我們問了 81,000 個人：「你希望 AI 幫你做什麼？」

前言

讀者們，如果有人問你「你希望 AI 幫你做什麼？」，你會怎麼回答？

大概多數人會先想到「提升工作效率」：自動分類郵件、撰寫報告初稿、整理資料。我自己也是。但上週看到 Anthropic 公開的研究結果時，我愣了一下。他們向 81,000 個人提了同樣的問題，起初得到的答案大同小異——「專業卓越」以 18.8% 位居第一。但 AI 訪談者又往前追了一步：「那如果這實現了，你想做什麼？」答案在這裡開始改變。

涵蓋 159 個國家、70 種語言，是史上規模最大的多語言質性研究¹。今天我們來聊聊這項研究揭示的三個發現，以及它本身所承載的方法論意義。

表面答案與真實答案之間

先從數字來看研究結果。這是對 「如果 AI 能像魔杖一樣為你做任何事，你最想要什麼？」這個問題的回應。

• 專業卓越 — 18.8%（例行工作交給 AI，策略思考留給自己）
• 個人成長 — 13.7%（導師、教練、情緒支持）
• 生活管理 — 13.5%（日程、專注力、認知負荷管理）
• 時間自由 — 11.1%（為家人、興趣、休息爭取時間）
• 財務獨立 — 9.7%（創造收入、經濟穩定）
• 社會變革 — 9.4%（解決疾病、貧困、氣候問題）
• 創業 — 8.7%（以一人企業獲得團隊級能力）
• 學習與成長 — 8.4%（客製化教育、滿足求知慾）
• 創作表達 — 5.6%（打破想像與實現之間的壁壘）

第一名是生產力，不意外吧？但真正有趣的，是第二個問題之後發生的事。Anthropic Interviewer² 沒有停在「你想要什麼？」，而是接著問：「這個願望背後的真正渴望是什麼？」於是，那些把生產力排在第一位的人，答案開始改變了。一位哥倫比亞的辦公室受訪者這樣說——多虧 AI 讓工作處理得更有效率，上週二她沒有加班趕工，而是和媽媽一起做飯。一位日本自由接案者說，希望減少花在客戶問題上的腦力，好讓自己能多讀點書。

從 GTM 策略的角度來看，這是典型的 「表面需求與深層需求的落差」。問客戶「你需要什麼？」，他們會說功能。但追問三輪「為什麼需要？」，就會浮現完全不同的渴望。AI 企業把「生產力提升 30%」當作行銷口號，但使用者真正想用那 30% 的時間，是和家人一起吃頓晚餐。

從整體回應的結構來看，約三分之一的人希望用 AI 創造生活的餘裕——時間、金錢、認知上的空間。約四分之一的人想從事更有意義的工作（不是逃避工作，而是提升工作的品質）。約五分之一的人想成為更好的人——學習、療癒、成長。剩下的人則想創造什麼（創作）或改變世界（社會變革）。

一個人心中的光與影

這項研究中我最在意的發現是：希望與焦慮不是分屬不同陣營，而是在同一個人心中共存。研究團隊將此稱為 “光與影（Light and Shade）“，五種核心張力反覆出現。

學習 ↔ 認知退化。33% 的受訪者提到了 AI 的學習效果。 同時，17% 的人擔心過度依賴 AI 會喪失獨立思考的能力。一位韓國受訪者這樣說——用 AI 給的答案拿到了好成績，但其實什麼都沒學到，那一刻她感到最深的自責。有趣的是教育者群體。教師和學者表示親眼目睹認知退化的比例是平均值的 2.5 到 3 倍。大概是在學生身上看到了這種變化吧。

決策品質提升 ↔ 可靠性問題。 這是五種張力中唯一負面面向壓過正面面向的項目。22% 的人表示多虧 AI 做出了更好的判斷，但 37% 的人認為 AI 不穩定的可靠性反而妨礙了好的決策。 兩邊都植根於親身經歷——提到益處的受訪者中 88%、提到損害的受訪者中 79% 都是實際經歷過的事。尤其在法律、金融、醫療等高風險行業，這種張力幾乎是平均值的兩倍。律師群體中近一半的人表示親身經歷過可靠性問題，同時他們也是報告決策益處最多的群體。一邊倚賴 AI 的判斷，一邊被那個判斷灼傷。

