AI 讓工作更快，為什麼工作卻沒變少？從傑文斯悖論看效率陷阱

2025 年初，研究機構 METR 找來 16 位資深開源工程師，用他們自己維護多年的專案做實驗。246 個真實任務隨機分成「可以用 AI」和「不准用 AI」兩組。動手前，工程師預估 AI 能讓自己快 24%。

結果是允許用 AI 時，完成任務平均多花了 19% 的時間。更讓人意外的是，實驗結束後，這些工程師仍然認為 AI 讓自己快了 20%。

感覺變快、實際變慢，這個落差在很多職場都看得到。報告草稿五分鐘就生出來，下班時間卻沒有提早。問題要先定義清楚：AI 省下的時間，最後流向了哪裡？

一、AI 讓工作變快了，為什麼還是準時下不了班？

單項任務變快，和整天的工作量變少，是兩件不同的事。日本與美國的研究都發現，省下的時間大多被新的工作填掉了。

日本パーソル綜合研究所在 2025 年 10 月調查 19,855 名就業者。使用生成式 AI 的業務，所需時間平均減少 16.7%，但覺得自己工時真的變少的人，只占 AI 使用者的 25.4%。調查還發現，越常用 AI 的重度使用者，加班時間反而越長。

哈佛商業評論 2026 年 2 月刊出 Aruna Ranganathan 與 Xingqi Maggie Ye 的研究，他們在一家美國中型科技公司觀察八個月。員工用 AI 把事情做得更快、更輕鬆之後，工時變長，也接下更多原本職責以外的任務。關鍵在於，多數時候沒有人要求他們這樣做，是「做得快」本身帶來的慣性，讓人一件接一件做下去。

二、150 年前，經濟學家就發現效率提高的弔詭現象

傑文斯悖論指的是：效率提高、成本下降之後，需求擴大的幅度可能超過節省的幅度，總使用量反而增加。

1865 年，英國經濟學家威廉・傑文斯在《煤炭問題》裡指出，蒸汽機的用煤效率提高後，英國的煤炭總消耗不減反增。原因是動力變便宜，工廠就把蒸汽機用在更多地方。

效率提升後需求回升，經濟學稱為「反彈效應」；回升到總量超過原本，才算傑文斯悖論。放到 AI 職場上，被「消耗」的資源是人的時間：寫一份提案從三小時變成一小時，公司可能改成每個客戶都做客製提案，主管可能要求多出兩個版本比較。單件變便宜了，件數跟著變多。

這是一個解釋機制，並非定律。省下的時間也可能拿去提升品質或真的縮短工時，實際上發生哪一種，要看研究怎麼量。

三、有多少人使用 AI 後，真的被要求做更多事？

有，而且來自客觀紀錄，不只是問卷感受。時間日誌、工作軟體紀錄與醫院系統資料，都觀察到新增的工作。

美國國家經濟研究局（NBER）的工作論文分析 2004 到 2023 年的個人時間日誌，發現 AI 曝險越高的職業，工作時間越長、休閒時間越少。研究者的解釋是，AI 多半用來輔助人力、較少取代人力，生產力提升帶來的好處，很大一部分沒有回到工作者手上。

工作分析公司 ActivTrak 比對 1,111 家公司、16.4 萬名員工在導入 AI 前後各六個月的數位活動，總計 4.43 億工時。導入後，花在電子郵件與通訊軟體上的時間增加超過一倍，不受打斷的專注工作時間減少 9%，AI 使用者平均每天比不用的同事多工作 8 分鐘。這份數據由廠商發布，經《華爾街日報》等媒體報導。

「AI 確實創造了效率，只是釋放出來的資源立刻被轉去做別的工作，沒有人注意到的任務擴張就是在這裡發生的。」ActivTrak 的 Gabriela Mauch 接受《華爾街日報》訪問時這樣說明。

醫療現場也一樣。加州大學聖地牙哥分校讓基層醫師使用 AI 草擬的病人訊息回覆，刊登在《JAMA Network Open》的研究發現，醫師讀訊息的時間增加 21.8%，回覆時間沒有減少，回覆內容反而變長 17.9%。草稿省下打字，卻多了閱讀和判斷。

