我想大多數開始在工作中運用 AI 的朋友（包括我）有感覺到，自從開始使用 AI 之後，工作清單不但沒有變短，反而多了一堆新任務：學這個新工具、調整那個工作流、嘗試寫一段程式、或是建立一套複雜的提示詞（Prompt）模板、安裝 AI 代理程式所需的作業環境……。這些原本為了「省時間」而啟動的嘗試，卻把你我的時間切得更碎、任務變得更多。
根據哈佛商業評論 2026年 2 月的一篇文章「AI 不會讓你少做事，只會讓你做更多 AI Doesn’t Reduce Work—It Intensifies It 」中提到針對一家約 200 名員工的美國科技公司為期八個月的研究，目的是觀察生成式 AI 如何改變員工的工作習慣。
結果發現：在未被要求的情況下，員工工作節奏更快，任務範圍拓展，並且工作時間延長了。這家公司並未強制員工使用 AI（雖然有提供商業版 AI 工具的企業訂閱），但員工主動做得更多。造成這種現象的原因在於：
1. 任務擴展（Task Expansion） 員工因為 AI 填補了知識空白，開始承擔原本不屬於自己的工作。產品經理寫程式、研究員做工程任務，這些跨域實驗讓個人工作範圍悄悄擴大。連帶效應是：資深工程師花更多時間審查、修正同事用 AI 生成的半成品，負擔反而增加。
2. 工作的界線變得模糊 AI 降低了「開始一件事」的門檻，員工習慣在午餐、等待、甚至離開辦公室時對 AI 發出指令與檢視成果、調整。這些行為感覺不像在工作，但累積下來，讓休息時段帶來的恢復作用逐漸失效，工作感從「可劃分範圍的任務」變成「無處不在」。
3. 多工處理的認知負荷 當員工同時跑多個 AI 工作流程，頻繁切換注意力、不斷確認結果的情況下，因而讓工作節奏碎片化。研究參與者普遍反映：雖然感覺自己更有生產力，但也比以前更忙、壓力更大。
4. 學習債的累積 每多用一個 AI 工具或工作流，就多了一份維護責任。工具改版、流程出錯、重設、搬資料、換介面，這些未曾估算的維護成本就佔滿了行事曆。
該學 Vibe coding 做個 prototype 嗎？該弄台電腦「養龍蝦」嗎？因為「做得更多」變得有趣且可行，我們不自覺地掉入自我強化的循環中。 如果 AI 會為你我不斷製造新任務，那真正該思考的問題就不是「又出現了什麼工具/能做什麼？」，而是：要不要開展這個新任務？要投入到什麼程度？
如果每一個新工具、新技能、新工作流出現，我們都用直覺決定要不要用，很可能會什麼都沾一點，愈來愈忙。 必須具備一套評估邏輯，把注意力用在值得的地方。
了解「AI 新任務」其實不只一種
在評估自己該不該啟動某種 AI 任務前，必須先認知到：這些「新任務」可分為不同類型，投入與回報截然不同，混在一起判斷，是多數人無所適從的原因，有效的方法是先辨識它屬於哪一型：
- 工具型任務： 學習或切換到一個新的 AI 工具。這類任務的投入門檻相對低，但有一個隱藏風險：工具更新快，今天學會的操作邏輯，三個月後可能已經改版，你得重學一次。
- 技能型任務： 培養一項新能力，例如學寫提示指令、基礎程式、或資料整理。投入週期長，但如果選對了，這類能力可以遷移到多種工具與情境，是真正的複利型投資。
- 資產型任務： 建立可重複使用的模板、檢查表、標準化流程。前期需要投入較多時間，但一旦建立完成，每次使用都在降低成本，愈做愈省。
- 探索型任務： 純粹嘗試新玩法、新工具組合，目的不明確，多半由好奇心或比較焦慮驅動。
