開宗明義，這篇不是要唱衰生成式AI。無論是在大學課堂，或是在不同產業的企業內訓，從精密製造到金融服務，我都看到了一個共通的現象：當我們大力擁抱生成式AI作為提升生產力的解方時，「工作廢品」（Workslop）這樣的副產品，可能侵蝕團隊的效率、信任與專業標準。
這個現象的核心，是利用AI，將思考的責任「外包」給了您的同事、您的主管，以及您的客戶。這不僅是時間的浪費，更是對組織專業精神的腐蝕。
史丹佛大學揭示的「工作廢品」（Workslop）現象為了理解問題的全貌，我們必須先深入了解「工作廢品」的定義與其破壞性。這個概念由人力資源分析公司BetterUp Labs與史丹佛社群媒體實驗室（Stanford Social Media Lab）合作提出，可以在HBR找到《AI-Generated “Workslop” Is Destroying Productivity》這一篇研究報告。
研究團隊將「工作廢品」定義為：「一種由AI生成，偽裝成優質產出，卻缺乏實質內容以推進任務的工作成果」（AI-generated work content that masquerades as good work, but lacks the substance to meaningfully advance a given task） 。
AI讓產出「看起來很專業」的門檻大幅降低。然而，當使用者僅僅是草率地複製貼上，缺乏自身的背景知識、批判性思考與情境判斷時，這些產出就成了「工作廢品」。
那又如何？他們提出「工作廢品」最陰險之處在於，它看似完成了任務，實則巧妙地將真正的認知負擔，從「產出者」轉移到了「接收者」身上。當您收到一份由AI生成的、缺乏關鍵背景、未經思考的報告時，您不得不花費更多時間去解讀、修正，甚至重做。
史丹佛的研究透過數據，量化了「工作廢品」的隱性成本：
- 時間與金錢成本：研究顯示，員工平均需要花費1小時56分鐘來處理每一次收到的「工作廢品」 。對於一個萬人規模的組織而言，這相當於每年超過900萬美元的生產力損失。
- 情緒與人際成本：收到「工作廢品」的員工，有53%感到惱火，38%感到困惑，22%甚至覺得被冒犯。
- 協作信任的侵蝕：這或許是最高的代價。數據顯示，收到「工作廢品」後，近半數的員工認為寄件同事的創造力（54%）、能力（50%）與可靠性（49%）下降了。更有三分之一的接收者表示未來更不願意與這位同事合作。
這份研究清晰地指出，「工作廢品」並非無傷大雅的瑕疵，而是一種具備高度傳染性的組織毒素，正從根本上破壞企業的核心生產力。
從個人到團隊：辨識並根除「工作廢品」的DNA
史丹佛社群媒體實驗室這篇研究將AI使用者分為兩類：「乘客」與「飛行員」 。乘客傾向於用AI來「避免」工作，而飛行員則有目的地使用AI來「增強」自身的能力與創造力 。當團隊中「乘客」多於「飛行員」時，「工作廢品」的產出便會大規模增加。
這跟我過去一段期間的觀察一致，如果管理者不是「飛行員」而是「乘客」時，將會造成整體的無效率。我認為，要解決這個問題，必須從個人工作者與管理者兩個層面，建立新的作業紀律與協調機制。
個人工作者：建立「穩定」與「正確」的自我要求
「工作廢品」的本質，是一種對品質的不負責。作為一個專業工作者，我們必須自我檢視，確保產出符合兩個基本原則：「穩定」與「正確」。
▶ 「穩定」的追求：穩定產出水準一致、格式統一的內容。AI是達成此目標的絕佳工具，但前提是我們必須先建立標準。這需要管理者投入心力，拆解工作流程，建立並管理部門的Prompt指令庫與專屬知識庫，這是確保「穩定」的基石。 ▶ 「正確」的堅持：基於可信的資料來源與正確的分析框架。我在工作坊中一再強調，Human in the Loop不是口號，而是必須執行的驗證流程。
- 警語一：賦予私有資訊為種子。例如，在執行Deep Research時，為何要先給予我們自己的資料？因為這是在為AI的搜尋與分析設定「錨點」 。一份專業領域的術語清單或基本要求文件，能極佳地校正AI的搜尋方向，避免其產出過於泛化的結果。
- 警語二：交替驗證以校正AI的「研究計畫」。 我會要求學員同時使用不同模型進行研究。再以Deep Research為何，例如，Gemini擅長在初期提供一個結構化的「研究計畫」，列出它預計搜尋的面向與關鍵字；而ChatGPT則擅長透過反問來釐清用戶的真實意圖。透過交叉比對兩者的策略與產出，我們能更客觀地校正研究方向，避免單一模型的偏見。
- 警語三：匯出對話，記錄步驟。 我要求學員匯出整個對話歷程，因為這不僅是成果，更是「過程的證據」 。使用如
