主管怎麼帶一個開始用 AI 的團隊？先把「驗收標準」訂清楚
Jacky ChenAI 系統架構顧問 · 擁有 HR 與獵頭背景的 AI 開發者一句話答案
主管帶一個開始用 AI 的團隊，最先要做的不是禁止或鼓勵用 AI，而是先講清楚「AI 做完之後， 什麼樣的產出算過關」。史丹佛社群媒體實驗室與 BetterUp Labs 調查 1,150 名美國全職工作者發現， 過去一個月有 40% 的人收過同事用 AI 生成、看起來完整卻沒有實質內容的「工作垃圾」（workslop）， 平均每次要花近 2 小時處理，換算成萬人企業一年超過 900 萬美元的隱形成本（依 Harvard Business Review 2025 年 9 月報導）。更值得注意的是，天下雜誌 2026 年 3 月的報導指出，帶頭生產這種內容 的常常是主管自己——因為主管自己也講不出「AI 做完之後該長什麼樣子」。真正有效的做法，是把 「驗收標準」變成可以講出來、可以檢查的具體條件，而不是一句「大家可以用 AI」的口號。
員工交上來的東西用 AI 寫得又快又工整，你卻覺得哪裡怪怪的、不敢直接用——如果你最近開始帶一個用 AI 的團隊，這種感覺大概不陌生。這不是員工偷懶，通常是因為根本沒有人講清楚「AI 做完之後，什麼樣的產出才算過關」。這篇談的就是這件事：怎麼訂驗收標準，怎麼避免有人拿 AI 產出交差，以及主管自己該先檢查什麼。
為什麼「員工在用 AI」本身不是問題，「沒有驗收標準」才是？
這種看起來完整、實際上沒有推進工作的 AI 產出，最近有個專門的說法叫「workslop」（工作垃圾）——史丹佛社群媒體實驗室與人才發展公司 BetterUp Labs 合作，調查了 1,150 名美國全職工作者，發現過去一個月有 40% 的人收過同事用 AI 生成的 workslop，其中約 15% 被認為「低效率、無意義、無法被使用」（依 Harvard Business Review 2025 年 9 月 23 日報導〈AI-Generated "Workslop" Is Destroying Productivity〉）。
代價不是抽象的。收到這種產出的人平均要花 1 小時 56 分鐘去補救、重寫或反覆確認，換算成一家萬人企業，一年的隱形成本超過 900 萬美元；對個別員工來說，這是每月約 186 美元的「看不見的稅」。情緒代價也不小：53% 的人收到後感到「惱怒」、38% 感到「困惑」、22% 感到「被冒犯」（同上出處）。
這組數字說明一件事：問題不在「員工用不用 AI」，而在「AI 做出來的東西，有沒有一套大家都同意的檢查標準」。沒有標準的時候，AI 只會把「看起來像做完了」這件事做得又快又逼真，而分辨「真的做完」和「看起來做完」的責任，就全部丟給收件的那個人。
主管自己會不會就是問題來源？
這一段可能不太舒服，但值得誠實面對。天下雜誌 2026 年 3 月 21 日的報導〈主管帶頭生產AI垃圾？負責任員工淪垃圾處理員〉指出，很多主管自己就缺乏辨識 AI 產出品質的能力，甚至帶頭生產這類內容——把決策、指示、對外溝通都外包給 AI，讓 AI 變成實質上的「決策者」。當員工必須反覆查核 AI 產出、重新解讀不清楚的指示、修正原本可避免的錯誤時，承諾的生產力提升就消失了，負責任的員工反而變成組織裡的「垃圾處理員」。
這件事之所以重要，是因為驗收標準本來就該由主管訂出來——如果主管自己都講不出「這份東西要達到什麼程度才算好」，員工自然也抓不到方向，只能把 AI 產出直接送出去，賭一把過不過關。104 職場力在 2025 年 9 月 26 日轉載這份調查時，給的具體建議也呼應這一點：主管要明確訂出使用 AI 的具體理由與公司指導方針、提供培訓讓大家知道怎麼用、鼓勵團隊坦誠說明 AI 協助了哪些部分、建立品質承諾機制——而不是只丟一句「大家可以用 AI 提升效率」就沒有下文。
「驗收標準」具體要包含什麼，才不會流於口號？
哈佛商業評論在 2026 年 1 月的後續報導〈Why People Create AI "Workslop"—and How to Stop It〉提到一個很直接的調查結果：多數員工自己也認同，57% 的人認為「更清楚的品質標準」能減少 workslop，51% 的人認為「更好的 AI 訓練」有幫助。換句話說，員工不是不想把事情做好，是不知道「好」的定義是什麼。
實務上，一套可以檢查的驗收標準至少要包含三件事：
