞度相當於 12 小時。而這種強化以三種具體形式呈現。

三種強化模式：因為做得到、因為停不下來、因為要管理

第一，工作範圍自發性地擴大。

PM 開始用 AI 寫程式碼。設計師做數據分析，調研人員做工程工作。以前需要請其他團隊或外包的事，現在借助 AI 直接自己做了。研究團隊認為這是 AI 提供的「認知增強」效應——以前跨不過去的知識鴻溝被 AI 填補了，於是產生了「我好像也能做到？」的感覺。

問題是這會連鎖擴散。PM 用 AI 寫的程式碼誰來審查？工程師。但不是正式的工單請求，而是透過 Slack 訊息、直接走到座位旁非正式地請對方看看。所謂「Vibe Coding」3——只給 AI 大方向、憑感覺修正——的產出，最終由真正的工程師來兜底。一個人的能力變寬了，整個團隊的工作總量反而增加了，這就是悖論所在。

第二，工作與生活的界線崩塌了。

AI 的對話式介面極大地降低了開始工作的摩擦。以前要做事，得開啟程式、設定環境、找資料，這些準備過程其實起到了自然的「煞車」作用。

但 AI 只需要一句提示詞。午餐時間「問一下這個就好」、開會時「確認一下這個就好」、下班前「最後處理一下這個」。研究中頻繁觀察到下班前「最後一句提示詞」變成習慣的模式。對 AI 像聊天一樣發送提示詞，在自己感覺中不是「工作」而是「對話」。所以界線感變鈍了。其中一位參與者這樣說：回頭看，休息時發提示詞成了習慣，休息時間不再帶來恢復感了。

如果說智慧型手機創造了「永遠在線的狀態」，那 AI 正在創造「永遠在工作的狀態」。手機時代只是看看郵件、回個訊息，AI 時代一句提示詞就能推進實際工作。

第三，需要管理的「未完成任務」不斷累積。

人們開始把 AI 視為「夥伴」，同時推進多項任務。手動寫程式的同時讓 AI 生成替代方案，背景跑著另一個 AI 代理，連以前拖延的任務也重新啟動。結果就是無止境的情境切換4。

研究參與工程師的一句話切中要害：用 AI 變高效了，以為能省時間、少工作，結果實際上做了同樣多甚至更多的事。感覺生產力提升了，但並沒有感覺更輕鬆。AI 不是變成了「祕書」，而是變成了一個不斷交出產出的新人，而你成了這個新人的主管。

自我強化循環：6 個月後的陷阱

這三者不是獨立運作的，它們構成了一個循環結構。

AI 加速了特定任務 → 對速度的期望值提高 → AI 依賴度增加 → 工作範圍擴大 → 工作密度和數量同時增加 → 為了處理更多工作又更依賴 AI。研究團隊將這稱為「自我強化循環」。

一開始是興奮地做更多。「多虧了 AI，我居然能做到這些！」但 6 個月後，這些就成了常態。工作量在不經意間逐漸增加的「Workload Creep」5現象。自己都沒察覺到，工作已經變成了「預設值」。而且因為這是自發發生的，所以更可怕。不是公司要求的，所以組織和個人都不會意識到這是過載。

這不只是加州大學柏克萊分校研究的發現。其他大規模調查也指向同一方向。

Upwork Research Institute 2024 年對美國、英國、澳洲、加拿大 2,500 人的調查顯示，77% 使用 AI 的員工表示工作量反而增加了。DHR Global 的 2026 人力趨勢報告中，83% 的上班族經歷過倦怠，其中 48% 將過重的工作量列為原因。METR 2025 年的實驗研究則發現，熟練開發者使用 AI 工具時，實際作業時間反而多了 19%，但自己卻覺得快了 20%。「生產力錯覺」被實測驗證了。

