系統做了校對，判斷由誰負責？新人不敢拍板，主管看不過來，最後往往只好降低要求
協作者：張Sir與AI
這半年，張Sir寫計劃書的方式變了。以前由同事起草，他來審稿；現在他自己用 AI 起草，自己把關，只把最後一輪文字校對交給下屬。這樣快了不少，但也有顧慮，全部交出去，怕來回修改反而更慢。一位做軟件開發的朋友也說，他們公司幾位高管很多年沒寫過代碼，最近又用 AI 寫起來；產品的 mockup 和 demo，以前交給設計師和產品經理做，現在自己動手，更快，也更貼近自己想要的效果。
換個身份，同事的想法便不一樣。做得快，老闆看在眼裡，新任務就接著來，所以即使 AI 幾分鐘就生成好初稿，交付時間還是會拉長一點，一來留時間校對，二來不想被加派工作。張Sir team平日就常見到這種情況，其他職場研究也看到類似的壓力。
加州大學柏克萊分校哈斯商學院的 Aruna Ranganathan 與 Xingqi Maggie Ye 歷時八個月考察一家約有 200 名員工的美國科技公司，發現員工使用 AI 後工作節奏加快，承擔的任務範圍擴大，工作延伸到午飯、晚上甚至清晨，而且這些額外工作往往不是公司明確要求。另一組大規模數據也看到工作節奏出現變化，ActivTrak 分析 2023 至 2025 年間 1,111 家機構、163,638 名員工的逾 4.43 億小時匿名化工作紀錄，看到 AI 用戶群的平均每日專注時間下降 9%，即約 23 分鐘，不用 AI 的群組幾乎沒有變化。
以前下屬起草、上司審稿，現在上司用 AI 起草兼把關，下屬反而只負責最後的校對。速度提高了，誰負責判斷卻沒有因此變得清楚。
兩次出錯，其實都可以用系統防住
張Sir team曾經遇過兩次出錯。第一次，同事交來一份項目介紹文案，讀起來很順，但其中一個數據來源查無此文，還提到一個團隊從未做過的項目，是 AI 編造出來的，同事沒有查就提交了。第二次，張Sir寫好計劃書，請同事用團隊做的背景知識庫 skill（把常用指令和資料包在一起、可以重複調用的工具）核查。同事很快回覆說沒問題，後來才發現他用的是去年的舊版本，那時公司的定位口號還沒有更換。
回頭看，這兩次都屬於查得出來的錯。數據來源存不存在、引用的是不是最新版本、查的是哪一天的資料，這些都可以交給系統處理。企業知識庫或本地知識庫做好版本管理，AI 核查時自動調用最新版本，並記下查了甚麼、哪一天查的，同樣的錯就很難再發生。校對這一層，大部分可以交給系統來處理。
新人不敢判斷，主管忙不過來
系統可以管得到有沒有查，但管不到判斷得好不好。一份計劃書的方向對不對、哪個數字應該放在前面、哪句話對客戶說得太肯定，這些要有人拍板，也要有人負責。
新人一般不敢拍板，怕判斷錯了要承擔責任，也常覺得自己能力未夠。主管對自己的判斷有信心，但每一份都要自己看，時間很快就不夠用，張Sir自己也試過看到心力交瘁。結果往往是大家一起讓步，新人把 AI 的版本原樣交上去，主管看不過來，只好降低要求，覺得大致沒問題就放行。
時間一緊，人就容易放棄深想
張Sir年初在《AI 寫計劃書：速度很誘人，陷阱也很溫柔》裡把這種情況叫做認知放棄（cognitive surrender），意思是人太依賴 AI，就不再深想、不再追問，也不再審核。當時只是觀察，今年有了實驗數據。
賓夕法尼亞大學沃頓商學院的 Steven Shaw 與 Gideon Nave 今年發表的三項預先註冊的推理實驗，共有 1,372 人參加。在第一項、未加入答對獎勵和即時回饋的實驗中，受試者自行決定是否向 AI 求助。在實際向 AI 求助而 AI 答錯的情況下，近八成最終答案仍跟著 AI 出錯。整體來看，AI 給錯答案的題目，答對率只有 31.5%，比完全不用 AI 的 45.8% 更低，但使用 AI 的一組自評信心反而更高。第二項實驗把每題作答時間限為 30 秒，整體答對率下降。這顯示時間一緊，判斷也跟著變差了。