時間節省 ↔ 幻覺式生產力。一半的受訪者（50%）提到了節省時間的效果。 這是最常被提到的益處。但 18% 的人反而說，因為期望值被拉高，自己變得更忙了。一位法國自由接案開發者的話令人印象深刻——「工作與休息的比例完全沒有改變，只是為了留在原地，必須跑得更快而已。」這就是紅皇后效應³的 AI 版本。

情緒支持 ↔ 情緒依賴。雖然比例不大（16% 對 12%），但這是糾纏最緊密的一種張力。表示從 AI 獲得情緒支持的受訪者，同時擔心自己會情緒上依賴 AI 的機率高三倍。一位美國研究生這樣坦承——有些連伴侶都說不出口的事，她會告訴 Claude，感覺就像情感上的出軌。

經濟賦能 ↔ 經濟替代。28% 的人提到了 AI 帶來的經濟機會，18% 的人則擔心工作被取代。 其中，自由接案創作者群體處於最極端的位置。表示感受到實質經濟益處的比例（23%）與表示經歷實質威脅的比例（17%）幾乎持平。AI 同時是工具，也是競爭者。

擔憂項目的整體排名也很有意義。可靠性問題（26.7%）位居第一。幻覺⁴、不準確的引用、驗證所付出的代價。其次是就業與經濟（22.3%）、自主性與主體性（21.9%）、認知退化（16.3%）。就業與經濟方面的擔憂，是預測人們對 AI 整體態度最強的變數。也就是說，這個問題比任何其他議題都更左右著人們對 AI 的情感溫度。

方法論本身也是一個發現

老實說，我對研究方法本身的關注不亞於研究結果。

這項研究中，AI（Claude）扮演了訪談者的角色。它提出預設的基本問題，但會根據受訪者的回答適配性地生成追問。收集到的回答也由基於 Claude 的分類器進行多維度編碼。 維度包括「人們想要什麼」、「是否已經體驗過」、「擔心什麼」、「職業是什麼」、「對 AI 的整體態度」等。

與現有質性研究的最大規模相比，意義更加鮮明。USC Shoah Foundation 的猶太人大屠殺證言檔案庫約有 52,000 則，是 1994 年到 1999 年間花了五年時間收集的。世界銀行的「貧困者的聲音」專案涵蓋 60 個國家約 60,000 人，也是貫穿 1990 年代上半葉的長期專案。Anthropic 這次的研究在 1 週內收集了 80,508 人、159 個國家、70 種語言的資料。

質性研究傳統上存在深度與規模之間的取捨。要做深度訪談就只能針對少數人，要做大規模就只能退而求其次做選擇題式的問卷調查。AI 訪談者展示了打破這個取捨的可能性。

當然，限制也很明確。第一，樣本偏差。這些人已經是 Claude 的活躍使用者，是覺得 AI 有足夠價值才持續使用的人。 第二，問題順序偏差。訪談先問了正面願景，後問擔憂。這個順序可能影響了回答。第三，更根本的問題是，AI 在生成問題和分類回答的過程中引入了哪些偏差，需要單獨的驗證。比如分類器遺漏的語氣、因文化脈絡不同而產生的解讀差異等。

即便如此，這個方法論向社會科學提出了嚴肅的提問。傳統研究中，人類編碼者的一致性（inter-rater reliability）也不完美。如果出現將 AI 分類器一致性與人類編碼者進行比較的 research，可能會得出相當有趣的結果。

