AI 採用的心理成本

資料來源#

摘要#

組織採用 AI 通常以使用率和生產力來評估。Alami、Paja 與 Tiwari（南丹麥大學／哥本哈根資訊科技大學，arXiv 2609.03456，2026-09-03，case-study）探問這件事讓實際推動採用的人付出什麼代價，並以一項整體個案研究作答——「SoftHouse」是一家化名的丹麥軟體服務公司，有 1,200 名員工，正值全組織採用 AI 滿一年；研究材料包括 21 次半結構式訪談、5 場利害關係人會議，以及 12 次受訪者檢核訪談。

他們將心理成本定義為「從業者在組織採用 AI 期間承受的不利認知、情緒、動機與社會經驗」，並指出五種成本：不確定性困擾、問責焦慮、認知負荷加劇、專業技藝認同受損，以及意義感與滿足感流失。

最具廣泛意義的發現是否定性的：這些成本並非抗拒。「我們幾乎沒有發現從業者反對採用 AI 的證據。」採用停滯的地方，原因是合規限制、使用情境契合度不一，以及照常交付業務的壓力，而不是反對。這些成本「與接受、熱忱和感知到的生產力效益並存」，而且出現在整個採用範圍，從探索性使用到代理式使用皆然。任何把使用率緩慢解讀為抗拒變革的採用模型，衡量的都是錯誤的東西。

精確說明個案，因為邊界條件才是關鍵#

**領域。**產品服務於公共衛生、政府行政與稅務，有些系統已運作二十多年，遍及 50 多個國家。可靠性、安全性與法規遵循是「合約和法律義務，而非願景」，並由外部法規、流程認證和內部稽核構成的多層制度加以落實。自約 2005 年起採用敏捷開發；約 50% 員工是軟體工程師。
鼓勵採用，但從未強制。論文明確說明並重複三次（「支持而非規定」、「鼓勵但不強制」，以及邊界條件中再次說明）。作者將此策略稱為實驗並分享：不規定工作流程，各專案在自己的合規範圍內進行實驗，並預期經驗能在組織內流通。
**工具。**GitHub Copilot 在推出時（2025 年 1 月）於全企業部署，三個月後便因「品質問題」遭到棄用——工程師回報「程式碼品質問題」以及「對產品整體不滿」。之後改用 Claude Code 和 Claude Desktop，樣本中每位參與者都使用這兩者之一或兩者；另有三位參與者使用其他工具（CodeScene、本機 LLM、自訂代理程式）。有位參與者的專案只允許使用本機託管模型，實驗因「運算能力有限」而失敗。
**鼓勵採用的整套措施。**設有專責 AI 計畫並任命主管；各專案設有 「AI 大使」（「不一定有 AI 相關經驗」）；建置知識中心；內部訊息無所不在（「每場會議都在談 AI……我想不起來哪場公司簡報不是在談 AI」）；另有五級 AI 成熟度模型（新手 → 代理式），從業者據此評估自己的使用情形，組織也期望他們逐級提升。
**治理尚未完成。**採用滿一年時，公司已有資料分類、線上存取和向代理式工具委派憑證的規則；完整的內部 AI 政策「仍在制定中」。允許的用途依客戶和領域而異，有些專案禁止使用商業雲端工具。

論文認為，這組條件——高度問責、治理未完備、在可見度量下自願採用——會放大成本，而這部分最有可能適用於其他組織。

組織衡量了什麼，又沒有衡量什麼#

兩者之間的落差正是論文實務論點所在。

有衡量：個人在 1–5 級 AI 成熟度階梯上的位置（由本人評估，但領導階層看得到，也會討論），以及企業採用率目標——「軟體工程師的採用率達到 50%」。滿一年時未達標，這也是 SoftHouse 最初加入研究聯盟的原因。

**沒有衡量：**任何成本面向的項目。個案描述中完全沒有生產力或效率的衡量——領導階層預期會有增益（「我們真的也預見生產力和效率會提升」），並將其連結到成長論述，但論文沒有報告任何衡量工具。驗證投入既未計數、未編列預算，也未被視為工作。沒有任何指標追蹤認同、意義感或滿足感。作者提出的建議是「將採用期望與個人衡量脫鉤，並承認驗證工作是正當的工作投入」。

