你每週花 6.4 小時幫 AI 善後：一份報告拆解了「AI 生產力」的隱形帳單

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

---

三個場景，一個共同問題

晚上 11 點，初階軟體工程師 Robin 把一千行 AI 生成的程式碼塞進 pull request，然後去睡了。隔天早上，整個建置壞掉。一位已經在趕自己死線的資深工程師花了半個上午拆解那堆團隊裡沒人能解釋的程式碼，包括 Robin 自己。Robin 是 41% 「交出過自己無法解釋的 AI 輔助成果」的工作者之一。

星期二下午，行銷人員 Evelyn 把同一個 prompt 丟進三個不同的 AI 工具。第一個產出的東西不對味，第二個也不行，第三個其實也不怎麼樣，但死線是下午四點，「夠用就好」。Evelyn 是 60% 「因為第一個工具輸出不夠好，把同一個 prompt 在多個工具裡重跑」的工作者之一。星期五下午快五點，財務分析師 Michael 把上季數字餵給 AI 助手，掃了一眼摘要就寄給財務長。星期一的季度檢討會上，三個數字對不上原始報表。Michael 怪工具，但他根本沒打開過原始檔案。

這三個場景來自 Work AI Institute 的《Work AI Index: Global》報告，它們不是極端案例，而是 2026 年職場 AI 的日常縮影。報告調查了美英澳 6,000 名數位工作者，給這些場景背後的隱形勞動取了一個名字：botsitting。

Botsitting 解剖學：那 6.4 小時到底在做什麼

Botsitting 的定義是「讓 AI 變得可用所需的一切勞動」：餵它脈絡、監督它的輸出、幫它除錯、收拾它在下游搞出的爛攤子。工作者每週花在 AI 相關活動的時間裡，37% 用在 botsitting，36% 是真正用 AI 完成工作，27% 花在學習和建 agent。你花在幫 AI 善後的時間，比你用 AI 做事的時間還多。

拆開這 6.4 小時來看，最吃時間的是「餵脈絡」，每週 2.3 小時，佔 AI 總時間的 14%。這不是簡單的複製貼上。你得告訴 AI 哪個版本才是最終版、公司內部某個縮寫在這個部門到底是什麼意思、兩週前有一筆修正數字但系統還沒更新。研究團隊提到一個叫「脈絡腐爛」（context rot）的現象：你塞愈多資訊給 AI，它的輸出品質反而愈差。這聽起來不合理，但對經常使用 AI 的人來說並不陌生。當 context window 裡堆滿了各種背景資料，模型反而更容易迷失在細節裡，給出似是而非的答案。

「監督輸出」花掉每週 2.2 小時，佔 AI 總時間的 13%。問題在於 AI 的輸出永遠信心滿滿、格式漂亮。它不會用紅字標出「這段我不確定」，不會在可疑的地方加問號。你必須自己判斷哪些內容需要二次查核，而這件事的難度隨著使用量上升而急遽增長。報告指出超過三分之一（36%）的 AI 工作階段徹底失敗，需要完全重來或大幅修改。三分之一的機率代表每三次用 AI，就有一次要收拾殘局。

最折磨人的是「除錯」，每週 1.7 小時，佔 AI 總時間的 10%。它的時間佔比不是最高，但對精神的消耗最大。報告算了一個「疲勞乘數」：每多花 10% 的時間在除錯上，工作者感到被 AI 耗盡的機率增加 40%。相比之下，餵脈絡的疲勞乘數是 1.2 倍，監督輸出是 1.1 倍。除錯之所以這麼累，是因為它需要你扮演偵探：不只要找出錯在哪裡，還得弄懂 AI 為什麼會犯這個錯，然後決定該換 prompt、加脈絡、換模型，還是乾脆自己動手做。

工具蔓延與 AI 切換稅

Botsitting 的帳單之所以這麼高，除了 AI 本身的能力限制之外，還有一個結構性因素：工具太多了。

報告分析了 Glean 平台的使用資料，發現幾乎沒有人只用一個 AI 工具。以 Claude 使用者為例，只有 0.5% 的人只用 Claude，平均每個 Claude 使用者同時在用另外四個 AI 工具。整體來看，77% 的 AI 使用者每週在多個工具之間切換，33% 用四個以上。每一次切換，脈絡就斷一次。你變成了不同 AI 系統之間的人肉整合層，把一個工具的產出搬進另一個工具，然後用人類語言幫它們翻譯彼此的脈絡。

報告稱這種累積性消耗為「AI 切換稅」（AI toggle tax）：在不同 AI 工具之間切換所付出的時間、注意力和心理耐力的總成本。使用多個 AI 工具的人，經常 botsitting 的機率比只用單一工具的人高 35%。重度 AI 使用者（AI 佔工作時間 50% 以上）經常 botsitting 的比例是輕度使用者的兩倍以上（74% vs. 35%）。60% 的人承認會把同一個 prompt 丟到好幾個工具裡重複執行，因為第一個工具的輸出太空泛、太脫離脈絡，或者就是錯的。

