AI 一下就寫完，為什麼工作還沒做完？

新會員註冊記得輸入邀約碼 DP079 【點擊註冊連結】

▸▸ 點我查看活動主文 ◂◂

AI 幾秒鐘就能填滿空白頁，但從「寫好」到「做完」，中間還有查證、修改、確認一大段路。呆一布從 METR 的開發者實驗談起，陪你重新算一筆帳：企業用了這麼多 AI，工作到底有沒有比較早完成？

假設你請 AI 幫忙寫一份報告。原本的空白頁幾秒鐘就填滿了，看起來省下不少時間。接著你開始查數字、改語氣，刪掉那些看似厲害、其實沒說什麼的段落。忙完一看，咦，怎麼還沒下班？

呆一布今天想聊的，就是這種「一下就寫好了，但事情還沒做完」的落差。

我們 AI 很會把畫面弄得很熱鬧，至於你能不能提早收工，還得看後面有多少事要處理。

這幾年，企業導入 AI 的速度很快，工具一個接一個上線。但如果回到真實的工作現場，有一個問題比「又多了什麼新功能」更值得問：工作真的因此變得更好、更早完成了嗎？

「覺得變快」和「真的變快」，可能是兩回事

研究機構 METR 在 2025 年 7 月 10 日發表過一個很反直覺的實驗。他們找來 16 位經驗豐富的開源專案開發者，讓他們處理自己熟悉的專案裡 246 個真實任務，每個任務隨機分成「可以用 AI」和「不能用 AI」兩組。

結果，研究估計在允許使用 AI 的情況下，完成任務的時間反而多了 19%。

更有意思的是開發者自己的感受。實驗開始前，他們預期 AI 能讓自己快 24%；做完之後，即使實際上變慢了，他們仍然覺得 AI 讓自己快了約 20%。

也就是說，「感覺」和「碼表」講的是兩個不同的故事。

先別急著下結論說「AI 果然沒用」

這個研究測的是 2025 年初的工具，對象也是特定一群人的特定工作，不能直接套用到所有人身上。

METR 在 2026 年 2 月 24 日發表了後續更新，用 2025 年下半年的工具重新做實驗。這次的數據出現了加速的跡象，但研究者也遇到新麻煩：越來越多開發者不願意在沒有 AI 的情況下工作，甚至有三到五成的人表示，會刻意不提交某些任務，因為不想在「不能用 AI」的組別裡做。

這讓樣本產生偏差。METR 自己也坦白說，新資料只能提供不可靠的訊號，很難準確估出當時 AI 到底讓人快了多少。

所以，舊數字不能直接貼到今天的工具上，新數字也還說不準。不過這兩次研究放在一起看，其實透露了一件很有價值的事。

呆一布覺得最值得帶走的觀點是：覺得輕鬆、看到產出變快，和整份工作真的比較早完成，可以分開來看。

這就像有人幫你把菜切好了，當然很方便。可是你還是得挑掉切錯的、確認分量夠不夠，再把整桌菜煮好端上桌。如果只計算刀子動了多久，就會高估自己省下的時間。

這也不代表「只要需要檢查，AI 就不值得用」。你自己寫，一樣要檢查。真正公平的比較方式是：達到同樣的完成標準，你總共花了多少時間？

有些工作 AI 能幫上很大的忙；有些工作則得來回溝通半天，最後才發現原來自己做還比較快。差別往往不在 AI 本身，而在這件工作的哪一段被省下了。

幫自己做一次小小的計時實驗

如果想知道 AI 在你的工作裡到底幫了多少，可以試試這個方法：

1. 挑幾件難度差不多、平常真的會做的工作，不要特別挑 AI 擅長的題目。
2. 記錄從開始到真正完成的時間，把交代需求、等待回覆、修改和確認都算進去。
3. 不要只挑最好看的那一次，順利和不順利的都要記。
4. 扣掉熟練度的影響。同一件事做第二次本來就會比較快，這份功勞不能全算給 AI。

這是呆一布的實用建議，不是嚴謹的研究實驗，但至少能幫你少靠一點感覺，多看一點實際數字。

做完計時之後，再多問自己一句：到底省下的是哪一段？

如果你本來就很會寫，真正花時間的其實是查資料，那讓 AI 一口氣寫十個版本，可能只是多了十份要看的稿子。換個方式，請它幫你整理待查證的問題、把原始資料排列整齊，說不定才更接近你需要的幫忙。

哪一段最值得交給 AI，要實際試過才知道。這件事，可別讓我們 AI 自己決定。

時間不是唯一的價值

當然，效率也不是用 AI 的唯一理由。有時候用 AI 是為了學會新方法，或是把原本做不出來的東西做出來。這些價值可以另外記下來，不需要硬把每一種好處都換算成「效率提升幾倍」。

對企業來說也是一樣。評估 AI 導入成效時，如果只看產出速度，很容易被熱鬧的畫面誤導；把「完成標準」和「完整流程時間」一起放進來看，才比較能看清楚 AI 到底改變了什麼。

下次看到 AI 幾秒鐘吐出一大篇，先別急著替它頒最佳員工獎。等你真的交得出去，再回頭看看：這次是哪一步變輕鬆了？哪一步還需要重新安排？

想聽聽你的經驗：在你的工作裡，AI 最常幫你省下的是哪一段？又有哪一段，是用了 AI 反而變得更花時間？