因此，這套衡量制度只能回報進展。從業者卻將同一套工具視為威脅：「現在當然很冒犯人也很讓人不舒服，因為大家的 AI 成熟度都被衡量，而且新聞到處都在說這會讓很多人被裁掉；我相信大家也都因為害怕而更有動力使用 AI」（P1）；「他們定義了成熟度等級，最高到 5 級……所以他們逼我們評估自己」（P19）。原本作為採用溫度計建立的成熟度模型，卻被視為績效衡量工具——這是論文中最能移植到其他組織的教訓。

五種成本，以及它們的不對稱性#

路徑圖（圖 4.2–4.6，已檢視）呈現一項正文只順帶提及的結構性主張，也是論文最可付諸行動的發現：五種成本中，只有三種有組織層面的放大因素。

成本	起因	組織層面的放大因素
不確定性困擾	快速變化與新興技術	認知不確定性；感知到的採用壓力
問責焦慮	AI 輸出的未知風險	治理模糊；既有品質／合規標準
認知負荷加劇	源自問責焦慮（「轉化為」）	治理模糊；既有標準
專業技藝認同受損	改變職務的能力	無
意義感與滿足感流失	改變職務的能力	無

認同與意義感各只有一條箭頭，且沒有放大因素方框。作者指出其結果：「源於變革本身的成本，光靠更好的變革管理無法避免，但可以提供支持。」治理清晰、受保障的學習時間和驗證量能，確實能改善三種成本；但對從業者描述為不可逆的另外兩種成本，完全沒有任何可用手段。

以下以從業者自己的說法呈現各項成本：

不確定性困擾不是害怕 AI，而是知識變得容易過時：「AI 不斷讓尚在形成中的工作慣例失效」，因此適應成為永久狀態，而非過渡階段。「我很擔心，在這種變動中要怎麼建立穩定的工作流程」（P7）。一位資深工程師對採用策略本身的評價是：「『實驗並告訴我們你的想法』現在已不再是有效策略」（P2）——當目標變動速度超過分享週期時，實驗並分享無法收斂。
問責焦慮是仍須負責，卻無法妥善履行責任之間的落差。「負擔是減輕了，但做錯事的焦慮卻增加了」（P2）；「無法完全為結果背書」（P7）。SoftHouse 預設信任的文化（「我們信任你，直到有證據證明不是如此……他們信任我們是把關者」，P6）通常是優勢；但在治理模糊時，這種文化「讓每位從業者都變成自己的合規主管」，並把責任判斷轉嫁到個人身上。可觀察到的失敗模式是停滯，而非魯莽：「我不知道自己可以做什麼，所以什麼也不做，以免冒著做出不被允許之事的風險」（P11）。
認知負荷加劇是以工時呈現的問責成本。「我得做更多工作。認知負荷並沒有減輕……因為現在你能做更多，就覺得自己需要做更多……我得逐行檢查結果，我要為此負責」（P12）。
專業技藝認同受損失去的是從事工作的活動，而不是專業能力。「身為寫程式碼的軟體工程師，某種程度上就是我的身分；現在我成了會提示 AI，然後閱讀程式碼的軟體工程師」（P7）。「我上大學不是為了做這個」（P11）。一位架構師說：「這把所有有趣的部分都拿走了……我現在只是個提示詞猴子」（P17）。作者將此與科技不安全感區分開來，正是因為從業者「可能仍保有寶貴專業知識，卻失去實踐這些知識的機會」，所以「訓練或就業保障可能無法解決根本的認同受損」。
意義感與滿足感流失是失去作者身分。「最後的成品讓人覺得已經不是我做的了，因為它是某台機器寫的」（P12）；「你交付的實際成果已經不是我寫的了，而是某台機器寫的；它可能只理解了我某個時刻腦中想法的一部分」（P14）。而對未來的預期，則是論文對審查負荷最一針見血的描述：「擔心你的工作會變得很無聊，以至於你不再建造和創造，而基本上只是在審查東西，沒有人喜歡這樣」（P1）。

