用 AI 完成初稿後，你會檢查到什麼程度才交出去？如果你只確認格式完整、文字通順，就直接按下送出，接手的同事可能還得重新查資料、整理重點，忙了半天才能真正使用。你省下來的時間，最後只是變成別人的額外工作。
電商平台 Shopify 執行長托比．盧克（Tobi Lütke）在 podcast 節目《The Knowledge Project》專訪中，將這類未經充分把關、就轉交給他人的 AI 產出稱為「AI 垃圾手榴彈」（slop grenade），意即內容由 AI 生成，檢查與修正卻留給同事。
AI 寫完就交差，同事卻得替你收拾
盧克在訪談中談到，工程師讓 AI 生成程式碼，自己沒有先閱讀，就提交修改申請，交給同事審查。接手的人發現內容有問題，除了評估修改是否合適，還得替提交者補做原本應該先完成的檢查。
工作郵件也可能出現類似情況，例如，想讓簡短回覆顯得正式、完整，於是請 AI 擴寫成長信，結果重點被埋在冗長文字裡，收件者反而需要再請 AI 摘要，才能找出真正要傳達的訊息。
盧克在訪談中批評的，正是這種先擴寫、再濃縮的循環。既然已經使用 AI，就應該讓它協助整理想表達的要點，避免把訊息膨脹成長篇文字，浪費收件者的時間。
這種把整理與修正工作留給同事的情況，也出現在職場研究中。BetterUp Labs 與史丹佛大學社群媒體實驗室（Stanford University’s Social Media Lab）將看似完成任務、實際缺乏有用內容的 AI 產出稱為「工作垃圾」（workslop）。
根據研究團隊 2026 年針對美國全職辦公室工作者發布的研究，曾收到工作垃圾的受訪者估計，每月平均要花 3.4 小時處理、討論、修改，甚至重做。這份額外負擔讓接收者更難信任同事，也降低與對方合作的意願。
工具可以提供答案，卻無法替你承擔責任
盧克在訪談中談到，運用 AI 做決策時，人仍須承擔最後的責任。他自己會讓多個 AI 代理組成的「顧問團」協助檢視難題、提供不同角度的意見，但採用哪個建議、選擇哪條路，最後仍由他決定。
日常交付報告或提案時，採用哪些 AI 生成的內容，也是交付者自己的決定，因此需要先確認內容是否正確、符合需求。出了錯，只說「這是 AI 寫的」並不能解釋為什麼當初要採用，也不能免除交付前應有的檢查責任。
盧克認為，隨著 AI 能力提升，人類的品味、判斷與承擔責任的能力會變得更有價值。工具能提供更多選項，使用者仍須有所取捨，並且能向一起工作的人說明，自己為什麼認為這份成果值得採用。
品質不合格時，也需要決定不採用 AI 的成果。語言學習平台多鄰國（Duolingo）就遇過 AI 能生成內容，品質卻未必達標的情況。執行長路易斯．馮．安（Luis von Ahn）在《快速企業》（Fast Company）訪談中，以語言學習故事為例，指出 AI 寫出一篇好故事的展示，容易讓人留下深刻印象，但當需求擴大到大量不同故事，就必須留意品質不佳的內容。他表示，若品質不夠好，即使 AI 生成速度很快，公司也不會採用。
按下送出之前，先判斷對方能不能用
交付報告或提案前，可以先確認內容是否回答了任務，以及是否交代希望對方決定或執行的事項。接收者讀完後，應該知道這份資料如何幫助自己完成工作，不必再回頭追問用途。
另一項需要把關的是判斷依據。報告即使條理清楚，重要說法若缺少資料支持，接收者仍無法放心採用；資料不足時，也應交代限制，避免用肯定的結論掩蓋尚未確認的問題。
交付標準明確之後，修改才有方向。發現內容不合格時，工作者才能指出缺少哪些資訊、哪個結論需要查證，或哪些段落偏離任務，要求 AI 針對問題修正，減少反覆重寫卻沒有改善的情況。
如何減少 AI 垃圾？從交代需求到驗收成果都有方法
經常使用 AI，卻還是得花很多時間修改內容，問題可能出在交辦方式。經理人商管 LAB【2026 AI Prompt 全攻略】線上課程整理 Google Gemini、OpenAI GPT 與 Anthropic Claude 的官方提示詞指南，轉化為職場可用的方法，帶你改善 AI slop 等低品質產出。
課程以寫作、企畫提案與數據分析為例，示範如何引導 AI 寫出切合讀者需求的內容、找出提案的不足，以及整理支援決策的分析。從交代背景、設定成果標準，到判斷回答與要求修正，讓你知道面對不同任務時，該怎麼與 AI 合作。
學會這套方法，下次遇到新的工作需求，就有依據調整指令與安排步驟，讓 AI 更能協助你完成有品質、交得出去的成果，也減少自己與同事重做的負擔。
