前言

原本要寫一份客戶說明，AI 幾秒鐘就吐出完整稿件。你以為快收工了，接著卻花時間找出多寫的承諾、核對數字、改掉不適合客戶的語氣，再把段落搬回公司格式。初稿很快，交付時間卻不一定縮短。

判斷 AI 是否提升生產力，要比較「達到同一個交付標準」的總投入。 生成速度、字數與功能數量，都不是完整答案。這篇不排行工具，提供一個可從日常工作開始的紀錄方法：先把工作拆成準備、生成、查核與修改，再決定下一次怎麼分工。

⏱️ 先看整份工作：四段時間一起算

AI 工作時間成本資訊圖：把準備資料、生成初稿、查核內容與修改交付相加；假設自行完成45分鐘，AI路徑5加5加15加15共40分鐘，同品質下此次省5分鐘，提醒單次結果不能代表所有任務
點圖可放大。數字為假設案例，不是研究結果；長條為概念示意，非精確比例。比較前須確認交付範圍與品質一致。

先把「完成」寫清楚。以對外說明為例，可以是指定格式、必要資訊齊全、數字能追溯、沒有未授權承諾，而且負責人已確認可寄送。若不用 AI 的版本只要求草稿，使用 AI 的版本卻要求正式交付，兩邊的時間就不能直接比較。

時間段 記哪些投入 容易漏掉什麼
準備 找資料、去識別化、寫任務與限制 把內部資料轉成 AI 看得懂的格式
生成 送出任務、等待、補充說明 等待時能否實際做別件事
查核 對照來源、檢查算式與內容要求 確認引用真的存在，而非只看語句順暢
修改 改錯、重排、驗收與交付 被退回後再修改的時間

下面是假設試算：不用 AI，完成同一份說明需要 45 分鐘；使用 AI，準備 5 分鐘、生成 5 分鐘、查核 15 分鐘、修改 15 分鐘，合計 40 分鐘。在這次且同品質的條件下，省的是 5 分鐘，不能因為初稿只花 5 分鐘，就聲稱整份工作快了九倍。

如果你等 AI 的同時完成其他工作，另外記「經過多久」與「自己實際投入多久」。不用把等待全部當成投入，也不要把同時處理兩件事的同一段時間各算一次，否則前後比較會失真。這份計時表是個人工作診斷，不是標準研究設計。

🔬 研究可以提供線索，別直接借用一個百分比

METR 在 2025 年公布的實驗，研究熟悉既有開源專案的開發者，使用當時 AI 工具處理真實任務。在那個條件下，AI 組的完成時間反而較長；研究者也明確提醒，結果不能推廣成「AI 對所有工程師或其他職業都無用」。它提醒我們，主觀覺得更快和實際完成時間可能不同。（依 METR 2025 原始研究說明）

後續也要一起看。METR 於 2026 年 2 月 24 日 更新研究，表示新資料有一些加速訊號，但參與者與任務的選擇偏差，以及同時使用多個 AI 代理時的計時困難，使結果不足以可靠估計當時的整體效益。因此，不能只把舊研究的減速結果當成所有新工具的現況，也不能把更新當成普遍加速的保證。（依 METR 2026 研究更新）

讀研究時，先問：是哪個年份的工具？做哪一種工作？受試者原本熟不熟？什麼算完成？時間和品質如何量測？研究答案與自己的工作有多接近，再決定拿來做哪一部分的參考。

本篇的四段計時法是編輯建議，不是照搬該研究的方法，也不把它包裝成能證明因果的實驗。你需要的是看懂自己卡在哪個環節，再試一個可觀察的調整。

🧪 小範圍試一次：從工作分段，而不是全部交出去

先選重複出現、容易說明完成條件，而且你能查核的任務。像把已確認的重點轉成固定格式、將一段自己熟悉的文字整理成兩種口吻，或為既有說明產生待審閱的常見問題，都比一開始就交出整個專案容易比較。