能動性位移：成本取決於 AI 接手多少生成性工作#

這是論文提出的第一個具名構念。能動性位移是指「AI 承接從業者過去藉以行使專業判斷、專業知識與所有權的活動之程度」——成本盛行程度取決於此，而非採用程度或職務資歷。

按職務分析的幅度（表 7，計算每種成本至少有一個第一輪編碼的參與者人數，並與 pdftotext -layout 交叉核對）：

職務	問責焦慮	專業技藝認同	意義感流失	認知負荷	不確定性困擾
軟體工程師（n=10）	10/10	10/10	10/10	7/10	10/10
軟體架構（n=3）	0/3	1/3	1/3	1/3	0/3
測試（n=3）	1/3	0/3	1/3	0/3	3/3
高階管理（n=5）	2/5	0/5	0/5	0/5	3/5

工程師這列幾乎全數中標：樣本中每位軟體工程師都提到五種成本中的四種。其他職務呈現的不是較輕微的同一種狀況，而是不同面貌。

**架構師處境較佳。**AI 擴展了他們的生成能力，而非取而代之：「我突然有個開發人員隨時能幫我」（P17，談到把 Claude Code 當成原型製作夥伴）。一位同事對架構師熱衷於 AI 的較不客氣解讀是：「他們沒有開發人員對他們說不」（P12）——從另一面看，這其實是同一件事：架構師獲得的正是過去必須和工程師協商才能取得的執行能力。
**測試人員是讓能動性位移保持嚴謹的反例。**AI 能補足評估工作，因此專業技藝認同受損為 0/3，其中一位測試人員表示工作樂趣未變（「它補足了我的努力……我真的很喜歡和它一起工作」）。然而，不確定性困擾達到 3/3——在工程師以外的職務中比例最高——因為實驗並分享的內容都與他們的工作無關：「大家到處分享的那些［實驗］，其實和我的職務不太相關。」職務即使未受位移影響，仍可能承受全部組織成本。測試人員持續掛心的另一件事也很直接：「測試人員比架構師更容易被裁」（P1）；因此她完全不願嘗試更深入的整合。
高階管理者承受問責焦慮和不確定性困擾，但沒有認同或意義感方面的成本——他們負責推動這項計畫，也必須證明其成效。

作者自己的提醒——讀者很容易因數據而忽略——是：這些比例來自 3 人和 5 人的小組；飽和度是在樣本層級而非職務內評估；分析明確屬於「描述性……探索性而非結論性」。這些數據不支持職務間的統計比較。主張在於方向，而非比例本身。

論文得出的實務結論是：「單一 AI 採用策略不太可能對所有軟體工程職務同樣有效」——面向工程師的採用策略需要保留生成性工作；面向架構師和測試人員的策略則需要強化決策能力。

這個構念預測了原本並非其用途的一種態度（2026-09-23）。能動性位移指出，成本會隨 AI 接手職務多少生成性工作而增加。如果從業者知道這一點，那麼位移最深的地方，理應正是抗拒最強的地方；而一項與此研究毫無樣本重疊、方法也毫無共通之處的研究，確實發現了這種情形。Angelini 與 Lyrvall對3,785 名博士生進行的潛在類別分析（Normative boundaries of AI in scientific work: Evidence from PhD researchers，arXiv 2608.25678，empirical）發現，人們對 AI 的接受程度是沿著任務界線分布，而非簡單的接受／拒絕界線：51.5% 能接受 AI 摘要文獻；對撰寫論文、分析資料或設計實驗這三項涉及作者身分與科學判斷的工作，接受度則約為 30%——也就是工作的生成性部分。占比最高的 44% 類型是「對任何事都不曾熱衷」，但仍呈現相同落差。兩篇論文從相反方向抵達同一件事：本文衡量已身處其中的人要為位移付出什麼代價；另一篇則衡量仍能選擇的人在哪些地方拒絕讓位移發生。兩者都指出相同的殘餘部分——另一篇 §5.2 所說，正是那些「研究者藉以學習形成論點、辨認限制、評估證據並做出獨立決策」的任務。

