麻省理工學院（MIT, Massachusetts Institute of Technology）在 2026 年 8 月發布一份報告，核心宗旨是要回答：「當 AI 已經能寫出大學生交的幾乎所有作業，學校到底還要教什麼？」

這份報告的起點，是 2026 年 1 月由 MIT 校務長梅麗莎．諾伯斯（Melissa Nobles）、教務長跟教師代表一起成立的特別委員會。委員會找來大學生、研究生、每個學院的教授，還有圖書館跟教學發展單位的人一起參與，歷經 5 個月，做了全校性的問卷調查，辦了多場師生座談，也跑了一輪校內負責學術誠信、資訊科技的單位問意見。

結論大致上可歸納成幾件事，包含教學和評量方式需要重新設計，不能再假設學生交出來的作業一定是自己獨立完成；AI 使用政策不該全校套用同一套規則，而要依課程性質分層設計；學校需要投入資源，持續培訓老師和學生怎麼正確使用 AI，而不是只靠一紙禁令等等。

而 MIT 校長莎莉．孔布魯斯（Sally Kornbluth）在一封公開信裡，更把這件事定調為學校辦學模式的分水嶺時刻。外媒也評論，這或許是全球教育現場都必須正視的一個轉折點。

這份報告談的雖然是大學教育，但它真正處理的問題，其實是每個要跟 AI 共事的人都會遇到的：AI 到底是讓人變強，還是讓人變弱？對主管來說，這也是帶團隊時繞不開的課題。

省下研究助理的成本，也省掉了學生進入專業的階梯

報告的中心思想來自三位 MIT 經濟學家，分別是戴倫．艾塞默魯（Daron Acemoglu）、大衛．奧托（David Autor）跟賽門．強森（Simon Johnson）提出的 「親勞工 AI」（pro-worker AI） 概念。他們主張，企業和機構在導入 AI 的時候，該設計的是讓使用者更擅長本職、能承接新任務、持續累積新能力的 AI，而不是直接拿 AI 取代人力，把人變成可有可無的存在。

委員會把這套邏輯搬進教育現場，提出一組對照的原則，AI 該用來輔助學習或是節省時間，而不是取代學習過程本身。

而該怎麼判斷，是否有做到「輔助」？舉例來說，如果老師用 AI 備課，是為了空出更多時間跟學生互動、給出更精準的回饋；但如果老師用 AI 是為了省事，連帶也放任學生用 AI 省事，教育這件事本身的意義反而被稀釋掉。

而這件事還有一個判斷上的風險是，過去我們會很武斷地認為，只要是能夠提升效率、降低成本的事情都可以外包給 AI，但事實上在學習現場並不完全如此。

舉例來說，部分教授開始考慮用 AI 代理（AI agent）取代找大學生當研究助理。AI 代理人是能自主拆解任務、接連完成多個步驟的 AI 工具，教授們的理由是效率和成本考量，讓 AI 整理文獻、跑數據、寫初稿，又快又省錢。委員會特別點出，這個做法的風險不只是少了人力產出，而是學生原本透過擔任研究助理，一步步進入某個專業領域、建立歸屬感、累積判斷力和專業身分認同的機會，會因此消失。

換句話說，一旦決策者只用「效率」和「成本」這兩把尺去衡量 AI 該不該取代人力，教育原本該完成的養成任務，很容易在不知不覺中被犧牲掉。

一卡關就問 AI，下一代最該練的能力正被跳過

在學生角色裡則會遇到「思考外包」的問題，也就是把原本該自己動腦的思考工作，直接交給 AI 代勞。

報告裡提出，當學生遇到困難時，已經習慣不是先自己動腦想想看，而是直接把整段問題丟給 AI，拿到答案就以為自己學會了的時候，就會造成「認知繳械」（cognitive surrender）。

這會有什麼問題？人的學習模式，以及真正可以練出能力的，恰恰是卡關、想不通、試錯這段過程，當能透過 AI 快速輸出答案時，這段歷程會直接被跳過，你將永遠學不會解決問題的本事。

