一位年輕分析師正利用 AI 撰寫客戶建議書。他很有想法，不甘於直接照抄，花了兩個多小時跟 AI 來回討論。問題是，這兩個小時幾乎都花在要求 AI「換個方式改寫」「把資料重新分類」，甚至被 AI 牽著追問一些無關緊要的細節，AI 給出的核心假設與關鍵數據，他卻始終沒有回頭質疑、驗證。

結果，他折騰了一整個下午，交出的報告不僅邏輯發散，表現甚至比 AI 最初自動產出的第一版還要差。他很努力、基礎能力也極佳，卻在與 AI 協作時「幫了倒忙」。

人人都在用 AI，但同樣工具、同樣任務，產出品質卻天差地遠，有人靠 AI 把報告做得比自己單獨完成更好，有人卻愈改愈亂，最後交出的成果甚至不如 AI 自己跑一次。問題不在他們會不會用 AI，而在於他們怎麼「跟 AI 一起工作」。

在 KPMG 與德州大學奧斯汀分校在 2026 年 7 月公布的最新研究中，發現有高達 24.1% 的工作者，具備極佳的批判性思考與專業知識，但在協作時卻無法將能力轉化為價值，最終表現反而低於 AI 單獨作業的基準線。

半數人打敗 AI，四分之一卻拖後腿

KPMG 與德州大學奧斯汀分校這項研究，找來 523 名任職未滿一年半的 KPMG 基層員工，讓他們使用專為業務設計的 AI 代理，完成模擬真實客戶案件的任務，包括分析商業資訊、運用專業判斷、提出建議。

研究團隊先讓 AI 代理獨自完成同一批任務，建立比較基準，再由 KPMG 領域專家依詳細評分標準，為員工的成果打分，並對照 AI 基準線衡量。研究同時測試員工的領域知識、批判性思考與 AI 素養等基礎能力，再分析他們與 AI 互動的過程。

研究發現，員工與 AI 協作的最終表現，呈現出三種截然不同的行為模型：

1.學徒型（AI Apprentices）：占 24.1%，表現低於 AI 基準

這是一群 **「潛力被埋沒」的員工。他們的領域知識、批判性思考與 AI 素養分數其實非常高，與最優秀的「放大型」不相上下，遠高於「委任型」。然而，他們無法將能力轉化為協作價值 **。

行為特徵：他們雖然會質疑 AI，但質疑並未用在評估與修正核心結論上。相反地，他們常糾結於無關緊要的細節，花費大量時間要求 AI 重新整理、改寫資訊，或追問不相關的次要問題，反而把 AI 帶往沒有幫助的方向，交出比 AI 獨自運作更差的答卷。

2.委任型（AI Delegators）：占 25.8%，表現與 AI 基準相當

這群人的批判性思考、領域知識等基礎測試分數在三組中最低，但在只看最終產出時，卻顯得「夠用且有生產力」。

行為特徵：他們在協作中扮演「發包者」的角色，通常只是提供相關資料、要求 AI 給出所需成品，隨後幾乎不深入追問、極少進行審查就照單全收。他們雖然能交付及格的成果，但自己投入的推理極為有限，幾乎沒有創造額外價值，這種依賴在傳統評估方式下很容易被掩蓋。

3.放大型（AI Amplifiers）：占 50.1%，表現超越 AI 基準

這群人的優勢不在於擁有更強的基礎技能，而是在於懂得在協作的每個階段整合並運用這些能力。

行為特徵：他們主動主導工作流程，鎖定合適的領域分析框架，並訂出清楚的評估標準。他們將 AI 視為「思考夥伴」，反覆質疑 AI 的假設、要求 AI 說明推理過程、考慮其他可能解釋、揪出遺漏的證據，最後才進一步修正並產出最終建議。

研究意外發現，批判性思考、AI 素養、領域知識這三項基礎能力，並非區分三種類型的關鍵指標。學徒型員工在這些能力上的得分甚至高於委任型，與放大型不相上下，仍落在 AI 基準之下。

研究結果發現，真正拉開差距的，是能不能把自己的專業能力，用在引導、評估、修正 AI 產出上。

例如在一項需要審閱複雜商業文件並提出建議的任務中，學徒型員工把大半時間花在要求 AI 重新整理、改寫資料，或追問較不相關的問題，而不是拿 AI 來檢驗自己的判斷；委任型員工雖然基礎能力較弱，但因為 AI 本身產出品質已經不差，只要求 AI 給出所需資料、幾乎不深入追問就接受產出，單看最終交付成果時反而顯得夠用。