有一點需要說明。加州大學柏克萊分校的研究是針對 200 人規模的單一科技公司觀察，直接推廣到所有產業需要謹慎。研究團隊也坦言這仍是進行中的研究，尚未正式發表於學術期刊，目前處於 HBR 投稿階段。但 Upwork、DHR Global、METR 等獨立大規模調查全部指向同一方向，說明這個模式具有相當高的普遍性。

而韓國呢？老實說，情況可能更嚴重。在 OECD 國家中工作時數名列前茅，「努力工作」被視為美德的組織文化根深蒂固。AI 給人「還能做更多」的感覺，當這種感覺遇上韓國的勞動文化，很容易形成自發性加量的結構。

我的視角

老實說，這項研究結果並不讓我驚訝。反而有一種「終於有人把它量化了」的感覺。在制定 GTM 策略的過程中，我見過無數次這樣的模式：新工具導入後，第一個問題總是「用這個還能多做什麼？」，「用這個可以少做什麼？」往往最後才出現，而且大多數時候根本不會出現。AI 也是一樣。

我特別擔心的是「生產力錯覺」。METR 研究中開發者實際慢了 19% 卻覺得快了 20%。這不是個人層面的誤判，而是可能扭曲整個組織決策的結構性問題。如果領導者用「體感」來衡量 AI 導入效果，即使團隊實際已處於過載狀態，也可能得出「運作良好」的結論。

到目前為止，AI 導入的討論大多集中在「怎麼用更好」上。提示詞工程、工具選擇、工作流程設計——這些都是必要的討論。但這項研究指出，有一個被忽略的問題：「什麼時候該停下來。」

結語

今天談話的核心有三點。AI 不會減少工作，而是強化工作——速度、範圍、密度全部提升。這種強化是自發發生的，所以組織和個人都難以察覺過載。因此，不能只靠個人意志，而需要在組織層面設計 AI 使用規範（AI Practice）6。

研究團隊提出的 AI Practice 包含三個面向：在重要決策前刻意停下來（Intentional Pauses）、將 AI 通知批次處理並保護專注時間（Sequencing）、在 AI 獨立任務之間保留人與人之間的對話（Human Grounding）。這不是個人習慣的問題，而是組織需要系統化建構的機制。

這週不妨做一個小實驗。在一天中劃出一段不發送提示詞的時間。不管是午餐時間還是下班前 30 分鐘。在那段時間裡感受到的——是焦慮還是解脫——本身就是一種診斷。

📎 參考資料 & 延伸閱讀

作者 安光涉（Oswarld） 現任世宗大學兼任教授，INLEVEL9 策略顧問。職涯經歷、研究、著作與近期活動會持續更新在作者介紹。 最新動態 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

  1. 傑文斯悖論（Jevons Paradox）：資源使用效率提升後，消費量不減反增的現象。就像把高速公路拓寬了，以為車會變少，結果更多車湧進來一樣。 ↩

  2. 工作強化（Work Intensification）：不是工作時間增加，而是工作「密度」提升的現象。同樣 8 小時，但體感疲勞度相當於 12 小時。 ↩

  3. Vibe Coding：只給 AI 大方向讓其生成程式碼，然後憑感覺判斷並修正的編碼方式。在不完全理解的情況下依賴 AI 的輸出。 ↩

  4. 情境切換（Context Switching）：在不同任務之間來回切換注意力。認知心理學研究顯示，每次切換後恢復專注平均需要 23 分鐘。 ↩

  5. Workload Creep：工作量在不經意間逐漸增加的現象。自己都沒察覺到，工作已經變成了「預設值」。 ↩

  6. AI Practice：加州大學柏克萊分校研究團隊提出的概念，指組織層面關於 AI 何時使用、如何使用、何時停止的規範與例行程序。核心不是個人自律，而是系統化設計。 ↩

延伸閱讀

第 1 期社會

沒有發表一篇論文就拿到博士的工程師，學位的意義正在改變

AI 時代，證明專業能力的方式本身正在改變