微軟研究院和卡內基梅隆大學的團隊調查 319 名知識工作者提供的 936 個工作案例，也看到類似情況。受訪者越相信 AI 能做好手上的任務，便越少深入思考。在自由文字回答中，44 人說工作太趕，沒有時間仔細思考；另有 11 人覺得，檢查和判斷不是自己的職責。這兩個原因，正好對應主管和新人的處境，主管是沒有時間，新人是覺得判斷輪不到自己。放棄不只發生在一個人腦裡，整個團隊也可能一起放棄。
新人沒機會學判斷，主管越來越累
長期這樣，兩頭都要付代價。主管的工作只增不減，別人不敢做的判斷，最後也回到他手上。
新人那邊，以前靠起草學判斷，寫錯了由上司改，改多了就懂；現在起草交給 AI 和上司，新人只剩校對。《柳葉刀胃腸病學與肝臟病學》（The Lancet Gastroenterology & Hepatology）刊出的一項四中心回溯性內窺鏡研究，比較醫院引入 AI 前後各三個月的無 AI 輔助檢查，發現醫生的腺瘤檢出率由 28.4% 降至 22.4%。研究者把這種現象視為去技能化（deskilling）風險。張Sir認為辦公室也有相同風險，新人不做判斷，判斷力就練不起來，幾年後誰來接班，會是一個問題。
年輕人的就業數據也出現另一個警號。史丹福大學數碼經濟實驗室根據美國薪資紀錄發現，在最受 AI 影響的職業中，22 至 25 歲年輕人的就業增長明顯落後。若按同齡人在較少受 AI 影響職業的走勢推算，到 2026 年 6 月，他們的就業人數少了約 19%，較有經驗的員工則沒有出現同樣差距。雖然這組數據在學界仍有爭議，但走勢應該留意。
團隊現在怎樣做
張Sir年初在《AI 為何讓職場更忙？》結尾提過，團隊正在搭建一套智能協作系統。半年後，這套系統已經在團隊內部和一些合作機構的日常工作裡用起來，並按兩個框架運作。日常工作用 LECA，由聽取信號（Listen）、與人互動（Engage）、生成內容（Create）到採取行動（Act），這個框架出自張Sir與研究團隊今年四月發表的智慧政務閉環研究報告，原本用於履行政務合約的內部工作，現在用到一般工作上。
另一套是 GVA 流程，也是張Sir team設計的內部框架。每一份要交出去的東西，先生成（Generate），再核查（Verify），最後由指定的人審核才行動（Act）。核查分兩層處理，查得出來的部分交給系統，知識庫自動調用最新版本，查了甚麼、哪一天查的，系統自動記錄，第二次那種錯就較難再出現；要判斷的部分留給人，並且事先講清楚由誰負責。
判斷怎樣分工，團隊也做了調整。一是新人用 AI 起草時，要附上自己的判斷紀錄，寫明哪些接受、哪些改了、為甚麼改，上司看判斷站不站得住，字句可以放寬。判斷紀錄經上司確認，新人即使判斷有偏差，也不用一個人負全責，就比較敢下判斷。二是輪流把關，由新人做第一輪判斷，上司抽查，新人有練習的機會，上司也不用每份從頭看起。這些做法單靠自覺很難維持，機構需要一個大家都能用的 AI 協作平台，把起草、判斷紀錄、核查和審核放在同一條流程裡，按 LECA 和 GVA 搭建的系統，就是為這個用途而建。
主管和同事各自可以做的事
主管交出工作之前，先想清楚交給下屬的是校對還是判斷。校對可盡量交給系統；判斷若交出去，就要講明哪部分由下屬決定、判斷有偏差時怎樣處理。下屬交稿前，可以試著不看 AI 的輸出，說出每個數字從哪裡來；有機會就主動做判斷，把理由寫下來，不要只做校對。
AI 幾分鐘就交出初稿，校對也可以交給系統，但判斷和責任，還是要由人來承擔。
後記：這篇文章怎樣寫成
這篇是上一篇《知道要小心 AI，卻不知道小心甚麼》的職場版，同樣由張Sir和 AI 協作完成。骨架來自張Sir，兩次核查出事的經歷、老闆求快和同事想慢的觀察、他自己和朋友公司高管角色的轉變，都是他親身所見。AI 負責找資料、起草和改寫。這篇在張Sir心裡醞釀了頗長時間，啟動協作後，初稿十幾分鐘就出來，之後斷斷續續用了幾天來回修正，前後三十多輪。