驗證稅#

這是第二個具名構念，也是將本文連結到 wiki 其他審查負荷證據的關鍵。驗證稅是「從業者在 AI 輔助工作時，為維持對自身工作負責而額外投入的認知與工程心力」。它明確不是第六種成本，而是「問責焦慮與認知負荷加劇的直接綜合」——圖中以一條「轉化為」箭頭從前者連到後者。

一位參與者比文獻更清楚地說明了背後機制：**「如果我們不用為它產生的程式碼負責，速度就會快很多」（P19）。**徵收此稅的是仍須承擔的問責責任，而非輸出量。AI 的產出速度不會決定稅率；稅率取決於從業者必須重新建立多少理解，才願意為輸出簽名背書。

作者對這筆成本為何不只是繁瑣、而是真的昂貴，有最精闢的觀察：

「軟體工程師不是寫完程式碼才驗證，而是在寫程式碼的同時驗證……AI 將程式碼生成外包後，這個過程便壓縮成以事後驗證為主；從業者必須評估自己並未完整參與其推理過程所產生的解決方案。」

驗證從來不是可獨立切分、成本也可單獨衡量的階段。委派作者工作創造了這個階段，接著再為過去會自然累積的理解開出帳單。這就是從人的角度解釋審查負擔的機制；Verification as the New Bottleneck 和 Acceleration Whiplash 則從遙測資料衡量這種負擔。這也解釋了為什麼模型寫程式碼的能力變好後，負荷不會跟著下降——只有當從業者不必重建那麼多理解就能為輸出負責時，負荷才會下降。

這項成本也與具體實務相連，而非憑空存在：接受前逐行閱讀（P12）；採用前分析每個生成的解決方案（P2）；以及同儕審查中，特別加強審查 AI 撰寫的內容（P16）——AI 的來源改變了審查者的做法，但程式碼審查流程原本是假設差異內容是由同事撰寫的。

作者以產業語言提出兩項含意：「AI 的生產力增益不能只用程式碼生成速度衡量」，而組織「必須在產能規劃和衝刺估算中，明確納入程式碼驗證所增加的認知負荷」。

管理、緩解、承受——以及沒有任何手段能觸及的一種成本#

回應方式依功能而非行為整理，並圍繞三項受保護資源（表 8，已與正文交叉核對）：

資源	功能	實務做法
能動性（掌控工作）	管理	持續參與流程；先具備程式碼庫知識，才能監督；按複雜程度篩選委派工作；檢視計畫和差異內容；接受變更前先做基準測試；刻意放慢速度；逐行驗證程式碼
能動性	緩解	等待明確許可前自行設限；停止未經核准的實驗；使用雲端工具前先移除資料；將工作區分為安全區與灰色區；拒絕具寫入能力的整合（「MCP 整合目前完全不考慮。我不會那麼做，因為我不想被開除」，P9）
能力（勝任工作）	緩解	刻意定期手動寫程式（「不用就會失去」，P7）；先自己寫、再用 AI（先完成自己的草稿才問 AI，以保護學習）；適度委派——樣板工作交給 AI，保留涉及大量商業邏輯的工作
專業認同	緩解	將職務重新定義為協調；把價值從寫程式碼轉移到「交付軟體，而非交付程式碼」（P10）；讓人類擔任架構完整性的守護者；重新定義軟體工程為問題解決
專業認同	承受	忍受樂趣流失；在有薪工作之外尋找樂趣；帶著未解決的狀況繼續工作；屈從

承受是本文真正的理論貢獻——新增的一種回應類別，既非因應，也非抗拒；在這種情況下，損失被認定為不可逆，只能承受。當被問到如何處理增加的精神負擔時，P7 回答：**「我沒有處理。我只是繼續做下去。」**P19 談到失去寫程式的樂趣時說：「感覺很不好。」

