AI 高手最強的技能是知道什麼時候不要用 AI

本文整理自 Work AI Institute 於 2026 年 6 月發布的《Work AI Index: Global》報告。

---

用得少才用得好

Work AI Institute 的《Work AI Index: Global》報告裡有一張圖表，初看之下會以為資料放反了。表現最好的那 13% 的組織，員工花在 AI 工具「裡面」的時間比例是 27%。表現沒有改善、甚至變差的組織呢？49%。快要一半的 AI 時間都花在工具裡面，成效卻最差。

這份調查涵蓋美英澳 6,000 名數位工作者，把同時認為 AI 提升了生產力和工作品質的人定義為「AI 高成就者」，然後拿他們跟其他人做比較。差距最大的不是 prompt 技巧或工具數量，而是一個聽起來非常低科技的能力：知道什麼時候不要用 AI。89% 的 AI 高成就者有信心做這個判斷，低成就者只有 68%。但只有 33% 的工作者覺得自己「非常有信心」知道什麼時候該關掉工具。報告的研究團隊說，這種判斷力很少來自訓練課程，它是被壞經驗教出來的，被那些看起來完美、交出去才發現全是錯的 AI 輸出教出來的。你不會在教學影片裡學到這種事，你是在收拾了夠多次殘局之後，下次看到 AI 給你一個太漂亮的答案，本能地多停了三秒鐘。

AI 高成就者花在核心任務上的 AI 時間比例也低於其他人，38% 對 48%。他們不是不用 AI，而是把 AI 用在周邊的事情上：設定脈絡、定義品質標準、整合不同來源的產出。把最核心、最需要專業判斷的部分留給自己。同時，他們花在有生產性的 botsitting（prompt 優化、脈絡補充、品質把關）上的比例更高，40% 對 33%。表面上看，他們在「幫 AI 善後」上花的時間更多。但差別在於那些時間是主動投入、有方向性的，不是被動的收拾爛攤子。

把 AI 當隊友，但不當員工

報告發現 AI 高成就者跟其他人對 AI 的「關係定義」截然不同。75% 的高成就者信任 AI 作為隊友，低成就者只有 32%，差距將近四倍。64% 的高成就者覺得跟 AI 合作比跟人類同事合作更容易，理由不是 AI 比較聰明，而是 AI 永遠有空、不會在你改了十遍之後翻臉、也從來不會把一封三行信就能講完的事情排成一場會議。

研究團隊引用了語言學家喬治．萊考夫（George Lakoff）的框架理論來解釋這個差距。你怎麼稱呼 AI，會改變你怎麼對待它。叫它「工具」，關係就是交易型的：用了不好就丟。叫它「隊友」，你會多給它一次機會，重寫 prompt、補脈絡、換模型、跟它來回討論。報告的資料印證了這一點：把 AI 視為工具的人，遇到不好的輸出後放棄的機率比把 AI 視為隊友的人高 26%。高成就者遇到 AI 輸出不理想的時候，72% 會補更多脈絡再試一次，只有 12% 會直接放棄自己做。

但報告也在這裡劃了一條很清楚的紅線。把 AI 當隊友跟把 AI 當員工是兩回事。波士頓顧問公司的一項隨機實驗發現，當 AI 被框架為「員工」而不是「工具」，工作者對它的產出會覺得「不是我的責任」，審閱也更馬虎。有些組織已經把 AI agent 放上組織圖、分配職銜、計入人頭。報告對此相當警覺：隊友的框架激發協作，員工的框架鼓勵推卸。

最強的擴散路徑不是主管命令

關於 AI 怎麼在組織裡擴散，報告提出了一個出乎意料的發現。一般人以為推 AI 要從上往下，CEO 在全員會議上宣布策略，主管在 KPI 裡放使用率指標，然後等底下的人跟上。報告的資料說，這是最弱的路徑。

一個人的 AI 採用受到三種影響：主管在用，採用機率增加 2.4 倍。直屬同事在用，3.2 倍。跨部門的同事在用，5.6 倍。跨部門同事的影響力是主管的兩倍以上。為什麼？因為跨部門的人最了解工作流程裡那些最痛苦的協調成本：瓶頸、穀倉、重工、漏接的交接。當他們建了一個 AI 工作流或 agent，它是為真實的混亂而設計的，不是為了某個理想化的教學範例。行銷人員需要分析師還沒拉出的資料，工程師需要 PM 還沒寫完的規格，跨部門的 AI 使用者已經在用 AI 處理這些灰色地帶了。他們的做法能擴散，是因為它在真實的工作環境裡活得下去。

報告的建議是把這些跨部門的 AI 使用者找出來，給他們優先測試新工具的機會，收集他們的回饋，然後投資能跨部門運作的 AI 工具。如果你的工程師和行銷人員沒辦法在同一個工具裡建 AI 工作流，你大概正在餵養當初希望 AI 能解決的那個協調稅。

管理者的角色也在重新定義。高成就者的管理者把差不多比例的時間花在協調上（11% 對 9%），但把 32% 的協調工作委派給 AI。74% 的高成就者說 AI 在日常工作上幫他們比主管還多。這聽起來像壞消息，報告卻認為恰好相反：最好的主管不跟 AI 比誰更會寫狀態報告，他們把那些事交給 AI，把省下的時間拿去做原本就該做的事，教練、培養、激勵團隊。好主管的下屬有 62% 最近跟主管談過 AI 技能重塑，壞主管或一般主管的下屬只有 30%。

