L2 - AI 拿走了簡單的工作，留下的都是難的
導入 AI 客服三個月後，語婷發現自己的一天變了。
以前，她的電話裡大概有一半是「我的訂單到哪了」「怎麼修改密碼」這類問題，幾分鐘就能解決。這些電話讓她喜一口氣，也讓她覺得自己幫到了人。現在，這些問題都被 AI 接走了。轉到她手上的，全是 AI 處理不了的：客訴、退款爭議、已經生氣了十分鐘的客人。
主管很高興：「你們現在可以專心處理真正有價值的案件了。」結案數的目標沒有變，客滿分數的標準反而提高了，因為「簡單的都給 AI 了，人處理的應該要更好」。
週五下班，語婷在車上發了很久的呆。她想不起來，這一週有哪一通電話是輕鬆的。
「AI 幫你做掉簡單的工作，你就可以專注在更有價值的事情上。」這句話幾乎出現在每一份 AI 導入計畫裡。它沒有錯，但它少說了一半：當簡單的工作都不見了，剩下的每一件事都是難的。
數據：工作變難了，狀態變差了
BCG《2026 年 AI at Work》調查了超過 11,700 位受訪者，問他們導入 AI 之後，工作有什麼變化：
- 67% 表示，較簡單的任務被 AI 接手，留下更複雜、風險更高的工作。
- 60% 表示，「夠好」的標準變高了。
- 52% 花更多時間檢查與修正 AI 的產出；47% 的角色轉向管理與指揮 AI。
- 41% 花在決策上的時間增加了；另有 41% 的常態使用者表示，AI 增加了他們的心智負荷。
同一份調查也顯示，67% 的常態使用者工作滿意度提高了。工作變得更有趣，也更累，這兩件事可以同時成立。
從更大的尺度來看，Mercer《2026 全球人才趨勢》（近 12,000 位受訪者）發現，表示自己在工作上「狀態很好」的員工，從 2024 年的 66% 降到 44%。這個下滑有很多原因，不能只歸結於 AI，但它發生在 AI 快速普及的同一段時間。
這兩份都是顧問公司的自評問卷（證據等級 B），沒有直接測量倦怠。但另一份更深入的研究，提供了現場的畫面。
田野研究：AI 沒有減少工作，而是讓工作變密
柏克萊加大 Haas 商學院的 Ranganathan 與 Ye，在一家約 200 人的美國科技公司進行了八個月的民族誌研究：現場觀察會議與日常工作，並訪談超過 40 位員工。這家公司的員工可以自由使用生成式 AI。
他們發現，AI 並沒有節省時間，而是讓工作「密度化」，而且有三種形式：第一，員工開始做過去屬於別人、或過去根本不會做的工作，「我的工作」的範圍變大了；第二，工作滲進了過去的空檔，午餐時、會議前、晚上都在下提示詞；第三，同時開著好幾條工作線，包括在背景執行的 AI 流程。
研究者特別指出一個落差：單次使用 AI 時，員工是興奮的；但回頭看整體經驗時，他們描述的是累積的疲憊。他們也警告一個惡性循環：產出變多，期待就變高，期待變高，又逼人做更多。
這是單一公司的質性研究，仍在進行中，目前以《哈佛商業評論》文章發表（證據等級 C）。但它和 BCG 的數字指向同一個方向。
工作強度的三個來源
把這些發現放在一起，AI 帶來的工作強度，大致有三個來源。
一、認知密度變高。 一天的工作裡，簡單與困難的任務原本是交錯的。簡單的拿掉之後，每一個小時都是高密度的判斷。語婷的問題不是電話變多，而是每一通都要全力以赴。
二、標準上升。 當 AI 可以在幾秒內寫出一份初稿，「人做的」就被期待要更好。60% 的人感受到這個變化。但標準上升很少被正式宣布，它往往悄悄發生在主管的一句「這個應該可以更好吧」裡。
三、審核負擔。 檢查 AI 的產出是一份新的工作，但很少被算進工作量。而且它比看起來更累：要在一份「看起來很對」的文件裡找出錯誤，需要持續的注意力。我們在〈橡皮圖章主管〉一文討論過，當這份負擔太重，審核就會變成蓋章。
工作要求與資源：倦怠是怎麼發生的
要理解這些變化的後果，最常用的框架是「工作要求－資源模型」（Job Demands-Resources model，簡稱 JD-R）。Demerouti、Bakker 等人（2001）提出，工作的特徵可以分成兩類：「要求」，包括工作量、時間壓力、情緒勞動；以及「資源」，包括自主權、同儕與主管的支持、回饋、學習機會。要求太高而資源不足時，倦怠的風險就會上升；資源充足時，則能緩衝要求的影響，甚至帶來投入。這個模型已經有大量實證研究支持（證據等級 A）。
用 JD-R 來看語婷的處境，問題就很清楚：她的「要求」全面上升了，案件變難、標準變高、情緒勞動變重；但她的「資源」一點都沒有增加，甚至減少了。那些簡單的電話，原本就是她的一種資源。
這提醒我們一件常被忽略的事：簡單的工作不只是「低價值」的工作。它至少有三個功能：是兩件難事之間的喘息；是讓人確認「我做得到」的小小成就感；也是新人學習的起點。
後者讓人想起工程心理學家 Lisanne Bainbridge 在 1983 年提出的「自動化的反諷」：自動化拿走了簡單的工作，只把最困難、最罕見的狀況留給人，但人正是從簡單的工作中學會處理困難的狀況。當簡單的工作消失，人要用更少的練習，面對更難的問題。
心理動力的解讀：組織的「全能幻想」
以下是作者的觀點，而非上述研究的發現。
為什麼「夠好」的標準會悄悄變高，而且很少有人說「夠了」？
我的看法是，AI 帶來了一種組織層次的「全能幻想」：既然工具變強了，我們應該可以做更多、做更好、做更快。這個幻想讓人興奮，也讓人不必面對一個事實：人的注意力、情緒與恢復都有極限，不會因為工具變強而跟著變大。Berkeley 研究中「單次興奮、整體疲憊」的落差，恰好就是這個幻想的兩面。