資源之間的不對稱性才是這項發現。改變工作方式可以恢復能動性；改變學習方式可以恢復能力；認同則兩者皆無法恢復。管理和緩解能觸及能動性與能力；認同只有緩解（重新詮釋）或承受，沒有其他選項——這與路徑圖從另一個角度得出的結論相同。

也要注意，管理欄同時就是驗證稅的帳單。每項保留能動性的做法都是驗證勞務，因此，成功讓從業者「持續參與流程」的組織，必然增加自己沒有衡量的認知負荷。

這項研究的證據分量#

正確歸類為 case-study，其設計支持解釋性移轉，而非規模推論。

**值得指出的優點。**研究在轉型期間而非事後取得參與機會；透過五場利害關係人會議，獨立於訪談重建採用歷程；21 位參與者中有 12 位對 15 頁的研究結果報告進行受訪者檢核，且不要求更改詮釋或模型；除 AI 計畫主管外，雇主無法得知參與者身分；職務幅度分析計算參與者人數而非編碼片段，因此健談的參與者不會勝過寡言者；作者用四頁說明邊界條件，限定自身的移轉主張。

限制，多數是作者自己提出的。

**一家公司、一年、一個時間點。**橫斷面研究無法判斷治理成熟後這些成本是否會減輕，或隨委派增加而加劇；作者明確不暗示任何一種走向。承受者是否會倦怠，或技能萎縮的憂慮是否成真，都是 3–5 年時間尺度內尚未知的事。
**樣本由資深員工主導。**年資中位數 9.5 年（範圍 1–23 年）；業界經驗中位數 20 年（範圍 2–40 年）；21 人中有 19 人年資至少十年。作者承認，這「可能使與專業知識和技藝認同受損相關的成本更加突出」。專業認同在生成式 AI 出現之後才形成的從業者，可能會呈現不同成本；唯一一位年輕工程師（P20，2 年經驗）僅是一個樣本。
職務分組人數很少（3、3、5 人），且工程師比例偏高；最有把握的主張也關於工程師。
盛行率既是編碼產物，也是一種現象。「至少一個第一輪編碼」門檻很低；10/10 代表每位工程師都說了可編碼的內容，不代表每位工程師都感到困擾。
**受監管領域的放大效應。**依照論文本身的模型，SoftHouse 的合規文化會放大成本。作者主張法規並非必要條件——只要「從業者仍須為自己無法充分理解、驗證或說明的軟體負責」，就「可能出現類似緊張關係」——但本文所見的程度屬於這家公司。
**自願採用是回應方式的邊界條件，不是成本的邊界條件。**手動寫程式的習慣、有限度委派和拒絕整合，都需要從業者能自行決定工作方式。若 AI 使用是規定的，論文明言「無法據此確定從業者會如何回應」。
未分析性別差異（5 位女性、16 位男性），作者基於代表性理由選擇不做分析。
利益衝突輕微且已揭露：研究透過 AI4SE Denmark 聯盟招募，經費來自 Innovation Fund Denmark；第一作者同時是訪談者和公司聯絡人，AI 計畫主管同時擔任把關者與參與者（P21）——這種招募管道會選出願意讓研究者看見自己談論 AI 的從業者。

另一項涵蓋整體人口的研究，以及它看不見的兩種成本（McKinsey，2026 年 8 月）#

The state of AI in 2026（McKinsey／QuantumBlack，2026-08-25，empirical，但為自我回報；97 個國家的 1,719 位受訪者）是本資料集中最大的一項研究，直接詢問從業者 AI 使用對個人的影響；將其與這項 21 人個案研究對照，雙方都能提供啟發。

**相互印證之處。**負面影響確實存在，但屬少數，且集中在高階主管以下（圖表 5）：47% 中階主管與個人貢獻者至少回報一項負面影響，相較之下，高階主管與資深主管為 31%。逐項比較中階主管／個人貢獻者／C 級主管／高階資深主管：「損害批判性思考能力」20／16／9／8；「增加對職涯前景的焦慮」19／18／6／10；「帶來承擔更多工作的壓力」18／10／12／11；「增加精神疲勞」14／7／7／7。正面項目在各級別相當一致（生產力 81／76／80／81），所以差距完全出現在成本面——這是大規模人口研究中，受益者和承擔成本者不對稱的表現，也正是本研究的核心發現。這群受訪者未經提示便提出的技能萎縮疑慮，在批判性思考項目中有整體人口層級的對應；本研究描述的恐懼驅動採用，則對應到職涯焦慮項目（整體為 13%）。

