ActivTrak 工作日研究發現 AI 用戶工時更長

ActivTrak 指出，AI 用戶的工作日跨度最長可比非用戶多 90 分鐘，挑戰了更快完成工作便能縮短工作日的承諾。ActivTrak 工作日研究涵蓋 467 家企業的 9,140 名知識工作者，採用 2026 年 4 月 1 日至 9 月 25 日期間收集的數碼活動數據。該研究於 10 月 29 日發布，將 AI 採用與較長工時連結起來，但未能證明 AI 導致了這項差異。

這一區分很重要，因為表面上的矛盾可有多種解釋。工作要求較高的員工，可能更常採用 AI。更快的產出可能帶來更多工作指派。在助理工具與既有應用程式之間切換工作，也可能耗用任務示範未計入的時間。這些解釋都對僱主提出挑戰：若承諾提高效率，卻未衡量整個工作日實際發生的情況，便難以兌現。

較早的 AI 工作日研究提供了重要的對照。一項涉及整合至既有應用程式的助理工具的隨機實驗發現，員工花在電郵上的時間減少，於正常工時以外工作的時間亦較少。因此，正在浮現的衝突，是生產力承諾與不均衡職場結果之間的衝突。AI 可以節省單項任務的時間，但仍未解答員工會否更早下班、處理更多任務，或承擔額外的核查與協調工作。

ActivTrak 工作日研究實際發現了甚麼

最新發現關乎工作日的跨度，不應與持續工作時間或已驗證產出混為一談。

根據 ActivTrak 的工作日分析，AI 用戶的工作日跨度為 8.4 至 9.1 小時，非用戶則為 7.6 小時。重度用戶平均不受打斷的專注時段為 37.8 分鐘，輕度用戶則為 48.2 分鐘。重度用戶每日亦多出 18 分鐘的下班後活動。

這些衡量指標描述了工作的不同面向。較長的跨度並不代表整段時間都在持續工作。較短的專注時段亦不代表質素較低。額外的晚間活動無法判定是僱主要求、員工自行選擇，還是排程彈性令工作時間轉移所致。

標題中的數字亦代表報告範圍內的最高比較值。不應將其解讀為每位採用 AI 的員工都會增加同樣的工作量。把觀察到的差異當作普遍代價，會抹去僱主正需要調查的差異性。

研究發布的時機使其與企業規劃相關。正在評估 AI 投資的機構，需要的證據不應僅限於員工是否曾開啟助理工具。他們需要了解，AI 的使用會否改變交付時間、人手需求、錯誤率及工作界限。

不妨區分更快完成初稿與更早下班。一個寫作助理可減少產出初步文件所需的努力，但審批、事實核查、修訂及發佈期間會發生甚麼，仍是未知之數。評估職場效益時，完成整項任務才是相關的單位。

該研究沒有解答整條流程。它的貢獻在於揭示：使用 AI 與工作日變短之間存在落差。即使因果方向仍未確定，這道落差亦值得調查。

對員工而言，實際含意很直接。在個別任務中感到更快，與整體上感到更忙，兩者並不矛盾。這些經驗衡量的是不同事情，僱主的生產力評估需要為兩者保留空間。

對買方而言，這次發布帶來一個採購問題。產品示範通常在助理交出答案時結束；商業流程則在有人為結果承擔責任時才結束。這兩個終點之間的距離，正是表面節省需要驗證之處。

管理人員須決定節省下來的時間用於何處

較短的任務會釋放可用產能；管理決策決定這些產能會變成喘息空間、額外產出，還是另一項責任。

直接壓力落在批准部署 AI 的管理人員，以及被期望證明 AI 價值的員工身上。買方需要證據證明投資改善業務表現；員工則需要清楚知道，更快執行工作會否改變其責任、期限或可聯絡性。

這些利益可以一致。員工可能希望免除例行起草工作，以便專注於需要判斷的工作；僱主亦可能認為這種轉變比縮減排定工時更有價值。問題在於，雙方假設同一段節省時間會流向不同方向。

縮短工作周是一項具體結果。它要求工作能在較少的排定工時內完成，同時維持可接受的質素與可管理的需求。單靠生產力提升，並不保證能達成這種安排。機構也可以把額外產能導向既有的待辦工作。