在這個幻想裡，說「我累了」會變得很難。它聽起來像是跟不上、不夠好，甚至是在反對 AI。所以疲憊常常不是被說出來，而是以其他形式出現：請假變多、錯誤變多、對客人變得不耐煩、或者一個好員工突然離職。對主管來說，這些訊號很容易被解讀成「個人問題」，而不是「工作設計的問題」。
還有一層。簡單的工作除了喘息，也是一種穩定自我的方式：做完一件確定做得好的事，人會感到自己是有能力的。當一整天都在處理沒有標準答案的難題，人會一直暴露在「可能做不好」的焦慮裡。這種焦慮的累積，比工時更難被看見。
怎麼做：讓資源跟上要求
一、重新設計工作節奏，保留恢復的空間。 不要讓一個人一整天都在處理最難的案件。可以設計輪替：例如客服人員每天有一段時間負責檢查 AI 的回覆、整理知識庫或帶新人，而不是連續八小時接客訴。Berkeley 的研究者也建議組織建立「AI 工作實踐」：重大決策前刻意停一下、把非緊急的事情批次處理、保護專注的時段，以及保留人與人對話的時間。
二、調整產量與品質的期待，而且要說出來。 當案件的組成變了，目標也要跟著變。語婷的結案數目標，是在「一半是簡單電話」的時代訂的。主管可以和團隊一起重新定義「夠好」：哪些工作需要做到最好，哪些做到可以就好。把標準說清楚，就是減少「悄悄變高」的空間。
三、增加資源：同儕支持、決策權與學習時間。 用 JD-R 的語言來說，要求上升了，資源就要跟上。處理難題的人，需要可以快速求助的同事（例如每天十五分鐘的難題交流）、可以自己做決定的授權（例如一定金額內的退款不必簽核），以及學習的時間。組織心理學家 Edgar Schein 曾指出，人在學新東西時會有「學習焦慮」，而降低學習焦慮的方法之一，就是給人練習的時間與犯錯的空間。
給人資與 OD 的提醒： AI 導入後的成效評估，常只看生產力與使用率。建議同時追蹤幾個「工作強度」的指標：加班時數、請假與離職率、錯誤率，以及簡短的工作強度與倦怠問卷。如果生產力提高了，這些指標也在惡化，那個生產力可能是從人身上借來的。
結語：效率的提升，不應該用人的耗損來交換
AI 拿走了簡單的工作，這是真的進步。但如果組織只看到「省下來的時間」，沒有看到「剩下來的都是難的」，就會在不知不覺中，把效率的提升，建立在人的耗損上。這種交換短期看不出來，長期卻會以倦怠與離職的形式收回。
留給你的問題： 你的團隊上一次「輕鬆完成一件事」是什麼時候？
延伸閱讀
參考文獻
- Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779.（證據等級 C：經典理論）
- Bakker, A. B., & Demerouti, E. (2007). The job demands-resources model: State of the art. Journal of Managerial Psychology, 22(3), 309–328.（證據等級 A：文獻回顧）
- Boston Consulting Group. (2026, June). AI at work 2026 [Slideshow]. https://web-assets.bcg.com/e7/c7/00d913744cccb1e4f65bbf54fe86/ai-at-work-slideshow-june-2026.pdf（證據等級 B：顧問公司問卷調查）
- Coutu, D. L. (2002). The anxiety of learning [Interview with Edgar Schein]. Harvard Business Review, 80(3), 100–106.（證據等級 D：專家觀點）
- Demerouti, E., Bakker, A. B., Nachreiner, F., & Schaufeli, W. B. (2001). The job demands-resources model of burnout. Journal of Applied Psychology, 86(3), 499–512.（證據等級 A：同儕審查實證研究）
- Mercer. (2026, February 25). Mercer's Global Talent Trends 2026 report [Press release]. https://www.mercer.com/en-us/about/newsroom/mercer-s-global-talent-trends-2026-report/（證據等級 B）
- Ranganathan, A., & Ye, X. M. (2026, February). AI doesn't reduce work—it intensifies it. Harvard Business Review. 摘要見 UC Berkeley Haas 新聞：https://newsroom.haas.berkeley.edu/ai-promised-to-free-up-workers-time-uc-berkeley-haas-researchers-found-the-opposite/（證據等級 C：單一公司民族誌研究）
慧培國際相關服務
更多資訊請見慧培國際網站 www.whitespace-leadership.com 。