**研究看不到的部分，反而是更有用的發現。**調查工具包含十三項影響指標——七項正面、六項負面——**沒有任何一項衡量專業技藝認同、意義感、能動性或問責。**本研究參與者認定為不可逆的兩項成本，以及本研究發現沒有組織放大因素的一項成本，在業界每年執行的最大型自我回報研究中都無從看見。只讀 McKinsey 系列的企業會認為，AI 對個人的成本是壓力、焦慮、疲勞和產出量——在本研究分類中，這些都屬可管理類別——卻永遠不會得知從業者視為永久的損失確實存在。這是衡量上的落差，而不是意見不合：訪談設計之所以發現這些成本，正是因為它沒有預先設定固定的題目清單。

延伸閱讀#

Layered Supervision——同一重新界定問題的組織面向，早一個月發表，研究對象是五支瑞士團隊，而非一家丹麥公司。本文發現，仍須承擔責任會轉化成逐行驗證勞務；該文則發現，從業者認為逐行閱讀已不可能，於是改以營運可解釋性取代——讓系統可診斷、可重建，而不是完全理解。兩者是同一種壓力的相反解法，而差異可能來自合規制度：受監管的工作場所無法以可診斷性取代理解。兩篇研究都發現，負擔落在工程師身上，而非架構師
Community Smells Under AI Adoption——兩者都在問同一個問題（AI 採用對它所進入的人際系統造成什麼影響？），但使用相反的工具，也得出相反方向的答案。該文以 152 位專業人士的 PLS-SEM 發現，採用 AI 後社會技術反模式減少；本文則發現成本無所不在。兩者並不矛盾，原因在於結構不同：社群異味是團隊層級屬性，以互動頻率和溝通品質衡量；本文五種成本則沒有一種屬於團隊層級。一位工程師可以更常諮詢同事、溝通得更好，同時默默承受專業技藝認同流失——這正是 P12 在受訪者檢核時的描述（「你們有些發現大家私下在走廊和午餐時談過，但我們從未公開面對它們」）。兩項研究工具有交集之處，本文補上了社群異味模型無法看見的知識分享摩擦機制
Verification as the New Bottleneck——本文為這個樞紐補上人的成本。驗證稅就是瓶頸的帳單，而且計價方式和遙測資料不同：不是審查工時，而是讓那些工時無法省略的問責責任。P19 說的「如果我們不用為它產生的程式碼負責，速度就會快很多」，是本資料集中對瓶頸為何在此最清楚的說明
Acceleration Whiplash——遙測資料和訪談從兩端描述同一種現象。Faros 計算出審查時間增加五倍、每個 PR 的事故數增加 243%；本文則計算從業者因為要負責而逐行閱讀差異內容。本文補上遙測看不見的部分——不同職務承受負擔的程度不同，而承受最多負擔的工程師，也是失去自己重視工作的那群人
Outsource Your Thinking, Not Your Understanding——這是該文論點在職場中的實例，兩篇研究獨立得出相同結論。「驗證要求他們重建對委派工作的充分理解，才能評估並認可它」指的就是那項無法委派的剩餘工作；本文為其計價：重建理解本身就是成本，而且之所以昂貴，正是因為作者身分過去免費提供了理解
The Tragedy of the Cognitive Commons——該文的耗損機制，在此以第一人稱預期而非衡量結果的形式出現。從業者未經提示便指出機制（「如果我們失去了這些東西……我還會擅長這件事嗎？」P7；「如果用得太多，你會忘記一些技能」，P20），並以刻意手動寫程式的習慣加以因應——個人層級保護的，正是該文視為整個專業領域共有資源的認知能力。這件事有兩面：從業者自願守護共有資源，結果比模型預測的好；他們完全靠自己採取行動，沒有組織支援，情況則比模型預測的糟
Role Averaging, Not Role Elimination——「你的職務就是你花時間做的事情的平均」，在此從內部經驗為一種失落。本文呈現該論點的成本面：P7 的前後對照（「寫程式碼的軟體工程師」→「提示 AI、再閱讀程式碼的軟體工程師」）是由正在被平均化的人親自描述的平均化事件。本文也補上該文階梯問題所指的組織衡量工具——對個人採用的五級 AI 成熟度模型
Pilot-to-Production Gap——其考量 05（將操作人員轉變為監督者）在本文中有了監督人力，而這種轉變既非免費，也不穩定。仍須為非本人撰寫的輸出負責的監督者要付出驗證稅；專業技藝原本就是被取代的執行工作者，還會承受再多監督訓練也無法解決的認同與意義感流失
AI Brain Fry——本文所述負荷造成的可衡量後果。Kropp 等人發現，因監督 AI 而疲憊的工作者，輕微錯誤增加 11%，重大錯誤增加 39%；本文則說明監督為何不能減少：原因是仍須承擔責任，而非產出量。這兩項發現並列令人不安，卻值得一併看待：上文管理欄每項保留能動性的做法都是監督工作量，因此成功讓人類有意義地參與流程的組織，也買下了該文所衡量的錯誤率
Telemetry vs. Survey Measurement——第三種衡量工具，具有不同的可見範圍。訪談加上受訪者檢核，能看見評價、認同、意義感和承受的壓力；遙測或李克特量表無法觸及這些。另一方面，訪談無法得知規模、趨勢，也看不到拒絕自願參與的從業者
AI Adoption in Scientific Work——能動性位移從決策的另一端出現。本文衡量生成性工作已被 AI 接手者付出的成本；該文則衡量 3,785 位博士生在工作被接手之前劃下界線，涉及的是同一批任務：接受文獻工作（51.5% 能接受 AI 摘要文獻），但抗拒撰寫、分析和實驗設計（約 30%）
Engineer PM Convergence——這種趨同較少被談及的一面。「我突然有個開發人員隨時能幫我」代表架構師承接了工程執行工作；「他們沒有開發人員對他們說不」指出真正改變的不是架構師的技能，而是原本限制其工作範圍的人為關卡消失了