- 這份產出要解決什麼具體問題、給誰用——不是「寫一份報告」，是「給客戶看的報價說明，目的是讓對方今天就能決定要不要下單」。 - 哪些部分必須是人親自查核過的——數字、承諾、對外的用詞，這些是 AI 生成後一定要有人逐項核對的項目，不能因為「看起來對」就直接放行。 - AI 幫忙的部分要不要註明——不是為了究責，是讓下一個接手的人知道哪裡該多留意，也呼應 104 職場力建議的「坦誠溝通 AI 協助角色」。
這三項寫下來不難，難的是主管要先想清楚自己對「好」的定義是什麼。這其實跟員工個人用 AI 產出品質不好的原因是同一件事——沒有定義驗收標準，AI 只能給出最不會出錯、但也最空泛的版本，這點我們在〈為什麼你用 AI 產出的東西很爛？〉裡談過個人使用的角度，這裡談的是把同樣的邏輯放大到整個團隊、變成大家都要遵守的共同標準。
也有不同的意見：不是所有任務都需要同一套審核力道
不過也要誠實講一件事：不是每一項工作都需要同樣嚴格的人工審核，把驗收標準訂得太重，反而會拖慢原本該加速的部分。太毅國際 2026 年 5 月 13 日一篇整理管理文獻的文章（基於 ECIS 2024 一篇彙整 53 篇研究的論文）提出一個分類框架：結構化、重複性強、規則明確的任務（例如排班、資訊整理）可以放心交給 AI 處理；但涉及關係維護、情境判斷、倫理把關的部分，仍然必須留給人。這份文章本身沒有給出量化的審核比例或 KPI，是一個定性的分類邏輯，但方向跟前面的調查一致：審核的力氣要花在「判斷」的地方，不是每一份 AI 產出都要用同樣的力道檢查。
把這點放進驗收標準裡，實際的做法是分級——例行、規則明確的產出（例如格式化的週報、資料彙整）可以用抽查取代逐項核對；涉及對外承諾、金額、法遵、或影響他人決策的產出，才需要主管或資深同事逐項過目。一視同仁地要求所有 AI 產出都全面複核，反而會讓團隊覺得「乾脆自己重寫比較快」，回到 AI 導入前的效率。
就算主管訂了標準，公司制度沒跟上，有用嗎？
有用，但效果會被打折扣，這點也該先讓自己有心理準備。微軟 2026 年 6 月 30 日發布的《2026 工作趨勢指數》台灣報告指出，決定 AI 導入成效的因素裡，組織文化、主管支持與人才管理機制這類組織層面因素占比高達 67%，是個人使用習慣與心態（32%）的兩倍以上；但同一份報告也顯示，台灣只有 17% 的 AI 使用者認為企業領導團隊具備清晰且一致的 AI 策略，低於全球平均的 26%。
這代表什麼：如果你的團隊是台灣多數企業的縮影——上層還沒有一套完整策略——那主管在自己這一層先訂出具體的驗收標準，就不是「等公司政策」，而是先把自己團隊的那一塊做對，本身就是在補上組織層級缺的那一半。這跟企業整體導入 AI 該走的階段順序是同一個邏輯，我們在〈企業導入 AI 常見的 5 個失敗原因〉裡也提過：多數失敗不是技術問題，是沒有把關與迭代機制——這篇談的是團隊管理版本的同一件事。
那用 AI 真的有讓工作變快嗎？別急著假設答案是肯定的
在訂驗收標準之前，還有一個常被忽略的前提要先破除：「用 AI 一定比較快」這個假設本身就不一定成立。美國 AI 安全研究機構 METR 找了 16 位經驗豐富的軟體工程師，實際執行 246 項任務進行對照實驗，結果發現在有 AI 工具協助的情況下，完成任務所花的時間反而比不用 AI 時多了 19%（依遠見雜誌 2025 年 9 月 25 日報導）。原因不難理解：查核、修正、來回溝通「AI 幫的忙到底對不對」，這些隱藏的工作時間常常被忽略。
這對主管的意義是：不要用「有沒有用 AI」來評估團隊效率，要用「產出有沒有一次到位、需不需要重工」來評估。如果訂了驗收標準之後，團隊反而覺得變慢了，不代表標準錯了，反而可能代表之前的「快」是假的——那些沒被抓出來的錯誤，本來就要花時間補，只是之前沒人算進成本裡。
出處
1. Harvard Business Review〈AI-Generated "Workslop" Is Destroying Productivity〉：史丹佛社群媒體實驗室與 BetterUp Labs 合作調查 1,150 名美國全職工作者，40% 過去一個月收過 AI 生成的工作垃圾（workslop），約 15% 被認為低效率／無意義／無法使用，平均每次處理耗時 1 小時 56 分鐘，萬人企業年損失逾 900 萬美元，每員工每月隱形成本約 186 美元；53% 惱怒、38% 困惑、22% 被冒犯。發布日期：2025-09-23。來源：hbr.org
