當 AI 越來越聰明，你覺得越累還是越輕鬆？
前陣子我用 AI 討論一篇文章的方向，來回改了四五輪。它每一版都寫得完整、讀起來也站得住，但我每一版都得停下來想：這個論點的根據是什麼？跟我在現場看過的對得上嗎？
結果是：這次花的時間雖然比我自己從頭寫來的少，但耗費的精神比較多。操作輕鬆了，判斷點卻變更多。
如果你也有這種感覺，用得越順、產出越快，但一天下來腦袋更沉，那不是你的錯覺，也不是你不夠會用。
為什麼用 AI 反而更累？
波士頓顧問公司（BCG）的研究團隊在 2026 年 3 月的《哈佛商業評論》發表了一項調查，把這個現象命名為 AI brain fry，中文可以譯作「AI 腦過載」，定義是：因為過度使用或監督 AI 工具，超出個人認知容量所產生的心理疲勞。[註1]
研究調查了 1,488 名美國全職工作者。在有使用 AI 的受訪者裡，14% 說自己有過這種經驗。比例最低的是法務工作，6%；最高的是行銷，26%。
受訪者的描述很具體。有位資深工程主管說，他同時開著兩個工具、不斷在中間切換、每件小事都要再確認一次，結果不是變快，是腦袋開始覺得擁擠：「像是腦子裡開了一打瀏覽器分頁，全部在搶注意力。」讓他清醒過來的，是意識到自己花在管理工具上的力氣，已經超過花在解決問題上的力氣。
研究把疲勞的來源指向：監督。需要高度監督 AI 的人，比低度監督的人多花 14% 的心力、多出 12% 的心理疲勞，以及 19% 的資訊過載感。
還有一個數字值得經營者知道：同時使用兩個 AI 工具，生產力明顯上升；加到第三個，還是上升，但幅度變小；超過三個之後，生產力反而往下掉。
為什麼監督 AI 特別耗神？
用 Excel 算一份財務模型，公式跑出結果就是結果，你不需要審閱 Excel 有沒有誤解你的意思。
AI 給的是語言、判斷、方向、結論。每一項都需要你動用判斷力去確認它值不值得信。而且它產出的速度遠快過你檢查的速度，所以瓶頸從「做」移到了「檢查」。
研究裡有一個反直覺的發現：用 AI 取代重複性、例行性工作的人，倦怠分數反而比不這樣用的人低 15%。所以問題不在用不用、用多少，而是用在哪些任務上。把整理、彙整、草擬交出去，能省下力氣；把需要判斷的事情交出去，要付出的監督成本可能比自己做還高。
腦過載會付出什麼代價？
這件事不只是影響身心，同一份研究也把代價量化了出來：
有腦過載經驗的人，決策疲勞比沒有的人高 33%。輕微錯誤的發生頻率高 11%，重大錯誤高 39%，研究對重大錯誤的定義是「會影響安全、結果或重要決策的錯誤」。
離職意願也有落差。沒有腦過載的人，25% 有明確的離職打算；有腦過載的人，這個比例是 34%。而會出現腦過載的，通常是公司裡 AI 用得最深、最不希望流失的那群人。
但更要留意的，或許是不覺得累的那些人
接下來這一段是我自己的推論，研究沒有提到。
上面談的都是深度使用者的疲勞。可是還有另一群人，他們用 AI，而且一點都不累。
我遇過的情況是這樣：老闆自己把訂單資料倒進 AI，客單價、回購率都算出來了，報告完整、格式漂亮，他很滿意，接著就拿這份報告去調預算。從頭到尾他沒有覺得辛苦。
研究把「監督」指認為最耗神的環節。那麼反過來看，不覺得累的原因或許有兩種：一種是已經找到自己的節奏，把該交出去的交出去了；另一種是根本沒有在監督，不是不想，是不知道有什麼需要確認。
後面這種狀況，在老闆這個位置上風險可能最大，因為決策權在他手上，而疲勞這個警訊不會出現在他身上。
研究者也提到，心理疲勞這種狀態，在公司既有的員工調查裡不容易被偵測到。換句話說，有在檢查、因此覺得累的人，他們的狀況本來就不容易被看見；而不覺得累的人，連疲勞這個訊號都不會出現，更不會有人察覺哪些錯誤需要留意。
AI 的錯誤，為什麼越來越難發現？
這件事會變棘手，跟 AI 變強有直接關係。
早期的 AI 錯得很明顯：事實錯、邏輯斷掉、句子怪，不懂那個領域的人也看得出來。現在不一樣了。它的論證完整、結構工整、結論看起來站得住，錯的地方通常在前提選擇、範圍界定，或某個它沒說出口的假設。
寫這篇的時候就遇到。我一開始先提供一篇中文研究摘要給AI閱讀，這份研究摘要整理得很好，數字齊全、來源列了十幾筆，讀起來沒有任何可疑的地方，我本來打算直接引用。
後來還是把原始論文找出來對照了一次，結果有幾處對不上：摘要裡列了四個職業別的百分比，原文只給了其中兩個；有一個現象被寫成是這份研究的發現，實際上可能是另一篇文章的概念；還有一組投資金額的數據，在原文裡找不到。
感覺那份摘要不是亂寫的，整理得非常仔細。那份摘要的問題出在轉述引用的過程中，有些內容可能被別的資料補上了，而補上的部分沒有和原有的內容分開標示。如果我沒有去看原文，那些數字現在就會出現在這篇文章裡，但根本不是原文研究提到的數據。
這份中文研究摘要看起來似乎是AI整理的，論證皆其來有自，但最後出來的結果卻與原文有多處差異，而整理者似乎沒有發現，於是接續引用的人若再不查證，也就將錯就錯，這樣的錯誤已經不是一眼能看穿的。