這個選擇並非必然不合理。未完成的工作可能包括有價值的項目、客戶要求或被忽略的維護工作。然而，領導層應準確描述結果。在相同工時內交付更多工作，與縮短排定工時不同；延長工作日則又是另一種結果。

ActivTrak 對 AI 工作量的討論，令這項區分更難以迴避。僱主不能只透過生成內容的數量來評估員工得益。初稿增加或許有助作者，卻可能增加編輯、審核人員或負責實施的同事的要求。

一個假設性的產品團隊可說明這個問題。經理利用 AI 更快準備提案，並在分享前加入更多替代方案。團隊隨後需要評估更多選項、核查更多假設，並討論更多可能的變更。最初的任務成本變低，決策流程卻變得更龐大。

這個例子並不要求助理工具出現故障。每份初稿都可能有用。額外負擔源於擴大的企圖與有限的審核能力。更快的產出改變了看似可行的事情，卻未改變機構可負責任地批准的事情。

因此，管理人員面對的問題不止於提示技巧。必須有人決定哪些額外工作值得關注，哪些工作應維持未完成狀態。若沒有這項決定，助理工具產生提案的速度，便可能快過同事評估它們的速度。

同一問題亦適用於知識管理。整理既有資訊可處理的負擔，與生成更多材料並不相同。一個個人知識庫關乎如何保留和檢索資訊。若沒有證據顯示整體流程已有改善，任何一項功能都不應因縮短工時而獲得功勞。

因此，相關的管理問題很具體：部署後，甚麼事情不再佔用員工時間？若沒有任何事情消失，領導層應說明新增活動所帶來的價值，足以合理化其成本。否則，採用 AI 便會成為疊加在原本已滿的工作日程上的另一項期望。

更快的任務可擴大其周邊工作

AI 令工作更容易的能力，也可能增加員工嘗試處理的工作量。

UC Berkeley Haas 的研究為這種可能性提供了紮實的說明。Xingqi Maggie Ye 與 Aruna Ranganathan 在一家擁有 200 名員工的科技公司進行了為期八個月的民族誌研究，採用職場觀察及訪談。Ye 亦在不同職能群組進行了超過 40 次訪談。

他們的工作強化研究發現，員工承擔更廣泛的責任、工作進入原本的休息時段，以及同時處理更多任務。有時員工會在處理其他職責時，讓 AI 流程持續運行。這項研究描述了工作如何擴張，而非估計跨僱主的普遍影響。

這項區分對解讀 ActivTrak 工作日研究很重要。職場觀察可以揭示活動量測本身無法解釋的機制，但不能證明這些機制導致了另一份數據集中的差異。不過，它確實指出了值得檢驗的解釋。

其中一種可能，是降低開始工作的難度會改變停止的時點。原本看似不切實際的任務，可能變得值得一試。能夠快速探索想法的工作者，會面對是否繼續、細化及分享的全新決定。

這與單純從管理人員收到額外任務，是不同的經驗。額外的努力可以由好奇心或滿足感開始。員工可能重視有能力嘗試超出其原有技能範圍的工作。因此，樂趣與工作量擴張可以同時發生。

Aruna Ranganathan 的研究概覽強調可量度產出與員工親身經驗之間的區別。她的研究探討職場 AI 帶來的自主性、認知要求、專業知識、人際關係及福祉等後果。這些面向有助解釋，為何一項有利的產出指標無法解決部署中的所有問題。

分析上的關注點是累積效應。一個小型的自選實驗會變成有用的交付成果；有用的交付成果會影響期望；期望繼而塑造同事會提出甚麼要求，以及員工覺得自己有責任維持甚麼。最初節省的時間可以消失，即使沒有正式決定擴大任何人的角色。

平行工作亦帶來這個問題的另一種形式。啟動助理工具並不會免除檢查其結果的責任。若多個流程在工作者處理另一項任務時完成，這些輸出便會形成一條需要處理的佇列。

最終負擔取決於這些輸出需要甚麼。例行材料可能只需少量審閱；一項影響重大的建議則可能需要查核來源、諮詢及修訂。若只計算助理已完成的回應，便會把這些人力要求截然不同的情況視為相同。

