AI 輔助專利草稿的評分提高，初階律師三個月後的無 AI 審閱卻沒有平均增益。David Autor 等研究者在美國 11 家智慧財產權事務所追蹤 133 名專利律師，發現工具能改善特定任務的交付表現，但這不等於獨立判斷能力同步累積。
對導入生成式 AI 的專業團隊而言，交付品質、速度和成員能否獨立判斷需要分開觀察。這項三個月研究是 NBER 工作論文，由 Google 執行並提供直接經費，部分共同作者任職於 Google。
AI 輔助草稿變好，獨立判斷是另一項能力
不能只從 AI 輔助成果推斷員工已具備獨立完成工作的能力。 研究分別測量有工具時的撰寫品質，以及三個月後無工具時的審閱判斷。
133 名專利律師參與三個月實地研究
研究團隊把參與者隨機分配到可使用客製 AI 專利撰寫助理的組別，或暫時沒有該工具的對照組。研究安排兩項評量：專利撰寫基準任務與無 AI 專利草稿修訂任務。所有作品由不知道組別身分的專利律師評分，評量面向包括可執行性、技術準確度、策略性模糊、完整性與清晰度。
撰寫與無 AI 審閱測量不同表現
AI 組在第 10 天與第 90 天的撰寫草稿評分分別比對照組高 0.34 與 0.38 個標準差，初階律師增幅較大。三個月後的無 AI 任務則要求參與者審閱並修訂既有專利申請草稿，初階律師沒有平均增益。兩種任務測量不同能力，草稿評分不能取代獨立審閱的評估。
初階律師的評分分布分化，不能簡化成整體退步
沒有。 Autor 等人在 NBER 工作論文中發現，初階律師的無 AI 審閱分數沒有平均增益，且分布更分散；這不等於每位初階律師都退步，也不足以證明長期職能受損。
無 AI 審閱結果呈現不同走向
無 AI 審閱時，資深律師平均表現提升，初階律師沒有平均增益。初階組分數分布也更分散，中間程度的分數減少、較低與較高分數增加。研究無法據此判定個別差異的原因。
研究者推測，既有專業知識可能影響使用者能否從 AI 協助中學習，但這仍是解讀，尚未證實。團隊可觀察初階成員能否指出工具錯誤、說明取捨並親自完成關鍵修訂。
“AI assistance served as a springboard for some juniors and a cushion for others.”（Autor 等人，《NBER Working Paper 35720》摘要）
工作流程要分開衡量產出、時間與判斷
至少分開記錄交付品質、完成時間，以及成員在沒有 AI 時能否辨識與修正問題。 三類指標回答不同問題，不能用其中一項代替另外兩項。
先定義每個環節要培養的能力
專業工作常包含資料整理、初稿撰寫、錯誤辨識、策略選擇和核定。團隊可標出哪些環節適合 AI 協助、哪些判斷須由人員負責。例如，AI 整理發明揭露或提出草稿選項後，初階人員仍可先標註權利範圍、找出技術描述矛盾，再比較工具建議。
客服研究提供一個不同職種的對照案例。Brynjolfsson、Li 與 Raymond 分析 5,179 名客服人員使用對話助理的資料，發現每小時解決案件數平均增加 14%，初階與低技能人員的增幅更大；研究者也提出工具可能傳遞資深員工的做法。這是客服工作中的結果，不能直接套用到專利訓練，但顯示工具可能同時改變產出與經驗累積方式（NBER 研究）。
另一個方向相反的案例來自 METR。研究者讓 16 名熟悉大型開源專案的開發者，對 246 項真實任務隨機使用或不使用 AI；在 2025 年初的工具與任務設定下，允許使用 AI 的任務平均多花 19% 時間。這提醒管理者按實際任務評估品質與耗時，不能只憑工具印象預估效益（METR 隨機試驗）。
判斷權利要求是否過窄時，應讓學員指出範圍、提出修改並說明理由；只核准 AI 修訂稿，難以看出初階人員掌握了什麼。
覆核要讓錯誤成為回饋，而非只做簽核
覆核時可記錄 AI 提議、採納或拒絕理由、發現的錯誤及最後修改。回饋指出錯誤類型與修改依據，累積的紀錄便能用於調整練習題、工具範圍和覆核密度。
“Improving performance and building durable professional judgment are different goals.”（David Autor、Tanya Rodchenko，Google Research 文章〈Does better work always mean better workers?〉「Further directions」段落）
研究還不能回答長期職涯與其他職業的結果
不能直接推廣。 研究限於美國專利工作與特定工具，三個月觀察不足以代表其他職種或長期職涯。
研究使用客製工具，且沒有介入前的能力基線測量；組間分數不能直接視為每位參與者的個人技能變化。研究執行與經費和 Google 有關，部分作者任職於 Google，解讀時應一併考量這項背景。
事務所採用外部 AI 前，仍須依客戶約定、內部政策及工具資料條款，確認發明揭露等內容能否輸入，並安排人工覆核責任。
導入前可用的職能培養檢查清單
檢查任務拆分、練習、覆核回饋與無 AI 評估，並定期比較兩種條件下的表現。
- 列出任務與責任： 哪些步驟由 AI 協助，哪些由初階人員先判斷，最後由誰核定？
- 定義評分指標： 分別記錄草稿品質、耗時、錯誤類型，以及人員能否說明取捨。
- 留下實作練習： 安排初階人員辨識問題、修訂內容並解釋選擇。
- 設計具體覆核： 資深人員標註錯誤原因與修改依據，讓回饋成為下一次練習。
- 定期做無 AI 評估： 用相近的新任務觀察獨立判斷，並據此調整分工。
- 確認資料治理： 依客戶約定及工具條款確認機密資料能否輸入，並核對資料保留方式。
- AI 輔助任務表現提高，不足以單獨證明專業能力已累積。
- 導入流程應分別追蹤交付品質、速度與無 AI 判斷，為初階人員保留先判讀、實作修訂及獲得回饋的機會。
- 這項研究來自美國專利工作場景，只有三個月觀察期；不要把結果直接當作其他職業或長期職涯的結論。
常見問題
Q1：AI 輔助專利撰寫會不會影響初階律師的職能培養？
研究未證明 AI 普遍阻礙初階律師成長；AI 草稿分數提高，但無 AI 審閱沒有平均增益。組織可保留實作與覆核。
Q2：工作品質提高，是否代表員工能力也提高？
不一定。要確認人員能否獨立完成任務，仍需無 AI 評估，觀察其辨識問題、修正內容和說明理由的能力。
Q3：這項研究能套用到所有職場 AI 導入嗎？
不能直接套用。研究對象是美國專利律師，工具和任務也有特定條件；其他職業應在自身流程中驗證。
Q4：法律服務團隊可以把客戶資料輸入外部 AI 嗎？
應先依客戶約定、事務所政策與工具資料條款確認資料用途及保留方式，再決定可輸入範圍；有疑義時交由法律與資訊安全人員確認。