- 修補型任務： 為了讓 AI 輸出更準確，不斷補充背景資料、修正指令、重新調整脈絡。這類任務很難被察覺，因為每一次修補都感覺是在「讓事情變更好」，但累積起來消耗的時間往往遠超預期。
這五種類型裡， 資產型任務愈做愈省力，值得優先投入。真正危險的是探索型與修補型—它們有即時的成果，卻很少帶來可持續的產出，最容易讓人陷入「一直在動但沒有真正前進」的消耗狀態。
用 TCO 把成本 / 效益算清楚
多數人評估 AI 新任務時，只算「學會要多久」。但真正的成本往往不只發生在「學」，而在你把它帶進工作之後。
這裡可以借用一個簡單、好用的管理概念： TCO（Total Cost of Ownership，總持有成本）。TCO 由 Gartner 分析師 Bill Kirwin 於 1987 年提出，最初用於評估 IT 系統的真實成本。核心主張是：一項資產或系統的真實成本，不只是採購價格，而是整個生命週期中所有直接與間接成本的總和。
意思是：企業在採購設備或系統時，不會只看購買價格，還會把安裝、培訓、維護、升級、汰換都算進去。特別需要注意的是 間接成本（Indirect Costs） ，包括：
- 使用者的時間損耗（操作複雜度、學習曲線）
- 系統停頓、當機造成的生產力損失
- 支援與問題排除的人力成本
- 機會成本（用了這個方案，放棄了什麼）
間接成本往往是最容易被低估、也最容易被忽略的部分。在實際評估中，甚至可能會佔總成本的 50% 以上。
TCO 在以下決策情境中，有時會給出「反直覺」的答案：
- IT 與軟體採購： 比較自建系統（ on-premises ）與雲端訂閱（SaaS）時，光看月費會誤判。雲端方案授權費可能高，但省去了維護人力與基礎架構成本，TCO 反而可能更低。
- 設備採購： 工廠買一台低價機器，若維修頻率高、停機損失大，五年 TCO 可能遠高於一台高價但穩定的機器。
- 人才決策： 招募一位低薪員工，若培訓成本高、留任率低，TCO（包含反覆招募與交接損耗）可能比直接聘用資深人才更貴。
把 TCO 用在個人學習 AI 上，邏輯完全相同：你不只是在「學一個工具」，你是「投入（成本）在一套工作方式」。若把個人情境的 TCO 拆解，通常有四種成本：
- 學習成本： 從零到能實際使用，你要投入多少時間與精力。這是大多數人唯一考量到的成本，但通常是四項中最小的一項。
- 整合成本： 要把它嵌入你的日常流程，你得改哪些習慣？改哪些文件格式？改哪些溝通方式？很多工具學起來不難，但真正融入日常工作的阻力，往往遠超過學習本身。
- 維護更新成本： 工具改版、流程出錯、資料結構改變、模板失效，你需要持續投入多少時間讓它恢復作用？這項成本最容易被忽略，卻最常在你忙碌時爆發。
- 注意力切換成本： 你在主要工作與這個新任務之間反覆切換，每次重新進入專注狀態所消耗的時間與精力。研究顯示，從分心狀態回到深度專注，平均需要超過二十分鐘。這是最常被忽略、卻最昂貴的成本。
除了成本之外，當然也要評估所產生的「回報（效益）」。有兩個具體的判斷標準
第一， 它能不能對你的主要工作目標帶來價值？
這個新任務能否在兩到四週內，對你的主要工作產生可見的效益？例如速度變快、決策品質提升、專案的進度…。如果需要半年以上才可能見效，中間又沒有可驗證的里程碑，它的回報就屬高度不確定。
第二，它能不能資產化？
所謂資產化，是把成果轉成可重複使用的形式，例如模板、檢查表、固定流程、提示庫、評分標準。能夠資產化的任務具有複利效應，之後每次運用的邊際成本低；無法資產化的任務，每次使用都是重新投入注意力，沒有累積效果。