反方證據也要一起看。丹麥 Anders Humlum 與 Emilie Vestergaard 追蹤 7,000 個工作場所、超過 2.5 萬名員工，發現 8.4% 的人出現跟 AI 有關的新任務，例如審查 AI 產出的內容，連沒在用 AI 的人也有；但九成以上沒有新增任務，AI 使用者自評平均只省下 2.8% 工時，薪資與工時都沒有明顯變化。METR 的實驗也只有 16 人。這些研究說明 AI 可能讓工作變多，不能推論成所有人都會變忙。

四、AI 省下的時間，可能流向四個不同地方

主要有四個去向：還給工作者、換成更多產出、投入品質與學習，或被新的檢查與修改吸收。多數職場只量到第一個以外的三種。

第一個去向是還給工作者，也就是真正減少工時或加班。從パーソル的調查來看，這是目前最少發生的一種。

第二個是換成更多產出。哈佛商業評論那家公司的員工，就是把省下的時間拿去接更多任務。如果新增產出帶來更多收入或資源，這未必是壞事，前提是有人有意識地做了這個選擇。

第三個是投入品質、清理積案和學習新技能。這類效益很少反映在交付件數上，卻常是組織真正需要的。

第四個是被新的工作成本吸收。BetterUp 與史丹佛社群媒體實驗室在 2025 年 9 月調查 1,004 名美國全職辦公族，40% 表示上個月收過同事交來、看似完整卻需要大量修補的 AI 產出，他們稱為「workslop」，平均占收到工作的 15.4%。醫師多出來的閱讀時間，也屬於這一類。

五、怎麼避免 AI 把你變成更高效率的加班機器？

算整段流程的淨節省時間，而不是只看 AI 生成那一步。再和團隊約定省下的時間要用在哪裡。

METR 的工程師之所以誤判，是因為他們只感覺到「寫程式變快」，沒算到下指令、等待、審查 AI 輸出和修改的時間。淨節省時間的算法是：原本完成一件事的整段流程工時，減去用 AI 之後整段流程的工時，兩邊要在相同的品質要求下比較。

1. 挑一件重複的工作。例如每週報告或客服回覆，連續記錄一週。
2. 記錄整段流程。包含下指令、等待、查核、修改、溝通與核准，不只記生成時間。
3. 比較前後的總量。看每週工時、件數、加班、返工次數有沒有變化。
4. 列出新增的任務。交付期限有沒有縮短、責任範圍有沒有擴大、要不要多審別人的 AI 產出。
5. 和主管約定用途。省下的時間優先用在減少積案、提升品質、學習，還是降低加班，講好再定新目標。

做完一週紀錄後，可以回頭問自己一個問題：AI 讓你更快完成工作，還是讓你更能決定自己要做什麼？

• METR 實驗中，資深工程師用 AI 反而慢 19%，卻自認快了 20%，感覺和實測可能相反。
• 日本調查任務時間省 16.7%，只有 25.4% 的使用者覺得工時變少。
• 時間日誌、軟體紀錄和醫院資料都觀察到新增工作，但丹麥研究顯示九成以上員工沒有新增任務。
• 判斷 AI 是否減輕負荷，要算整段流程的淨節省，並事先約定省下時間的用途。

常見問題

Q1：傑文斯悖論跟 AI 有什麼關係？

傑文斯悖論描述效率提高後，需求擴大到讓總使用量反而上升。AI 讓單件工作變便宜，組織可能因此要求更多件數或版本，人的總工時就可能不減反增，但這是可能的機制，不是必然結果。

Q2：用了 AI 覺得變快，為什麼可能其實沒有？

METR 的實驗顯示，工程師只感受到產出變快，沒算到下指令、等待、審查與修改的時間。實際計時後，整體反而多花 19%。

Q3：有證據證明 AI 讓所有人都變忙嗎？

沒有。美國時間日誌與企業軟體紀錄觀察到工時增加，但丹麥大型研究發現九成以上員工沒有新增任務，工時也沒有明顯變化，結果因職業與導入方式而異。

Q4：主管可以怎麼避免效率紅利變成無止境加量？

導入前先記錄任務量、整段流程工時、返工與加班，導入後用同一組指標比較，並和員工講好省下的時間要用在哪裡，再調整目標。