其實初稿的問題也不少。AI 起初找到一份數字很吸引的期刊研究，查下去才發現論文已在今年八月被撤回，最後沒有用。來自 ActivTrak 的數據，AI 先用了《華爾街日報》轉述的版本，後來追到公司自己發布的報告。史丹福那組年輕人就業數據，也換成今年八月的更新版。以讀者身份通讀時，AI 又發現自己把 SHRM 一組職位與信任的數字讀反了，全文由此重構，主線變成上司自己用 AI 起草、下屬只做校對。
寫到後段，張Sir的想法又往前走了一步。他指出，校對和查證可以由系統控制和記錄，難管的是判斷，新人不敢判斷，主管判斷不過來，最後大家降低要求。文章的重點於是由認知心理，轉到判斷和責任怎樣分配。
定稿前，張Sir和另一個 AI 模型一起，逐項回到原始來源核對。內窺鏡研究原來刊於《柳葉刀》的子刊，期刊名稱因此更正，並補上檢出率的具體變化；沃頓實驗的數字，分清了屬於哪一項實驗、在甚麼條件下量得；史丹福的就業數據，寫清楚是跟誰比較。SHRM 那組數字，公開摘要找不到，完整報告要會員權限，最後不再引用。一些不當修改，也由張Sir逐項裁定後定稿。
張Sir年初在張Sir的AI養生館寫過幾篇相關文章，他要求這篇要看得出思想有延續，但不能炒冷飯。舊文已經講透的內容，這次都沒有再寫一遍，只在需要的地方加上鏈接。
@張Sir的AI養生館 – 學習智人
參考資料
ActivTrak Productivity Lab. (2026, March 11). ActivTrak Productivity Lab analyzes 443M hours of work activity, revealing AI is accelerating work, not replacing it (Press release).
Budzyń, K., Romańczyk, M., Kitala, D., Kołodziej, P., Bugajski, M., Adami, H. O., … Mori, Y. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: A multicentre, observational study. The Lancet Gastroenterology & Hepatology, 10(10), 896–903.
Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems.
Ranganathan, A., & Ye, X. M. (2026, February 9). AI doesn't reduce work—it intensifies it. Harvard Business Review.
Shaw, S. D., & Nave, G. (2026). Thinking—fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender (Working paper). The Wharton School, University of Pennsylvania.
Stanford Digital Economy Lab. (2026, August). No widespread displacement, but the AI employment gap for young workers has widened to 19%.
張Sir.（2026年2月25日）。AI 寫計劃書：速度很誘人，陷阱也很溫柔。張Sir的AI養生館。
張Sir.（2026年3月3日）。AI 為何讓職場更忙？從幻覺、落地摩擦到可控工作流。張Sir的AI養生館。
澳門互聯網研究學會.（2026年4月）。從數據感知到智能決策：構建基於本地化AI的「智慧政務」閉環體系研究。世界互聯網大會智庫合作計劃成果。