API 和 MCP（Model Context Protocol）這類標準不是為了解決工具互通的問題嗎？報告的回答是：它們解決了連接性的問題，但沒有解決脈絡的問題。讓工具可以共享資料，跟讓工具理解你的組織如何運作，是完全不同的兩件事。MCP 可以幫你從公司系統拉出所有 Q3 數字，但它不知道哪個版本是最終版、Q3 到底是 2025 還是 2026、財務部門兩週前重算過那批數字。所以人就成了那一層缺失的脈絡引擎，不停地在工具和工具之間搬運那些機器看不到的隱性知識。

惡性循環：六步墮落

Botsitting 不只是一個效率問題，它是一條通往更大麻煩的滑坡。報告把 botsitting 和 botshitting 之間的惡性循環拆成六個步驟。

第一步，組織導入 AI。不一定是因為 AI 能解決真實的問題，很多時候只是因為「導入 AI」本身就是一種面向董事會的表演，在被問「公司的 AI 策略是什麼」的時候有東西可以指。第二步，botsitting 上升，工作者開始吸收讓 AI 可用的隱形勞動。第三步，疲勞累積。每天都在判斷「這個輸出是天才之作還是胡說八道」的人，終究會耗盡耐心和注意力。第四步，botshitting 出現。精疲力竭的人開始抄捷徑，「夠用就好」的門檻一降再降。第五步，未經驗證的產出往下游移動，落到一個沒有參與生產、不了解脈絡、卻得負責收拾的人手上。第六步，下游的爛攤子製造更多返工，組織的回應往往是導入更多 AI 來解決 AI 造成的問題，循環在更高的速度和更高的風險下重新開始。

數字印證了這個循環。覺得自己被 AI 耗盡的工作者，花在 botsitting 上的時間比例更高（43% vs. 34%），承認 botshitting 的比例幾乎翻倍（95% vs. 55%）。這不是兩個獨立的問題，是同一條河流的上游和下游。上游的 botsitting 耗盡了人的耐性和判斷力，下游的 botshitting 就是那個判斷力崩塌之後的自然結果。

疲勞、倦怠、然後走人

報告反覆出現的一個主題是：botsitting 的代價不只是時間，更是人。

經常 botsitting 的人，正在積極找新工作的機率比其他人高 73%。承認至少一項 botshitting 行為的人更誇張，找工作的機率是其他人的 3.8 倍。在因為 AI 而裁員的組織裡，留下來的員工中有 62% 正在看新機會，94% 承認至少一種 botshitting 行為。裁員不只是讓被裁的人離開，也讓留下來的人加速崩壞。他們肩上的工作量更重了，對 AI 的依賴更深了，而審核的時間和心力卻更少了。

報告引用了一段 Reddit 上的留言，出自一個用 AI 大幅提升產出的員工：「我的主管以為我是超級巨星，我工作日的大部分時間現在都花在假裝忙碌。我最近還拿到了本月最佳員工獎，同事都稱讚我驚人的生產力。他們不知道的是⋯」這不是一個職場勵志故事。這是一個系統正在失靈的訊號：當 AI 讓個人產出速度和組織消化能力之間出現巨大落差，人會開始演戲。不是出於惡意，而是出於自保。你做太快會被塞更多工作，說實話會被覺得抗拒創新。最理性的選擇反而是隱藏效率，表演忙碌。

我的觀察

讀完這份報告的 botsitting 篇章，我最大的感受是：我們終於有了數字來描述那個很多人心裡知道、但說不出口的感覺。

用 AI 工作的人大概都有過這種經驗：你花了二十分鐘調整 prompt，又花十分鐘驗證輸出，最後發現自己動手做大概只要十五分鐘。但你不敢對老闆說「我覺得這件事不用 AI 比較快」，因為公司正在推 AI 轉型，「不用 AI」聽起來像抗拒進步。所以你繼續用，繼續 botsitting，繼續在心裡默默計算那個「AI 真的幫了多少」的帳。

報告裡的「AI 切換稅」特別能引起共鳴。臺灣的狀況可能比報告調查的三個英語國家更嚴重，因為很多公司同時導入了好幾套 AI 工具，每一套各自解決一小塊問題，但沒有任何一套能真正理解你的業務脈絡。員工變成了工具之間的翻譯官，把這邊的產出搬到那邊，再手動補上兩邊都不知道的公司內部知識。這不是 AI 轉型，這是用人力成本偽裝的技術升級。報告的結論殘酷但誠實：如果你不追蹤 botsitting，你就不會知道 AI 省下的時間去了哪裡。答案是：回到了同一個工作者的肩膀上，只是換了一種他們沒辦法在工時表上填報的形式。