尚待解答的問題#

承受是一種回應類別，指損失被認定為不可逆；但論文無法說明這會演變成什麼。滿一年時回報承受專業技藝認同與意義感流失的從業者，到了第三年是否會有較高離職率、倦怠或疏離感？還是當人們無法再拿 AI 出現前的工作相比，承受會逐漸穩定成新的基準？能解答這個問題的設計就是作者自己提出的做法：追蹤這一批人，而非另招一批新樣本。
路徑圖認為專業技藝認同受損和意義感流失沒有組織放大因素；這項強烈主張來自單一公司的編碼，意味著任何採用策略都無法影響從業者認定為不可逆的兩種成本。若公司刻意為工程師保留生成性工作（保障不得委派的任務，按職務限制 AI 使用範圍），在採用深度相當的情況下，認同與意義感成本會較低嗎？還是這兩種成本不論工作設計如何，都只隨接觸程度而變化？#oq/source 第二項獨立處方也提出相同介入措施——卻仍沒有人實際測試（2026-09-22）：When Does AI Augment Work? A Workflow-Level Framework for Human-Agent Collaboration（CIVIC-AI 工作坊白皮書，practitioner-opinion，沒有衡量數據）將工作目的列為真正擴增工作的六項條件之一，並幾乎原封不動地將本項問題描述為這項條件失效的模式——「AI 做令人滿意的工作，人類則被分派到不受歡迎的工作」。其實例提出的解法，正是本項問題所問的保障生成性工作：初階人員親自完成初始流程設計與程式撰寫，而不是審查代理程式的成果，理由是避免錨定效應和流於形式的驗證。這項補充提供了進行比較的論據，而不只是士氣方面的理由：該框架將學習和目的置於有效人類控制的上游，因此保障生成性工作是維持公司自身監督完整性的先決條件，而非公平性上的讓步。沒有公司、沒有衡量、也沒有相同採用深度的對照——本項問題仍維持原樣。
職務分析中的每個比例，都來自業界經驗中位數達 20 年的樣本。專業認同在生成式 AI 出現之後才形成的從業者，是否也會感到專業技藝認同受損和意義感流失？還是成本輪廓會縮減到問責／驗證面向？依職涯起始世代分層的複製研究，能區分轉型成本與永久成本，而本文工程師組的 10/10 結果無法做到。

