那些用AI“快速交差”的人，正在毀掉職場

你收到一份二十幾頁的報告，標題完整、目錄清楚，裡面有市場趨勢、用戶分析和競爭對比，乍看之下非常專業。但負責執行的你仔細讀了不到十分鐘就發現不對勁：報告引用的數據找不到來源，競爭對手的功能其實根本不存在，所謂的用戶痛點只是一些放在哪個行業都能用的空話，而最重要的預算、時程和人力安排卻完全沒提到。會議上，寫報告的人說這只是初稿，細節還需要大家補充。這時你才明白，對方並不是完成了一份方案，而是用AI製造了更多任務要整個團隊一起收拾。 過去，我們判斷一項工作是否完成，標準很簡單：有沒有交出具體成果。但現在這個標準已經變了。有了AI，任何人都可以在十分鐘內生成一份結構完整的報告、一套措辭專業的提案，或是一份看起來資訊量很大的簡報。問題在於，看得起來完成了，不代表真的完成了。國外有一個詞叫「Workslop」，用來形容這種利用AI快速產出、表面完整，但缺乏事實查核和專業判斷的工作成果。這種「職場AI垃圾」最麻煩的地方不在於品質差，而是它會把工作成本轉移給別人。生成內容的人省了兩個小時，但接收內容的人卻要花四小時去核實資訊、理解意圖、修正錯誤。一個人的效率提高了，整個團隊的效率反而下降了。 舉例來說，有一家公司鼓勵員工使用AI，希望減少重複勞動。營運人員小林很快就找到了一套「提效方法」。每週五，他把後臺數據複製給AI，讓AI自動生成週報。報告寫得相當漂亮，連續幾週主管都沒有發現問題。直到有一次，公司準備根據週報增加投放預算，主管隨手檢查了一下原始數據，才發現所謂的「用戶活躍度提升」，只是因為統計口徑發生了變化。AI不知道口徑調整，也不知道當週有一次臨時活動，它只是根據表格中的數字生成了一套聽起來合理的解釋。主管不得不重新核對過去一個月的報表，逐項詢問數據來源。小林確實只花了十分鐘寫週報，但主管為了判斷這份報告能不能相信，花了一整個下午。AI節省了寫報告的人的時間，消耗的卻是讀報告的人的信任。 另一個例子發生在績效考核期間。產品經理阿敏收到一段很「正式」的評價，內容寫著：「建議進一步強化全局思維，提升跨部門協同效率，在複雜項目中增強目標感與結果導向。」每個詞她都認識，但合在一起完全不知道該怎麼改。到底是哪次協作出問題？什麼叫全局思維不足？下半年要做到什麼程度才算增強了結果導向？後來阿敏才發現，主管只是向AI輸入了幾個關鍵詞，讓它潤色成了一段績效反饋。主管省去了組織語言的時間，阿敏卻得花一個星期猜測主管到底在說什麼。真正有效的反饋，未必需要漂亮的辭藻，但一定要包含事實：發生了什麼事、造成了什麼影響、希望對方具體改變什麼。如果這些問題沒有答案，再專業的用詞都只是在把思考責任轉嫁給接收的人。 還有一個團隊，幾乎把AI用到了每一個環節。策劃人員用AI生成活動方案，專案經理用AI總結方案內容，開會時助理用AI整理會議紀錄，彙報前負責人又讓AI把紀錄擴寫成簡報。整個流程非常順暢，文件也越來越多。直到客戶在會議上問：「你們為什麼認為年輕用戶會喜歡這個功能？」會議室突然安靜了下來。方案上寫著「符合年輕用戶追求個性表達的趨勢」，簡報上寫著「精準回應新生代用戶需求」，但沒有人訪談過用戶，也沒有人看過相關數據。所有人都接觸過這個專案，卻沒有人真正研究過問題。最終，團隊擁有幾十頁的文件，卻沒有一個人能為其中的結論負責。 AI真正放大的是每個人的工作習慣。同樣使用AI，有些人會變得更強，有些人只會變得更會交差。差別不在於提示詞寫得好不好，而是在於是否把AI當成助手，還是當成代替自己負責的工具。認真工作的人會用AI整理資料、比較思路、檢查表達，然後親自核實事實、補充第一手資訊、判斷方案是否可行。習慣敷衍的人則會把AI生成的第一版直接提交，再留下一句「這只是初稿，大家可以一起完善」。 判斷一項工作有沒有價值，不能只看它完成得有多快、格式有多漂亮、用了多少AI工具。更應該看三個問題：它提供了新的事實嗎？它做出了明確的判斷嗎？有人願意為結果負責嗎？AI當然可以幫忙寫週報、整理會議紀錄、製作簡報、分析資料，甚至提出初步的架構。但它無法代替我們了解現場，無法代替我們判斷利弊，也無法代替我們承擔決策的後果。