我的高中同學張小姐，目前在電信業擔任資深經營管理師，主要從事客戶數據分析。
生成式 AI 進入工作後，她很快感受到效率上的差異。
原本工作中需要整理資料、分析數據，再製作管理會議使用的簡報；導入 AI 後，資料整理、部分資訊整合與簡報製作的速度確實加快。
AI 提效是真的。
但接下來出現了一個值得注意的變化。
原本主要準備一份的簡報，後來因為不同會議與管理層級的需求，一度需要準備三個版本。
這裡不能簡單說：
「一份變三份，所以工作量增加三倍。」
三份簡報可能共用資料，AI 也確實降低了部分製作成本。
真正需要停下來思考的，是公司浮現的一套管理邏輯：
公司既然推動 AI，而且 AI 可以提高效率，那麼相同時間內，產出是不是也應該跟著增加？
張小姐觀察到，她的主管本身也承受來自更高管理層類似的提效期待。
因此這不是「某個主管想塞更多工作」這麼簡單，而是一個更普遍的管理問題：
AI 省下來的時間，最後由誰決定怎麼使用？
AI 提效確實有效，但省時間只是第一步
先承認一件事：
生成式 AI 的確可以提高某些知識工作的效率。
Noy 與 Zhang 在 453 名專業工作者的實驗中發現，使用 ChatGPT 完成特定寫作任務，平均完成時間下降約 40%，成果品質提高約 18%。
Brynjolfsson、Li 與 Raymond 對 5,172 名客服人員的研究則發現，生成式 AI 輔助使每小時解決問題數平均提高約 15%，而經驗較少、原本績效較低的工作者獲益尤其明顯。
所以問題不是「AI 到底有沒有用」。
真正需要分清楚的是幾個很容易被混在一起的概念：
- 任務時間縮短：同一件事情做得更快。
- 生產力提高：單位時間創造更多有效成果。
- 產能增加：理論上可以承擔更多工作。
- 工作量增加：組織實際分派更多任務。
- 產出增加：最後真的交付更多成果。
它們彼此相關，但不是同一件事。
而這篇文章真正要追問的是：
為什麼「某些任務完成速度變快了」，有時會被進一步判斷成「一個人應該做更多」？
單項任務變快，不代表整體流程同步變快
以客戶數據分析為例，一份簡報只是最後看得到的交付物。
在它之前，可能還有：
資料整理 → 數據分析 → 判讀異常與趨勢 → 決定重點 → 形成管理資訊 → 製作簡報 → 確認 → 修改 → 支援決策
AI 可以讓其中某些環節快很多。
但不代表整條工作鏈都按相同比例縮短。
Dell’Acqua 等人把 AI 這種不規則的能力邊界稱為：
jagged technological frontier——鋸齒狀技術前沿
研究顯示，在 AI 能力邊界內的任務，使用 AI 的工作者往往能做得更快、更好；但在刻意設於能力邊界之外的任務上，AI 協助甚至可能使表現變差。
這裡還可以借用電腦科學中的 **Amdahl’s law（阿姆達爾定律）**來理解。
阿姆達爾原本討論的是：
一個系統只有部分環節能被加速時，整體改善會受到其他沒有加速部分的限制。
這不是知識工作的實證定律，而是一個很好用的類比。
假設完成一份分析簡報原本需要 100 單位時間，其中排版占 20。
AI 把排版時間縮短一半：
排版：20 → 10
其他環節：仍然是 80
總時間：100 → 90
局部環節快了兩倍，整體時間卻只減少 10%。
所以：
AI 把排版、摘要或資料整理做快，不代表分析、判斷、確認、協調與責任也等比例消失。
這正是：
「任務級提效」不能直接換算成「人的產能」的原因。
瓶頸沒有消失，它可能只是移動了
AI 還可能帶來另一個結果：
它解決一個瓶頸，卻把瓶頸推到工作流程的下一站。
以前做一份分析報告，大量時間可能花在整理資料、組織文字與製作簡報。
現在這些事情變快了。
原本一天只能整理出一份初稿，現在可能很快就出現三份。
但新的問題隨之而來：
- 三份數據是否一致？
- 分析有沒有忽略重要情境？
- 哪些異常真的值得管理層關注？
- 不同會議究竟需要哪些資訊？
- 誰來核對內容？
- 最後誰對判斷負責？