奧茲的視角

這項研究有趣的地方有兩個。 第一，AI 產業的行銷訊息與使用者的真實需求之間存在相當大的落差。 AI 企業把「生產力」、「效率」、「自動化」擺在前面。確實，人們一開始也會說自己想要這些。 但剝開一層之後，浮現的是「去學校接孩子的時間」、「和媽媽一起做飯的餘裕」。個人認為，這是產品功能（feature）與客戶成果（outcome）不同的典型案例。「生產力提升 30%」是功能。「週二晚上和媽媽一起做飯」才是成果。AI 企業要真正邁向下一步，承諾的應該是成果，而不是功能。

第二，值得注意的是他們在承認偏差的同時仍然進行了研究。Anthropic 主動指出了這項研究的限制：僅針對 Claude 使用者，存在樣本偏差，問題順序也可能產生影響。但他們沒有因此就放棄，而是公開限制後繼續推進。 在數據分析中，最危險的是「聲稱沒有偏差」。我認為，坦承存在偏差的同時呈現結果，才是更誠實的研究態度。

還有一點——這項研究中引用了幾位韓國受訪者的聲音，每一句都令人印象深刻。一位說「人類從來沒有處理過比自己更聰明的東西」的軟體工程師，一位坦承用 AI 的答案拿到了好成績但什麼都沒學到的學生。我認為這是一個訊號：在技術接受度很高的韓國社會，對技術的反思深度也在同步提升。

結語

第一，人們對 AI 的期待不是「更快的業務」，而是「更好的生活」。 生產力是手段，不是目的。第二，希望與焦慮不是分屬不同陣營，而是在同一個人心中同時運作。 最善用 AI 的人，也是最深切擔憂 AI 的人。第三，利用 AI 訪談者的大規模質性研究，有潛力成為社會科學的新工具。 限制是明確的，可能性也是明確的。

這項研究的原文已搭配互動式數據視覺化公開。可以按地區、擔憂類型、願景類型進行篩選，直接閱讀個別回答。如果有時間，建議先看看 Quote Wall。那裡有數字無法呈現的紋理。

覺得有幫助嗎？分享給更多人

複製連結XLinkedInThreadsKakaoTalk네이버 밴드

參考資料 & 延伸閱讀

• Saffron Huang et al., “What 81,000 People Want from AI”, Anthropic, 2026.：包含互動式視覺化和 Quote Wall 的完整研究結果。建議多讀個別回答，而不只是看數字。
• Anthropic, “What 81,000 People Want from AI — Appendix”, 2026.：包含方法論、限制與額外分析的附錄。對研究方法論感興趣的話，務必閱讀。
• Kunal Handa et al., “Introducing Anthropic Interviewer: What 1,250 Professionals Told Us About Working with AI”, Anthropic Research, 2025.：本次 81,000 人研究的前身。首次以 1,250 位專業人士為對象驗證 AI 訪談者方法論的研究。
• Deepa Narayan et al., Voices of the Poor: Can Anyone Hear Us?, World Bank, 2000.：世界銀行收集的 60 個國家 60,000 名貧困人口聲音的質性研究。是本次研究作為比較基準的「現有最大規模質性研究」之一。

---

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. 質性研究（Qualitative Research）：與以數值量化的量化研究不同，質性研究是深入探索人們的經驗、觀點與情感的研究方法。如果問卷調查是在數「是/否」，質性研究就是在追問「你為什麼這樣想？」 ↩

2. Anthropic Interviewer：Anthropic 開發的 AI 訪談工具。Claude 提出預先設計的問題，但會根據受訪者的回答適配性地生成追問。是一種同時追求傳統質性研究深度與問卷調查規模的方法論。 ↩

3. 紅皇后效應（Red Queen Effect）：源自路易斯・卡羅爾《愛麗絲鏡中奇遇》中紅皇后所說的「要留在原地，就必須不斷奔跑」。用來描述即使技術進步，期望值也隨之提高，主觀感受到的餘裕卻沒有改變的現象。 ↩

4. 幻覺（Hallucination）：AI 自信地生成看似合理但實際不正確資訊的現象。例如引用不存在的論文，或將錯誤的數值呈現得好像很精確一樣。 ↩