因此，即使不假設 AI 未能完成其即時任務，這種反轉仍屬合理。更好的協助可擴大人們承擔工作的範圍。這會否成為益處，取決於工作量上限、審閱能力及新增成果的價值。

整合式助理工具提供另一個參考點

部分 AI 用戶工時更長的證據，並不抹去其他部署能為員工節省時間的實驗證據。

Eleanor Wiske Dillon、Sonia Jaffe、Nicole Immorlica 與 Christopher T. Stanton 的研究提供了一項重要比較。他們的隨機職場實驗涉及 66 家公司的 7,137 名知識工作者。研究以隨機方式決定參與者能否使用整合至電郵、會議及寫作應用程式的生成式 AI 助理。

在這項為期六個月實驗的後半段，參與用戶每週花在電郵上的時間少了兩小時，亦減少了在正常工時以外的工作。研究人員未發現個人獲得使用權後，工作任務的數量或構成出現變化。這些發現提供了與觀察性數據所報告較長工時不同的可能結果。

這項比較加強了審慎表述的必要性。它並未證實整合式助理必然縮短工作日，也未證實獨立式助理必然延長工作日。不同的樣本、方法、應用方式及工作環境，令這種簡化結論並不成立。

不過，它確實說明「AI 令員工工作更長時間」作為普遍結論過於籠統。在某些條件下，使用 AI 可以減少特定活動所需時間。其他地方觀察到的關聯，不能推翻這項實驗結果。

產品之間的差異亦值得注意，但不應演變成供應商競賽。ChatGPT、Claude 及 Microsoft Copilot 不應被視為可互換的工作場所部署方案。助理在流程中的位置、可取得的背景資訊，以及所需的審核，均會影響員工必須圍繞其輸出完成哪些工作。

這是在比較部署選擇，而非宣稱哪個品牌表現最佳。所引用的證據並不支持對這些產品作出排名。採購者需要評估他們擬使用的具體版本、設定及流程。

一個假設的寫作流程可使這項差異更具體。若助理在正在編輯的文件內直接提供內容，工作者可將其與周邊文字一併評估。若內容在其他地方送達，工作者便須將其移入文件、調和背景脈絡，並核實最終文件仍然反映預期來源。

兩種安排都不能保證成功。這個例子指出，任務示範可能會排除額外步驟。公平的評估需要計算這些步驟，無論它們出現在哪個環節。

同樣的推理亦適用於檢索內部知識的助理。當員工必須確認哪份文件具權威性時，生成答案只是工作的一部分。若其支援背景不清晰，即使回答充滿信心，仍可能需要大量核查。

對企業採購者而言，競爭問題變成某個部署方案能否在整個完成流程中消除工作。更方便的內容生成固然有用，但其價值取決於後續工作。實驗證據讓採購者有理由追求可量度的節省，同時抗拒對縮短工作週的籠統承諾。

較長工時仍不足以證明因果關係

ActivTrak 的工作日研究指出一種值得調查的模式，但仍留下重要解釋未獲釐清。

最明顯的問題是選擇偏差。員工未必會隨機採用 AI。處理複雜工作或承擔較重工作量的人，可能有更強理由尋求協助。他們較長的工作日，或許部分早於使用 AI 之前已經存在。

職位差異令解讀進一步複雜化。以寫作、協調或編程為核心的工作，使用助理的機會各不相同。比較這些職位的工作者，可能把 AI 的影響與工作本身的要求混為一談。

反向因果關係亦是另一種可能。臨近截止日期時，員工可能會工作得更久，亦更頻繁使用 AI。在這種情況下，工作量有助解釋兩項觀察結果。即使使用者持續錄得較長工作日，助理仍可能減少了部分工作量。

這些是有待驗證的解釋，而非對這個樣本已確立的說法。它們說明為何相關性本身無法回答因果問題。公開發布的資料並未提供可排除這些替代解釋的隨機設計。

量度方式亦構成另一項限制。數碼活動可揭示人們如何與應用程式互動的某些面向，但不能直接證明其決策價值、協作質素或疲憊程度。

較長的工作日可能伴隨有價值的產出、可避免的重工、彈性排程，或這些情況的混合。要區分它們，需要時長以外的資料。員工體驗及獲接納的成果，應與活動量度一同考慮。

較早的發現亦需要與最新發布資料謹慎區分。ActivTrak 的年度工作場所分析包括一個由 10,584 名用戶組成的子樣本，並比較他們採用 AI 前後的情況。報告指出，所量度的工作類別有所增加，包括電郵及訊息處理。這與十月的比較屬於不同分析，相關樣本不應與較新的樣本合併。