開始前用幾行寫下：

任務：把已確認的產品重點整理成客戶說明草稿
完成條件：必要重點不遺漏、不新增承諾、符合指定格式
可以提供：公司允許使用且已去識別化的資料
AI 負責：段落排列與語句草稿
我負責：逐項核對事實、調整用語、確認後交付
紀錄：準備／生成／查核／修改，以及是否需要再返工

這個示例沒有指定任何產品，也不代表公司允許把全部資料交給外部工具。先依工作場所的資料規則處理；如果限制使你不能提供必要內容，可以改成請 AI 建議空白格式，再自行填寫。

比較時盡量挑工作範圍相近的紀錄。不要把自己第一次做陌生任務的時間，和已做過許多次、又有 AI 協助的任務相減，然後把差額全部算成 AI 的貢獻。任務難度、熟悉程度、工具版本與交付要求都可能改變結果。

完成後只改一個明確環節。例如查核最久，就先限制 AI 只用提供的資料，並要求把待確認處另列；仍然要自己核對，不能把「只用提供資料」視為不會出錯的保證。若準備最久，則看能否在公司允許的範圍內保留可重用的空白欄位與說明格式。

🧨 常見誤區：越忙著用 AI，越難看出成果

問題： 內容很流暢，就不需要再確認。
真相： NIST 的生成式 AI 風險文件將虛構或錯誤內容列為應注意的問題；語氣肯定並不保證事實正確。
建議： 先列必要資訊與來源，查核事實、算式及未授權承諾；把確定和待確認的內容分開。

問題： 修一次就應該知道 AI 值不值得用。
真相： 單次任務可能特別容易、特別難，也包含首次學習的時間。
建議： 留下相似任務的紀錄，另記工具學習時間；換流程後重新觀察，不拿一個案例代表所有工作。

問題： 字數、回覆數或產出檔案變多，就是生產力提高。
真相： 多一份尚未查核的稿件，也可能增加待辦；有沒有被採用、能不能完成交付才是另一層問題。
建議： 記錄實際交付與返工情形，若只有初稿完成，就寫初稿，不直接宣稱效益已驗證。

目前狀況 可以先做的行動 下一次看什麼
任務清楚，也容易核對 先讓 AI 處理一個可修改的段落 是否達標、總投入是否改善
查核時間比原本撰寫還長 縮小範圍，補上可靠來源與限制 錯誤種類是否減少
AI 經常漏掉內部規則 先整理可提供的規格與範例 必要規則是否仍被漏掉
不知道內容是否正確 先取得能判斷的資料或協助 有沒有足夠條件完成驗收
常被退回後重做 把退回原因納入交付條件 相同問題是否再次發生

若結果沒有節省時間，仍可能得到不同價值，例如比較容易開始、減少重複打字，或有更多可選的草稿。可以如實記錄這些感受，和時間結果分開；再決定自己願意為哪一種價值付出成本。

💡 結論懶人包

  • 先定完成條件，再比較達到同一品質的整份工作投入。
  • 準備、生成、查核與修改都要記，返工也不能漏掉。
  • 研究有工具、年份和任務條件；舊結果與後續更新一起看。
  • 先試一個能查核的小任務，找出最耗時的環節，只調整一件事。
  • 初稿變多不等於效益已驗證；真正交付、品質與自身負擔都要分開觀察。

🔗 延伸閱讀

AI 回答很快，為什麼工作還是做不完？

產生回答只是其中一段。整理輸入、等待、查核、修改和交付也占用時間；需要把同等品質的一整份工作完成時間一起比較。

研究說 AI 讓工程師變慢，就代表我不該用嗎？

不能這樣推論。研究有特定工具、時期、受試者與任務條件。METR 的 2025 實驗不能直接套用所有職業，其 2026 更新也指出選擇偏差與計時問題。先測你自己的可比較任務。

第一次使用沒省時間，還值得練習嗎？

可以將學習工具的時間另作紀錄，再看熟悉後相似任務的結果。是否繼續投入，還要考慮交付品質、體力負擔、成本與你的工作目標。

📚 參考資料

資料查核日期：2026-10-13。本文不使用舊對話中未能核實的企業研究數字與名人引語。