AI越強、工時越長：這筆生產力帳，省下來的時間去了哪裡

2026年9月13日，掘金上一篇工程師的長文再次被推上討論區。作者自述接觸生成式AI兩年多，訪談過至少幾十位深度使用AI的開發者與產品經理，結論只有一句：AI越來越強，人沒有輕鬆，反而更忙、更內耗。文中的細節很具體，以前一天做完一個需求，現在一天推進數個；以前專案按週排期，現在按天計算；開發者每天的工作變成監工、看日誌、催促AI、再回來循環。

這則貼文值得從財經角度重看一次。它碰到的其實是經濟學裡一個老問題：生產力提升之後，收益分配給誰。是把工時降下來給勞方，還是把交付預期拉高給資方。這兩年的AI落地，給了一個階段性的答案。

結構拆解：省下來的時間沒有消失，只是換了科目記

作者觀察到的第一個現象是時間的再填充。AI把一個功能從一天的工時壓縮到一小時，但公司觀察到速度提升後，同步上調了交付預期。個人端也一樣，過去因學習成本太高而放棄的方向，現在第一反應是讓AI試一下，於是原本不會進計畫的任務全部排進來。

用成本結構的語言說，AI降低的是單位任務的邊際工時，但組織與個人同步擴大了任務總量，兩者相乘之後，總工時不降反升。這與製造業自動化的歷史經驗一致：單位產出的人力投入下降，但產能預期上調，最終就業與工時的變化取決於需求彈性，而非技術本身。紡織機、Excel、雲端運算，每一輪工具革命都走過同一條路。

第二個現象更關鍵。作者指出，AI開發的需求遠比傳統前後端複雜，因為傳統需求是固定的，Agent需求是不固定的。這改變了勞動的性質：從執行轉向監督與驗證。AI可以並行，人不行。多個Agent同時產出，人必須逐一理解改動、確認風險、判斷可信度，甚至讓一個AI審查另一個AI，最後仍然需要人判斷審查結果是否可信。

這裡的帳很清楚：AI壓縮的是生產時間，膨脹的是驗證時間。而驗證是一種高認知負荷、無法並行、無法外包給工具本身的工作。作者用半自動駕駛比喻，過去累在操作，現在累在持續觀察與判斷。方向盤還在手上，車速卻快了好幾倍。

這也解釋了為什麼測試通過不代表業務正確。企業內部存在歷史規則、角色權限、流程例外、資料口徑，這些沒有寫進文件的隱性知識，恰恰是驗證環節最貴的投入。AI產出的表面成本趨近於零，但每一次產出都附帶一筆人工核驗的隱含成本，這筆成本目前幾乎全額由使用者個人吸收，沒有計入任何專案預算。

影響推演：誰受惠，誰承壓

短期帳面上，受惠方是僱主與平臺。同樣薪資對應的產出上升，單位人力成本下降；AI工具訂閱費相對於節省的工時，是典型的高槓桿支出。OpenAI在9月3日發布GPT-6 Astra，總裁Greg Brockman喊出歡迎來到AGI時代，模型能力的每一次升級，都在拉高企業對交付速度的預設值。

承壓方是中層知識工作者。他們同時是AI的最大使用者和最大驗證者，工作節奏被按天計算的排期重塑，注意力被多個並行任務切分。作者描述的狀態，同時推進N件事、腦子裡裝的事越來越多，在勞動經濟學裡對應的是任務切換成本與認知超載，兩者都被證實與職業倦怠高度相關。這也與近期睡眠經濟討論中觀察到的需求分層相互印證：越高效能的工具使用者，越成為恢復型消費的核心客羣，可參考先前分析的熬夜後恢復的睡眠經濟需求分層。

中介的傳導機制是績效預期。AI能力邊界的擴張，先被管理層轉譯為排期壓縮，再由排期壓縮轉譯為個人的任務清單膨脹。作者自己也承認這件事不能只怪公司，個人同樣在擴張欲望：一個產品想法好像只差一個週末。工具降低了嘗試的門檻，也降低了說服自己放棄的門檻。

更長期看，這筆帳會往兩個方向結算。一是企業開始把驗證成本顯性化，設置代碼規範、權限範圍、測試門禁、審查流程，把原本由個人吸收的隱含成本移回組織預算，這會催生一批AI治理與品質稽核的新職位。二是勞動市場出現分化，善於管理並行Agent的人薪資溢價上升，只能被動接受排期壓縮的人議價能力下降。

收束判斷

作者的結論值得記下：AI並沒有替他拿回時間，只是讓他擁有繼續塞滿時間的能力。這句話在個體層面是感受，在總體層面是分配問題。技術提升生產力，但工時是否下降，取決於制度、契約與需求端的定價方式，而非模型參數。

對照歷史，工時的實質下降從來不是技術自動帶來的。二十世紀初製造業每週工時從六十小時降到四十小時，靠的是勞動立法與工會談判，中間隔了數十年。AI這一輪會不會更快，目前沒有足夠數據支持樂觀或悲觀的斷言。可以確定的是，在驗證成本被顯性定價、被計入專案預算之前，這筆帳會繼續掛在個人身上，以加班、內耗與倦怠的形式結算。企業若持續只認列AI省下的工時、不認列它製造的核驗工時，報表上的效率提升，有一部分其實是從員工的認知餘裕裡借來的。