2. Harvard Business Review〈Why People Create AI "Workslop"—and How to Stop It〉：57% 員工認為更清楚的品質標準能減少工作垃圾，51% 認為需要更好的 AI 訓練；workslop 成因多來自主管給的指示模糊、團隊過度負荷。發布日期：2026-01。來源：hbr.org
3. 天下雜誌〈主管帶頭生產AI垃圾？負責任員工淪垃圾處理員〉：指出許多主管缺乏辨識 AI 產出品質的能力、甚至帶頭生產工作垃圾，把決策與溝通外包給 AI，導致負責任員工淪為查核與修正的「垃圾處理員」。發布日期：2026-03-21。來源：cw.com.tw
4. 104職場力〈AI亂象！95%企業被「工作垃圾」拖垮〉：轉載蓋洛普引述 MIT 媒體實驗室「95% 組織未從 AI 投資獲得可衡量回報」，以及史丹佛／BetterUp 的 workslop 調查數據；並提出主管具體建議——訂定使用 AI 的具體理由與政策、提供培訓、鼓勵坦誠溝通、建立品質承諾機制。發布日期：2025-09-26。來源：blog.104.com.tw
5. Microsoft《2026 工作趨勢指數》台灣報告：組織文化、主管支持、人才管理機制等組織層面因素，占 AI 導入成效影響比例達 67%，是個人因素（32%）的兩倍以上；台灣僅 17% 的 AI 使用者認為企業領導團隊具備清晰一致的 AI 策略（全球平均 26%）。發布日期：2026-06-30。來源：news.microsoft.com
6. 遠見雜誌〈「AI垃圾」幫倒忙？調查顯示：工作時間拉長20%〉：引用 METR（Model Evaluation and Threat Research）研究，招募 16 位資深軟體工程師執行 246 項任務，發現使用 AI 工具反而比不使用時多花 19% 工作時間。發布日期：2025-09-25。來源：gvm.com.tw
7. 太毅國際〈AI領導力關鍵報告：組織管理任務哪些該交給AI，哪些必須留給人？〉：提出任務分類框架——結構化、規則明確的任務適合交給 AI，關係維護、情境判斷、倫理把關須留給人；基於 ECIS 2024 一篇彙整 53 篇研究的論文，⚠️ 屬定性框架，文中未提供量化審核標準或問卷數字。發布日期：2026-05-13。來源：timingasia.com
常見問題
為什麼員工用 AI 寫的東西看起來很完整，我卻覺得用不下去？＋
這正是「workslop」的典型特徵：語句通順、格式工整、語氣自信，但缺少推進工作所需的實質內容。史丹佛與 BetterUp 的調查發現這種產出過去一個月有 40% 的員工遇過，平均要花近 2 小時處理。會有這種落差，通常是因為員工不清楚「怎樣算過關」，只能交出「看起來像做完」的版本。
我該直接禁止某些工作使用 AI 嗎？＋
不建議一律禁止。太毅國際整理的管理框架建議依任務性質分級：結構化、規則明確的工作可以放心交給 AI，涉及關係維護、情境判斷、倫理把關的部分才需要人主導、AI 只能輔助。一律禁止或一律放行，都會失去分辨判斷的機會。
驗收標準具體要寫哪幾項？＋
至少包含三件事：這份產出要解決的具體問題與對象是誰、哪些部分必須有人逐項核對（數字、承諾、對外用詞）、AI 協助的部分要不要主動註明。哈佛商業評論 2026 年 1 月的調查顯示，57% 的員工認為更清楚的品質標準能減少工作垃圾，51% 認為需要更好的 AI 訓練。
主管自己要怎麼檢查有沒有製造工作垃圾？＋
先問自己一個問題：如果部屬把你發出去的 AI 產出品質標準當成範本照做，結果會不會也是一堆空泛但看起來完整的東西？天下雜誌報導指出，很多主管自己就是問題源頭——把決策、指示外包給 AI，卻沒意識到自己也該遵守同一套審核標準。
公司還沒有正式的 AI 使用政策，主管能先做什麼？＋
可以先在自己團隊內訂出來，不用等公司政策。微軟 2026 工作趨勢指數台灣報告顯示，組織層面因素占 AI 導入成效的 67%，但台灣僅 17% 的員工認為公司有清晰一致的 AI 策略——這代表主管在自己團隊先做對，本身就是在補組織缺的那一塊。
用 AI 真的有讓團隊效率變快嗎？＋
不一定，要看有沒有把查核與重工的時間算進去。METR 找 16 位資深工程師做的對照實驗顯示，使用 AI 工具完成任務反而比不用時多花 19% 時間。評估團隊效率時，該看的是「產出有沒有一次到位」，不是「有沒有用 AI」。 ---
還有其他問題？看完整常見問題 →
Jacky Chen · AI 系統架構顧問
讀到這裡，如果你手上正好有個流程想自動化、或想把 AI 變成一套真的能營運的系統——直接找我聊。一次免費的技術診斷，我幫你看清最值得先動的是哪一塊，不繞圈子、不推你不需要的東西。