回到剛剛那篇文章，AI 算回購率的時候，得先決定分母放誰、期間多長、算的是哪個範圍。這些如果沒有明確界定，AI會自己選一個常見的做法，然後給你一個看起來很專業的數字。它不會算錯，只是算的那件事，可能跟老闆要做的決定對不上。（回購率怎麼算那篇我把幾種定義拆開講了。）
所以現在要看出錯誤，需要的不是懷疑精神，是那個領域的實務經驗。這也是為什麼「多找幾個人一起看」不一定有用，如果那幾個人都沒有現場經驗，看再多遍也一樣。
我自己怎麼用 AI？
講幾個我實際在用的做法，有些我直接寫成固定指令，每次對話都套用。
先要大綱，不直接要成品。 方向錯的時候，讀完兩千字才發現，不只浪費時間也浪費 token。大綱階段改一句話就好。
需求講不清楚的時候，要它先問我，不要自己補完。 這條是我寫在固定指令裡的。AI 遇到模糊的地方會自動填一個合理的假設，而且不會告訴你它填了什麼，那個假設就是後面所有結論的基礎。
要求它給建議前先說根據。 分開標示哪些是它推導的、哪些有外部依據。這招是最近加上的。前陣子我請它幫我想服務的賣點，它給了三個，每一個論證都完整。我推翻了兩個，不是因為推理有問題，是因為其中一個建立在它以為我有、但我其實沒有的資源上。三個賣點部份是推導的，混在有依據的論述裡，如果只是讀過根本看不出問題，需要逐條仔細思考找出證據，才會發現AI建議的盲點。為了降低我的監督成本，我讓AI分開標示。
沒有確定答案的時候，要它給我驗證方向，不要給我答案。 去哪裡搜尋、看什麼平台、找哪一類的社群，讓我自己去確認。它的建議當作起點，我的判斷才是終點。
要求它主動說出論點最脆弱的地方。 它不會自己標記不確定，除非你問。
用外部事實去對照，不要只檢查邏輯。 一段前後說得通的論證，光看文本內部是看不出問題的。要拿它手上沒有的資訊去核對：我實際有什麼、這個數字跟我在現場看過的對不對得上。
最後一條不是給它的指令，是給我自己的提醒：讀到一段很順的論述時，停下來問一句，這裡面哪一句話是我可以去查證的。 如果整段都是推論、沒有一個可以拿去對照的具體事實，那多半是用結構感在冒充內容。
這些做法有一個共同前提：得對那個領域有判斷力。方法可以學，判斷力沒辦法，它是一次一次決定、一個一個坑累積出來的。所以與其問「怎麼用 AI 才對」，實際的問題可能是：這件事我有沒有能力判斷它做對了沒有？沒有的話，誰有？
所以，越累還是越輕鬆？
我的答案是：操作變輕鬆，判斷變多了，而且判斷這件事沒辦法外包給工具。
如果你現在覺得累，那個累是有價值的，代表你在檢查。需要留意的情況是：你用得很順，一點都不費力，而且從來沒發現它給錯過什麼。
上面這些操作細節，如果你想聊得更細一點，諮詢的時候可以一起討論。不過那不是重點，重點還是你手上卡住的那個問題。
如果你有一個想找人一起看的問題：
60分鐘諮詢，幫你解一題
常見問題
Q：用 AI 工作反而覺得更累，是我的問題嗎？
A：BCG 研究團隊 2026 年 3 月發表於《哈佛商業評論》的調查，把這個現象命名為 AI brain fry（AI 腦過載），在 1,488 名受訪者中，有使用 AI 的人約 14% 有過這種經驗，行銷職務比例最高（26%），法務最低（6%）。研究把疲勞來源指向監督：需要高度監督 AI 的人，比低度監督的人多花 14% 的心力。反過來說也值得想一想：不覺得累，可能只是沒在檢查。
Q：那要不要少用 AI？
A：同一份研究發現，用 AI 取代重複性工作的人，倦怠分數比不這樣用的人低 15%。所以關鍵不在量，在用在哪些任務上：格式整理、資料彙整、初稿草擬這類工作交出去可以省下力氣；需要判斷的部分留給自己。另外研究也發現，同時使用超過三個 AI 工具之後，生產力反而會下降。
Q：員工用 AI 用到累，對公司有什麼實際影響？
A：研究把代價量化了：有腦過載經驗的人，決策疲勞高 33%，重大錯誤的發生頻率高 39%（重大錯誤指的是會影響安全、結果或重要決策的錯誤），離職意願也從 25% 上升到 34%。而且這群人通常是公司裡 AI 用得最深的員工。
Q：老闆自己用 AI 看數據，有什麼要注意的？
A：值得留意的是，你不會知道自己沒問什麼。AI 在算一個指標之前，得先決定分母放誰、期間多長、算的是哪個範圍，這些它會自己選一個常見做法，不會主動提醒你，建議找一個熟悉你們現場資料的人核對一次。
Q：怎麼知道 AI 給的答案有沒有問題？
A：用外部事實去對照，不要只檢查邏輯。一段前後說得通的論證，光看文本內部看不出問題，得拿它手上沒有的資訊來核對：你實際的資料長什麼樣、這個數字跟你在現場看到的對不對得起來。另外可以要求它分開標示哪些結論是推導的、哪些有外部依據。
本文作者有 18 年企業現場營運管理經驗，專注中小零售業的指標診斷與獲利結構優化。
參考資料
[註1] Bedard, J., Kropp, M., Hsu, M., Karaman, O. T., Hawes, J., & Rosen Kellerman, G. (2026, March 5). When Using AI Leads to "Brain Fry." Harvard Business Review. 本文引用之調查數字與研究結論均出自原文。
延伸閱讀