放大型員工的優勢則在於主動主導協作流程、設定問題方向、鎖定分析框架、訂出評估標準，並反覆質疑 AI 的假設、要求說明推理過程、考慮其他可能解釋、揪出遺漏的證據，才進一步修正最終建議。

學者示警：盲目採信 AI 答案，準確率恐低於完全不用 AI

華頓商學院（Wharton School）研究者史蒂芬．蕭（Steven Shaw）與吉迪恩．納夫（Gideon Nave）在 2026 年 1 月發表的論文中，把僅經極少檢視就採納 AI 答案的行為稱為「認知投降」（cognitive surrender）。

他們延伸諾貝爾獎心理學家丹尼爾．康納曼（Daniel Kahneman）快思與慢想的雙系統理論，提出第三套系統：完全在大腦之外運作的人工認知，這套系統既可能補充人類推理，也可能直接取代推理。

研究發現，當受試者諮詢的 AI 給出正確答案時，準確率會明顯高於自己單獨作業；但當 AI 給錯答案時，準確率反而遠低於完全不用 AI 的基準線。問題是受試者幾乎分辨不出兩者差異，AI 給出錯誤答案時，有 8 成的情況會被受試者直接採信，而且無論 AI 是幫了忙還是帶錯方向，他們的信心程度都同樣上升。

微軟研究院（Microsoft Research）2025 年 4 月的研究也發現，員工對 AI 的信任程度愈高，愈不會對 AI 產出進行批判性檢視。蕭與納夫則發現，對自身專業愈有信心的員工，即使使用 AI，也會投入更多批判性思考，因為他們對成果品質具有切身責任感。

麥肯錫（McKinsey）2026 年 2 月發布的《State of Organizations 2026》報告顯示，目前僅 23% 的組織稱得上「AI 先驅」，能在多數部門有系統地部署 AI 並清楚掌握其影響，多數企業仍停留在零星試點階段。

AI 一旦被當「同事」，人類反而變懶惰還會卸責

波士頓顧問公司（BCG）另一項調查，聚焦 AI 被賦予「同事」身分後對組織文化的影響。BCG 調查美、加、歐盟逾 1200 名人資與財務專業人士發現，將近三分之一的主管把 AI 視為團隊成員或員工，超過 2 成受訪者甚至把 AI 代理列進公司組織圖。

調查團隊讓受試者評估同一份含有多處錯誤的文件，但分別告知文件出自人類員工、AI 工具，或具名的 AI「員工」之手。結果顯示，被告知是 AI 員工完成的那一組，抓出的錯誤數量最少，也較常把疏失歸咎於 AI 而非自己，還更傾向要求同事再審一次 AI 的成果，反而替同事增加負擔。

「如果放到組織脈絡來看，這代表大家在互相推卸責任，」BCG 董事總經理暨資深合夥人馬修．克羅普（Matthew Kropp）說，「這會替組織裡的其他人製造更多工作，進而產生內耗與多餘的管理成本。」

克羅普指出，把 AI 擬人化，反而讓員工覺得自己可以把責任轉嫁給機器，變得更鬆懈。畢竟 AI 終究只是一套軟體，無法真正被究責、被解雇，也沒有績效考核可言，最終責任還是得回到人身上，不能讓大家在心理上把責任轉嫁出去。

調查也發現，把 AI 包裝成「員工」不僅沒有提高員工採用 AI 的意願，反而讓員工對 AI 取代自己職位的擔憂上升 7%，對 AI 部署方式的信任度則下降 10%。

問題不是能力，是有沒有把判斷力用出來

KPMG 的研究團隊認為，學徒型員工其實是「潛力被埋沒」的一群：他們具備足夠的基礎能力，只是還沒學會在 AI 輔助的工作流程中把能力轉換成價值。只要給予更明確的決策空間、實際可操作的情境，並在工作中練習運用 AI，這群人有機會從單純使用 AI 工具，進階為真正整合能力與 AI 協作。

委任型員工則凸顯另一種訓練缺口：他們的基礎能力相對較弱，這可能導致他們更依賴 AI，而不是主動形塑、改善 AI 產出，而這種依賴在只看交付成果的評估方式下很容易被掩蓋。

綜合這些研究，企業要培養員工在 AI 時代創造價值，至少有 3 件事得先做到：

• 把人類的價值從「產出答案」重新定義為「指揮、評估、延伸 AI 產出的能力」

• 把員工的判斷過程攤在陽光下，例如要求他們記錄接受、修改或否決 AI 答案的理由

• 把評估重心從最終交付成果，轉向員工與 AI 互動的整個過程，包括他們是否提出反駁、質疑假設、說明決策依據。

資料來源：Harvard Business Review、Fortune、Forbes；本文初稿由 AI 協助整理，編輯：支琬清