這種區分可避免造成誇大確定性的印象。多項發現可以指向更多活動，但量度的是不同人口群組及時期。方向一致並不會自動確認存在共同原因。

ActivTrak 的商業定位亦值得考慮。該公司銷售勞動力分析服務，因此對企業如何量度工作具有商業利益。這不會使研究結果失效，但令清晰定義、獨立複製研究及取得方法細節變得尤其重要。

最有力的結論比最戲劇化的標題更為狹窄。採用 AI 並不能可靠地證明員工獲得紓緩。ActivTrak 關於 AI 工作量的發現值得進一步調查，而實驗證據顯示節省時間仍然可以實現。

這讓僱主承擔一項實際責任。他們在描述成果時，應區分額外產出與減少付出。員工有權知道某項部署旨在產生哪一種結果，以及成功將如何評估。

甚麼證據可顯示 AI 正在歸還時間

下一項有說服力的證據，將會在同一項評估中連結獲接納的工作、員工工時及質素。

在未來數月，首個值得留意的訊號，是研究追蹤可比較的工作者在部署前後的情況。更嚴謹的設計應考慮職位、工作量及季節性需求的差異。在可行情況下，隨機提供使用權有助將助理的影響，與員工採用它的原因區分開來。

若在這些條件下較長工時仍然持續，部署導致工作時間延長的論點便會更有力。若差異大致消失，選擇偏差便會成為更可信的解釋。無論結果如何，都比將所有 AI 用戶視為同一群組更有幫助。

第二個訊號，是僱主報告節省下來的能力最終如何使用。聲稱員工更快完成任務，仍未回答核心問題。證據應說明獲接納的產出是否增加、排程是否縮短、積壓工作是否減少，或審核要求是否改變。

較短的排定工作週，會直接支持減少工作時間的承諾。在穩定工時內提升產出，則支持另一種效益。若產出增加的同時工時亦延長，便需要更清楚說明每小時生產力是否有所改善。

質素必須仍然是評估的一部分。一份需要大量修正的快速草稿，不能與獲接納的工作具有相同份量。同樣地，若成品改善幅度足以證明其合理性，額外審核並不會抹煞其效益。

第三個訊號，是追蹤流程改變及員工結果的證據。採購者應觀察，移除交接環節、整合審核或改善來源存取，是否改變了工作時數。相關比較應是重新設計前後的完整流程。

若這些改變在維持質素的同時減少晚間工作，更佳實施方式的論據便會加強。若工時仍然延長，焦點應轉向工作量期望及組織需求。較易使用的介面無法決定僱主要求人們完成多少工作。

這些訊號應同時出現在可信的報告中。單看工時，產出並不清晰。單看產出，員工付出並不清晰。單看使用量，對兩者都幾乎沒有說明力。

對知識工作者而言，AI 工作日研究最有用之處，在於解釋這些關係，而非作出普遍判決。一項工具可以有幫助、令人愉快，並與工作範圍擴大有所關聯。一項部署亦可以帶來實際時間節省，卻未必縮短工作週。

ActivTrak 的工作日研究讓這項區分成為焦點。其發現挑戰了自動帶來紓緩的承諾，同時為更佳設計及不同結果留下空間。現在的問題是，組織會否量度節省下來的付出實際去了哪裡。

在接受下一項生產力聲稱之前，請尋找關於整個工作任務及整個工作日的證據。問問哪些工作消失了、哪些額外工作出現了，以及由誰核查結果。將這些答案與獲接納的產出、錯誤及員工體驗作比較。可信的說法應說明，人們是獲得了時間、創造了更多價值，還是只是維持更長時間的可用狀態。它亦應區分初步實驗與工作條件的持續改變。在評估下一次助理推出或工作場所研究時，請使用這些問題。若僱主表示 AI 正在歸還時間，有甚麼證據顯示那些時間去了哪裡？