資料來源#

The state of AI in 2026: On the road to ROI——Dan Tinkoff、Lieven Van der Veken 與 Michael Chui，並與 Tara Balakrishnan 合著，The state of AI in 2026: On the road to ROI（McKinsey／QuantumBlack，2026-08-25，empirical，自我回報；線上調查，97 個國家共 1,719 位參與者，調查時間為 2026 年 5 月 4 日至 6 月 8 日，依 GDP 加權）。本文引用圖表 5（依組織層級區分，受訪者對自身工作的 AI 感知影響）及整體 13% 的職涯焦慮數據。十三項影響題目中，沒有認同、意義感、能動性或問責項目，因此只能印證本文分類中可管理的那一半。**利益衝突：**McKinsey 銷售 AI 轉型顧問服務；調查樣本來自其自有面板。
The Psychological Costs of Artificial Intelligence Adoption in Software Engineering——Adam Alami、Elda Paja 與 Abhishek Tiwari（南丹麥大學；哥本哈根資訊科技大學），arXiv 2609.03456，2026-09-03，case-study，43 頁。§3.2 個案描述與採用背景（Copilot 使用三個月後棄用、Claude Code／Claude Desktop、AI 大使、1–5 級成熟度模型、未達 50% 採用率目標、治理仍在制定）；§3.3 與表 2 參與者樣本；§4.1–4.5 五種成本及其路徑圖；§4.6 與表 7 職務幅度分析；§4.7 與表 8 管理／緩解／承受回應分類；§5.3 邊界條件；§5.4 能動性位移與驗證稅；§7 研究限制。依據內嵌圖片規則檢視圖 4.1（整合模型）、4.3、4.4、4.5 和 4.6——上表的放大因素不對稱性來自圖，而非正文。解析備註。PDF 衍生內容（docling 2.126／MLX）。匯入時的 table-collapse（6 個儲存格）和 table-weld（5 個儲存格）警告都指向表 2，經檢視確認為誤報——原因是逗號分隔的工具清單及分成兩行的職務標籤；另有一處真正的合併：P18 的職務在解析結果中是「Architect Lead SE」，參考解析則是「Lead SE」。表 4 的分組子列在 docling 表格中確實合併了（三段引文落在同一儲存格），但透過 pdftotext -layout 可依序還原。表 2、4、7、8 均在本文引用相關內容前，先以 pdftotext -layout 逐一核對；本文未引用任何未核對列。原始資料將 §4 各處頁眉文字（「The Maersk Mc-Kinney Moller Institute」）誤標為 ## 標題，並非章節界線。**來源本身的不一致，並非解析造成：**測試人員實驗並分享的引文，在 §3.2 歸於 P10，在 §4.1 則歸於 P11，且所在句子提到 P9——參考解析已確認此情形。本文引用時未標參與者 ID。
Normative boundaries of AI in scientific work: Evidence from PhD researchers——Angelini 與 Lyrvall，Normative boundaries of AI in scientific work: Evidence from PhD researchers，arXiv 2608.25678，2026-08-26，15 頁，empirical。本文僅引用其與能動性位移的相合之處：表 1 的邊際值、§4 的四類解，以及 §5.2 的技能形成論點。這是一項對 STEM 與醫學／健康科學博士生進行的國際自選調查，衡量的是接受程度，而非行為或成本；完整分析和限制請見 AI Adoption in Scientific Work