比較值得注意的是，大家想要快速得到答案的時機。委員會觀察到，學生最容易向 AI 投降的時候，不是他們懶得動腦，是快來不及交作業的時候。也就是說，這不完全是態度問題，是時間壓力下人的自然反應，壓力一大，誰都想找捷徑。

但這群優秀學生也不是不警惕，調查結果也顯示，超過 7 成的學生承認，擔心自己太依賴 AI，怕的正是這件事會削弱批判思考、寫作能力，還有長期累積下來的知識能力。換句話說，學生其實很清楚，自己正在用一種讓自己變弱的方式用工具，只是缺一套判斷什麼時候該用、什麼時候不該用的方法。

委員會因此建議，評量方式該往更難被 AI 取代的形式移動，像是口試、作品集，或是在課堂上限時、當場完成的任務。這幾種形式的共通點，是逼學生把思考過程攤在眼前，而不是只交出一份看起來完整、卻可能經過大量 AI 協助的成品。這項建議直接衝擊大學裡最日常的教學操作，也是報告裡最常被後續報導引用的段落之一，因為它意味著，幾乎每一堂課的作業設計，都得重新想過一遍。

與其禁止 AI，不如先問這件事本來要練什麼

而要怎麼判斷到底何時才該用 AI？

報告中提出一套叫 「逆向設計」（backward design） 的判斷邏輯。這原本是美國教育學者格蘭特．威金斯（Grant Wiggins）與傑伊．麥克泰（Jay McTighe）提出的課程設計方法，核心概念是，先問這項學習想訓練學生什麼樣的能力，再照著這個目的去決定 AI 能不能介入、介入到什麼程度。

舉例來說，如果作業目的，是訓練學生從零開始組織一篇文章的邏輯，讓 AI 直接生大綱，等於把這份作業真正的意義拿掉了；但如果目的是訓練學生判斷資訊真偽、整理龐雜資料，AI 幫忙蒐集初稿，省下時間留給更重要的判斷工作。

這套邏輯放到職場同樣適用。主管在決定一項工作能不能交給 AI，或要不要讓新人用 AI 完成之前，可以先問自己一句，這件事現階段在訓練的是什麼？ 如果答案是新人的判斷力、獨立思考的習慣，那寧可讓他多卡關一陣子，也別急著讓 AI 給答案；而如果訓練的，本來就是資料整理、跨語言溝通這類該借助工具的事，放手讓團隊用反而合理。

最怕下一代把功課當交差，並將同一種心態帶進職場

最後，報告裡還提到，學生在使用 AI 上，其實或許沒有技術門檻，最可能造成危機的事，是基本的心態問題。

委員會擔心的是，如果學生把寫作業理解成一件單純要「交出去」的事，學習本身則變成一件可以用最少力氣、換到最高分數的商品，這種交易式的想法不會只停在課業上，會被學生一路帶進未來的工作態度、人際互動，甚至怎麼看待自己該負的責任。

如果學生每次寫作業想的都是「怎麼最快交出去」，而不是「這件事我到底學到什麼」，AI 只是讓這種心態更容易被滿足而已，問題其實不是出在 AI，是這個心態本來就已經在了。

報告最後回到一個很根本的結論，教育最重要的產出，不是成績單、準時繳交作業，而是學生的成長、判斷力，還有遇到困難時，願不願意先自己解決的習慣。

這個結論放到職場也一樣。就像委員會擔心教授用 AI 取代研究助理，會拿掉學生進入專業的階梯，主管若用 AI 包辦新人該練的基本功，也可能讓團隊在效率提升的同時，失去長出判斷力的機會。當成員把每項任務都當成「交差」，AI 只會讓交差變得更快；主管真正該在意的，是團隊在使用 AI 的過程中，有沒有累積下屬於自己的能力。

核稿編輯：王宥筑

資料來源：Report of MIT’s Ad Hoc Committee onAI Use in Teaching, Learning,and Research Training