13% 的轉型組織做對了什麼

個人層面的差異很重要，但報告最核心的主張是：真正的槓桿在組織層面。那 13% 的「轉型組織」不是因為買了更好的工具，而是因為建了不同的管理基礎建設。

第一，他們衡量品質，不只衡量速度。只追蹤生產力的組織，74% 的員工承認 botshitting（交出自己不完全理解或沒有好好檢查的 AI 產出）。同時追蹤品質的，降到 64%。報告引用了一個大型科技公司工程師的自白：他會刻意問 AI 那些文件裡已經有答案的問題，純粹為了衝高 token 使用量的 KPI。「我知道文件查得到，但那樣 token 數字就不好看了。」這就是古德哈特定律的最新案例：你衡量什麼，員工就生產什麼。衡量 token 消耗量，你就得到 token 消耗量。至於那些 token 有沒有產出任何有用的東西，變成別人的問題。轉型組織平均用五個維度評估 AI 成效（品質、產出量、時間節省、員工技能、員工敬業度），其他組織平均只有三個。

第二，他們讓治理成為活的制度。93% 的轉型組織定期檢視 AI 政策，其他組織只有 55%。他們不只是把政策放在內部網站上然後期望有人會讀。他們解釋政策的原因、在有人違反時執行、定義誰有權限建和部署 AI agent。沒有這條線，你就會得到 agent 蔓延，三個不同的團隊各自建了三個做一樣事情的 bot，其中兩個跑在公司從沒核准的資料上，沒人記得是誰批准的。治理的回報不只是合規，更是信心。轉型組織的員工信任公司 AI 策略的比例是 93%，其他組織只有 57%。而對 AI 策略有信心的員工，主動找工作的機率低 28%。

第三，他們從工作出發選工具，不從廠商合約出發。報告引用了五十年前詹姆斯．馬奇（James March）的「垃圾桶模型」：在真實的組織裡，解決方案常常比問題先到。公司是 Microsoft 生態系就加 Copilot，是 Google 生態系就加 Gemini，工具先決定了，再回頭找問題。轉型組織反過來做，先盤點員工卡在哪裡做低價值的苦工、客戶在哪裡反覆受挫、交接在哪裡掉球，然後才選工具。他們的員工覺得既有廠商合約限制了 AI 策略的比例明顯更低（33% 對 49%），覺得 AI 導入過程是跟廠商協作而非單方面接受的比例幾乎翻倍（78% 對 44%）。

第四，他們讓 AI 取用企業脈絡，不只是企業資料。這是報告裡數據落差最驚人的部分。在「脈絡豐富」的 AI 環境中（員工說工作所需的重要資訊可以透過 AI 工具取得），員工覺得被 AI 耗盡的比例是 18%，脈絡貧乏的環境是 50%。交出自己無法解釋的 AI 產出的比例，脈絡豐富是 26%，脈絡貧乏是 54%。使用未經公司批准的工具的比例，脈絡豐富是 21%，脈絡貧乏是 53%。幾乎每一項指標都是兩倍以上的差距。企業脈絡不是原始資料，而是那一層介於資料和可用答案之間的東西：哪個檔案才是最終版、儀表板上的異常數字是真的還是已知的 bug、營運團隊在官方流程壞掉時一直在用的那個變通方案。

第五，他們投資人而不只是投資工具。90% 的轉型組織員工說公司提供了足夠的 AI 訓練和支持，其他組織只有 52%。84% 說公司正式獎勵 AI 技能，其他組織只有 48%。90% 說公司把 AI 當作重新設計工作的機會，而不是從更少的人身上榨出更多產出的藉口。其他組織只有 54% 的員工這麼認為。在因為 AI 而裁員的組織裡，留下來的員工中 62% 正在找新工作，94% 承認至少一種 botshitting 行為。裁員省下的人事成本，正在以品質崩壞和人才流失的形式回來。

我的觀察

這篇報告的解方部分讓我想起一個在臺灣很常見的場景：公司買了五六套 AI 工具，辦了三場午餐學習會，做了一份內部簡報，然後就宣稱「AI 轉型完成」。接下來的 KPI 是每個月有多少人登入、用了多少次。沒有人問品質怎麼樣，也沒有人追蹤員工花了多少時間在幫 AI 收拾殘局。

報告裡最讓我停下來想的數據是那個 5.6 倍。跨部門同事的 AI 採用影響力是主管的兩倍以上。這跟我的觀察完全吻合。你在公司內部真正開始認真用 AI，通常不是因為老闆說要用，而是因為你看到隔壁部門的某個人用 AI 做了一件讓你很驚訝的事情，解決了一個你也有但從來沒想過可以自動化的問題。那種來自真實痛點的示範效果，遠比任何由上而下的政策宣導都強。

但「知道什麼時候不要用 AI」這件事，可能是報告裡最難被組織制度化的洞見。你沒辦法寫一份清單列出「以下場景請勿使用 AI」，因為那個判斷是高度情境化的。報告自己也說，這種判斷力是被壞經驗教出來的。組織能做的可能只有一件事：讓員工安全地犯錯和坦白。如果說「這件事我用 AI 做反而更慢」會被當成抗拒創新，那你永遠不會知道 AI 在哪些地方真的不管用，而那些地方的 botsitting 就會持續累積，直到有人受不了離職。