把上述的成本與效益合併考量之下，只有當這項新任務的效益（主要產出的提升，加上資產化的價值、潛力）足以超過它的總持有成本（學習、整合、維護、注意力切換），才值得正式投入。否則，就該界定為小規模試驗，或直接不做。
把判準變成行動：做、試、交、停
在 AI 正在積極發展的此刻，面對紛至沓來的 AI 新任務誘惑，我們可以採取以下四種行動：
- 做 ：TCO 合理、可獲得的回報明確、且能資產化。這類任務值得正式排入計畫，設定整合時間節點，確認誰負責後續維護。
- 試 ：可獲得的回報不確定；TCO 也尚未明朗。此時並非正式投入，而是用小規模試驗獲取足夠的資訊，再決定要不要升級。
- 交 ：這件事值得做，但不一定要你做。買現成工具、使用他人已建立的模板、或交由團隊中更合適的人處理，都能顯著降低你的 TCO。對於主管或資深專業者尤其如此，你的時間成本往往最高，「交」常是最合適的選項。
- 停 ：TCO 高、「回報」不明確、或動機是因為焦慮。此時要明確喊停，別讓任務繼續佔據注意力。
記得：當選擇「試」或「停」時，並不是我們拒絕學習，而是有效的管理自己的心智頻寬。以下三個例子，都是知識工作者最常動心的「新任務」，你可以用上述標準評估一下：
1.要不要學某個新 AI 工具？
先不要管是否大家都在用。先思考 TCO ：你需要為它改動多少既有流程？這項任務的發生頻率如何？你是否要反覆搬資料？切換成本高不高？
再考量回報：它能在 2–4 週內讓你的主要產出更快或更穩嗎？經驗能不能轉換成資產？
通常你不需要學很多新工具，你需要的是一套可反覆運用的流程與檢查表。
2.要不要自己學寫程式？
這一項任務最容易被好奇或焦慮影響。你可以先把目的想清楚：你要的是一次性的解法，還是想要更快做原型的能力？
如果是一個一次性的自動化，找合適的現成工具或找人協作，往往能大幅降低 TCO。
如果你要的是發展「原型」的能力，值得嘗試，但目標要清楚界定在「足以做原型」而不是「把自己變工程師」。避免自己多了一個永遠學不完的技能領域。
3.要不要建置自己的 AI 代理？
先思考目前工作待解決的問題何在。很多人以為問題是執行效率，但真正卡住的是資料品質、需求定義與審核責任。這類問題不解決，AI代理只會加速錯誤擴散。
若任務本身成果可驗證、可監控，且你能把審核規則寫成 SOP，AI 代理才可能真正成為資產型任務。如果這三個條件都不成立，先建立輸入標準與SOP，比急著搭上流行更有用。
資深工作者該如何看待 AI 學習
面對 AI 新任務，有經驗的資深工作者常有兩種極端反應：一種是「我跟不上了」的焦慮；另一種是「什麼都要學」的慌亂追趕。兩者背後的共通假設是：AI 時代最重要的能力，是最快學會新工具。
但真正稀缺的能力其實是： 判斷哪些任務值得投入、投入到什麼程度、以及何時停止。這類判斷高度依賴你長期累積的經驗：你對風險的敏感度、你對品質的標準、你對目標的明確程度。 AI 帶來許多新工具，但它無法替我們做取捨。
心理學研究發現，資深者通常具備「晶體智力」（Crystallized Intelligence），指的是人藉由長期經驗積累的整合與應用知識的能力。於有一定資歷的專業者，這反而是你的優勢來源：你不必跑得最快，你的價值是看得夠準。
下次面對一項 AI 新任務，先停下來問自己四個問題：它的學習、整合、維護、切換成本各是什麼？它有助於我的主要目標嗎？它的成果可以資產化嗎？我投入這件事的動機，是否只是因為焦慮？有時候，慢慢來，反而比較快。