Chrome Web Store上免費的Gemini Exporter、ChatGPT Exporter等工具，可以完整保存你的提問邏輯、AI的回應，以及你如何修正、引導的軌跡。這才是 Human in the Loop 最寶貴的紀錄。 - 警語四：親自驗證每一行程式碼。 即便是AI呼叫Python進行統計分析，也必須親自跑過一次程式碼。AI連寫簡單的網頁都可能出錯，更何況是需要精確定義的統計模型？就像我會建議的，將程式碼複製出來，在自己的Python環境中實際運行一次，確保其可用性與正確性，這才是最保險的作法。
管理者：從「啦啦隊」轉變為「飛行員」，並開始「管理」AI
在《Reshuffle》一書中，作者Sangeet Paul Choudary指出，AI的真實衝擊並非取代任務，而是重構了整個工作系統。它帶來了全新的協調挑戰。當獲取專業知識的門檻大幅降低，管理的重心就必須從「知識的分配」轉向「風險的控制」與「新流程的建立」。管理者若僅扮演導入工具的「啦啦隊」，卻未能成為引導團隊的「飛行員」，組織將陷入混亂。
我常在課堂展示AI的各種「花式」應用，從生成圖像、文章、網頁到應用程式。這不是為了炫技，而是要讓管理者理解，這一切都源於AI強大的「模式辨識與生成」能力。如果主管自己從未下場操作，僅停留在概念理解，就極易被那些看似新奇、有趣的AI產出所迷惑，最終才發現收到的多是「工作廢品」。
我認為主管可以做的事：
▶ 主管的「降維打擊」：建立團隊的品質標竿 在最近一次的工作坊上，一位高階主管的課堂分享，完美詮釋了「飛行員」的角色。他不只完成了作業，更清晰地向團隊闡述他是「如何判斷」AI產出內容的好壞、他保留了什麼、修正了什麼，以及他最終決策的「理由」。這個動作的意義極為深遠：他親自示範了公司要求的品質標準，為團隊設立了清晰的依循準則。這正是所稱的「飛行員心態」（Pilot Mindset）：有目的地使用AI來增強自身的能力與創造力，而非「乘客心態」（Passenger Mindset）般地用AI來避免工作 。
▶ 將AI Agent視為需要管理的「數位員工」 當AI Agent已成為工作流程的「一份子」時，他的行為表現就必須被「考核」。目前多數企業是透過API或企業版使用外部模型。當這些AI公司推出新模型或微調舊模型時，您團隊中的「AI員工」表現可能不再如從前。過去穩定的產出，可能突然變得不穩定；過去正確的分析，可能出現新的偏差。對AI Agent的持續性績效評估，是確保流程「穩定」與「正確」的延伸，也是管理者的新職責。
▶ 持續追蹤新發展，而非僅為擺譜 管理者必須持續追蹤如混合式神經-符號人工智慧（Neuro-symbolic AI）、脈絡工程（Context Engineering）這些關乎AI Agent表現的新技術。這不是為了在聊天時擺譜，而是因為這些發展，正是決定生成式AI到底是帶來生產力提升，還是製造更多工作廢品的關鍵。
▨ 從組織層面：建構AI時代的協調機制與文化
僅有個人的自覺與管理者的投入還不夠，組織必須從文化與策略層面採取行動。
▶ 給資深同仁的真心話：別假裝AI不存在 組織內總有一些對新技術冷漠的資深同仁。然而，我必須一再強調，當所有人都已身處浪潮之中，您不能假裝這些工具不存在。真正的資深價值，在於利用AI活化自己的思維，將繁瑣的資料整理工作交給它，然後藉由省下的時間與心力，去展現那些AI無法取代的、人類獨有的判斷力、整合力與創造力。這是在新時代中，鞏固自身價值最重要的方式。
▶ 給領導階層的建議：如何正確地導入外部專業 當您尋求外部AI講師時，請不要只停留在「學習AI知識」。一個高效的合作始於管理者對內部流程的深刻理解。
- 盤點流程，定義問題：首先，公司內部必須梳理出工作流程中那些「高摩擦力與高價值」，以及「高摩擦力與低價值」的任務。
- 帶著問題尋求解答：與外部講師溝通時，清晰地提出這些痛點，探討AI與自動化流程能在其中扮演什麼角色。
- 展現管理品質：這種事前對焦，本身就是一種管理品質的展現。它將導入AI從一場「技術講座」，轉變為一次「策略性生產力優化」。
而我們這些來自學界的教師，最大的價值便在於此：從管理思維與經營邏輯，來帶領AI的應用，而不只是談論Prompting的技巧。在AI帶來的新約束條件下，協助企業發現協調的關鍵點，妥善應用工具，這才是驅動生產力躍升的核心。
結論：看見人的價值，讓AI成為真正的放大器
「工作廢品」的出現，反映了一個核心問題：我們太急於讓AI「替代」我們的工作，卻忽略了它作為「放大器」的真正潛力。
作為管理者，您的挑戰不僅是導入一項新技術，更是引領一場工作思維、管理機制與組織文化的變革。您必須親身成為AI的「飛行員」，為團隊設定航向與標準。唯有透過嚴謹的自我要求、清晰的管理機制，以及對「人」的判斷與洞察價值的絕對堅持，我們才能確保AI真正為組織賦能，而不是讓我們淹沒在更多、更精美的「廢品」之中。