生成成本下降，不代表驗證、審核、協調與決策成本也同步下降。
於是，上游「做不出來」的問題被 AI 解決，下游：
「看不完、確認不完、決定不完」
反而可能成為新的瓶頸。
這也解釋了為什麼「一份變三份」既不能直接說成工作量增加三倍，也不能因為 AI 生成得快，就認為多兩份幾乎沒有成本。
AI 不只是在替工作加速。
它也可能重新安排整條工作流程裡，時間究竟花在哪裡。
「可以多做」，為何變成「應該做到」？
更重要的是：
AI 省下來的時間並不必然被新的工作填滿。
Dillon 等人進行了一項涵蓋 66 家企業、7,137 名知識工作者、為期六個月的隨機實地實驗。
員工被隨機分派是否取得生成式 AI 工具的存取權；處置組中約八成實際使用工具。
研究後半段，這些實際使用者每週花在 email 上的時間減少約兩小時，也減少了正常工時之外的工作；研究同時沒有偵測到個人層級提供 AI 對任務數量或組成造成顯著改變。
至少這項研究告訴我們：
「AI 省多少，工作就自動塞回多少」並不是自然定律。
差異出現在下一步：
組織怎麼處理 AI 創造出來的新增容量。
我把這個過程分成三層：
- 技術事件：AI 讓部分工作變快。
- 管理事件：新增容量被轉成更多成果要求。
- 制度事件：更多成果逐漸成為新的正常標準。
我把這種「技術可能性逐漸變成工作基準」的過程稱為：
期待重設
想像一個很普通的過程。
第一週，AI 幫你省下兩小時。
第二週，多了一個主管會議版本。
第三週，再增加一個跨部門版本。
幾個月後，沒有人再討論以前只有一份。
三份已經變成新的正常。
最值得注意的地方就在這裡：
昨天的「現在可以做到」，慢慢變成明天的「這本來就應該做到」。
這時，AI 提效才可能進一步走向 work intensification——工作強化／工作密集化。
AI 提效後，多做不是問題，關鍵是 4 個判準
因此真正的問題並不是：
AI 之後，到底應該做一份還是三份？
如果三份簡報都具有真正的管理價值，總工時沒有增加，而且新增工作取代了其他低價值任務，那麼增加產出很可能就是正常的生產力提升。
比較好的判斷方式，是檢查四件事。
1｜AI 究竟省掉哪一段？
不要只說：
「AI 提效 30%。」
拆開看。
究竟是：
資料整理、搜尋、摘要、排版，還是分析、判斷與確認？
先知道哪裡真的變快，才知道增加了多少有效容量。
2｜新工作是替代，還是疊加？
如果 AI 刪掉低價值的 A，讓工作者把時間用來做更重要的 B，這是工作重設。
但如果：
A 照做，再加 B、C、D
就是另一件事。
3｜新產出真的有價值嗎？
AI 讓產出變便宜後，很容易出現一種新的誘惑：
「反正現在很容易做，那就再做一份。」
但：
多一份報告，不等於多一份價值。
判斷標準應該是：
它有沒有改善決策、判斷或後續行動？
4｜工作者還有沒有配置新增容量的空間？
公司當然有權期待技術進步轉化成成果。
但如果每一分鐘被 AI 省下來的時間，都預先被視為：
「還可以加作的容量」
工作者的自主性便可能逐漸下降。
因此更合理的管理順序應該是：
提升工作效率 → 辨識新的瓶頸 → 重設工作流程 → 再決定合理產出
而不是：
工具幫你提升效率 → 直接提高個人產能要求
AI 提效後，真正需要管理的是效率紅利
張小姐的案例之所以值得討論，不是因為「一份簡報變三份」有多特殊。
恰恰相反。
它太普通了。
AI 成功把某些工作變快之後，我們很自然會開始問：
既然這麼快，為什麼不再多做一份？
第一次看，完全合理。
但當這個邏輯一再發生，真正需要注意的就不是某一項新任務，而是：
「合理工作量」的基準是否正在鬆動。
所以 AI 時代真正需要討論的，不只是：
人還有哪些事情 AI 做不到？
還有另一個層面：
AI 做到更多之後，人應該因此再多做多少？
這個答案不只取決於 AI 有多強。
它取決於我們能不能分清楚：
- 提升工作效率
- 整體產能
- 實際工作量
- 真正有價值的產出
AI 提效創造的是效率紅利。
真正影響工作掌控感的，是這份紅利最後如何被分配。