monday.com AI 調查揭示更快產出背後的管理成本

monday.com AI 調查發現，53% 高層領導在採用 AI 後，更難評估員工的原創貢獻。這項發現將一個管理問題置於生產力宣傳之中：完成工作成品與理解某人的貢獻，是兩回事。

這項由 Nielsen 進行、於 10 月 21 日發表的研究，訪問了來自七個國家的 1,701 名總監及高級管理人員。研究結果顯示，隨着 AI 輔助工作變得日常化，僱主將面對更棘手的衡量問題。一份精美的成品，較難反映背後作出的判斷。

這種張力與 AI 能在特定情境改善表現的證據並存。Erik Brynjolfsson、Danielle Li 及 Lindsey Raymond 的研究發現，AI 在客戶支援工作中帶來可量度的增益。對僱主而言，問題在於這些增益能否在由個人產出到經審核、可實際採用的工作成果這整段流程中得以保留。

monday.com AI 調查令評估承受壓力

根據該公司的 AI 管理研究結果，47% 受訪者花更多時間審核及指導團隊產出。同時，78% 自採用 AI 後已改變其員工評估方式。

這些結果描述了彼此相關的壓力，但並未證明每名受訪者都遇上所有問題。研究亦沒有量度管理人員額外花了多少審核時間。當把員工評估困難轉化為有關企業表現的說法時，這個分別相當重要。

最直接的改變，是完成的工作成品與它看似代表的個人貢獻之間的連繫變弱。

在 AI 輔助出現前，呈現質素可在一定程度上反映寫作能力、準備程度或對題目的熟悉程度，但從來不是完整圖像。同事、範本、編輯及既有材料，一直都會影響職場產出。

AI 令這種推論更複雜，因為它可以提供大部分可見的呈現內容。一段清晰解釋，可能反映深入理解、有效編輯，或只是接受了生成的答案。單憑最終文件，無法可靠地區分這些可能性。

對管理人員而言，隨之而來的問題不止於員工有否使用 AI。他們需要理解員工是否選取了恰當證據、發現錯誤，以及作出站得住腳的決定。這些貢獻可以在完成的文字中完全看不見。

研究亦令單純的抗拒敘事變得複雜。同一項調查中，94% 受訪者表示對利用 AI 改善工作感到期待。熱切與困難並存，反映問題在於實施及評估，而非直接拒絕。

這項核心發現透過 TechCrunch 對員工評估困難的報道而受到關注。原始報告提供了更有用的詮釋基礎：這些是高級領導描述自身經驗的結果。

這是關於管理摩擦的有意義證據，但不是將採用 AI 的機構與避用 AI 的機構作出的受控比較，亦未能證明僱主損失的時間多於員工節省的時間。

因此，monday.com AI 調查指出了一個壓力點，而非為生產力辯論下定論。採用 AI 的機構需要找到評估貢獻的方法，而不能假定流暢表達就等同專業能力。否則，表面上的產出改善，仍會留下誰應獲得功勞這個未解問題。

這改變了管理討論的焦點。有用的問題變成：僱主能否辨識有效的 AI 輔助工作，同時保留具實質意義的能力標準。這要求人們不要只看一份成品送到收件箱時有多具說服力。

管理人員承接產出指標看不見的工作

承受即時壓力的人，是同時負責交付成果及員工發展的管理人員。他們必須接納有用的協助，同時判斷團隊能否解釋及捍衛最終工作。這些責任互有重疊，但不能互相替代。

管理人員可以批准一份正確的文件，卻未必能從中了解到作者的實際能力。對例行溝通而言，這或已足夠；但當同一份文件會影響晉升、人手安排，或是否適合承擔更高要求的任務時，便未必足夠。

更快的產出，只有在最終工作仍可經濟地審核並可靠地使用時，才會創造商業價值。

試想一份假設性的產品規劃備忘錄。一名員工使用 AI，將客戶觀察整理為一項關於哪項功能值得優先處理的建議。備忘錄行文清晰，論證亦井然有序。

管理人員仍須確認這些觀察是否支持該項建議。互相矛盾的客戶要求有否被保留？員工有否區分直接證據與詮釋？草稿是否悄然把一項假設寫成看似既成事實？

這些是假設性問題，並非調查記錄的結果。它們說明為何呈現質素不能承擔整個評估負擔。一份易讀的備忘錄可減少溝通成本，但未必令底層決策變得更容易。

員工可能更快完成任務，並在整個過程中展現出色判斷；另一種情況則是，管理人員因缺少支持證據而必須重建整個分析。同一個精美表面，可以掩蓋截然不同的工作流程。

這令定義過窄的產出指標資訊價值降低。計算完成文件數量會獎勵產出，卻無法證明同事能否據此行動。量度起草時間，則忽略了釐清、修正、批准及實施期間發生的一切。

真正重要的經濟單位，是完整的工作流程。一份草稿是流程的一部分，驗證草稿及處理其後果的人同樣是其中一部分。把工作量轉移給不同參與者，並不會自動消除工作量。

員工發展又增添一層複雜性。管理人員需要知道員工能否識別答案何時薄弱、不完整或不恰當。若員工無法解釋塑造結果的選擇，即使成品成功，所提供的證據仍然有限。

這不代表員工應在沒有協助下完成每項工作。工作本來已依賴工具與協作。評估問題在於，當協助承擔更多可見執行工作後，如何辨識哪些判斷形式仍屬必要。

對工程經理而言，這可能涉及理解為何一項建議改動適合現有系統；對銷售經理而言，則可能涉及核實一項建議是否反映客戶的實際限制。相關證據會因職位而異。

壓力亦會落在那些最大貢獻是拒絕不良建議的員工身上。當評估只強調最終成果時，他們的工作可能不再可見。防止錯誤留下的可見證據，往往少於多寫一頁內容。

這些是對研究結果的分析性含意，而非額外的調查結果。它們解釋了為何機構不能只靠要求更多使用 AI，便解決員工評估困難。採用與能力回答的是不同問題。

因此，管理人員面對艱難的資源分配決定。他們需要有足夠可見度來評估判斷，同時又不能把每項任務變成詳細審計。若評估變得過於繁重，流程便會吞噬原本預期由協助創造的效率。

生產力增益取決於工作落在哪裏

有可信證據顯示，AI 輔助可改善職場表現。生產力論點最有力的版本，並不取決於每名員工都變得更快，而是取決於在特定條件下、特定任務中出現可量度的改善。

Brynjolfsson、Li 及 Raymond 的客戶支援研究考察了 5,172 名客服人員，發現每小時解決問題數量平均增加 15%。不同員工獲益程度不同，經驗較少的員工增益較大。

研究人員亦報告了質素及學習方面的差異。這些結果重要，因為它們不只探討參與者是否喜歡使用工具，而是檢視一項與工作有明確關聯的營運成果。

AI 輔助與管理摩擦可以同時存在，因為它們描述的是生產流程中不同部分。

協助員工解決客戶問題的支援助手，運作於相對明確的工作流程之內；用於準備內部策略文件的通用寫作助手，則面對不同期望。評估成功所需的證據亦不相同。

這個比較並不表示支援工作簡單，而是說明為何生產力主張需要界定任務及成果。「每小時解決更多有用問題」提供的資訊，是「更多 AI 輔助內容」所沒有的。

另一項對照結果來自 AI 評估機構 METR。其開發者生產力實驗涉及 16 名資深開發者，在熟悉的開源項目中完成 246 項任務。使用 2025 年初的 AI 工具，令完成時間增加了 19%。

不過，參與者仍相信 AI 令他們更快。這個差距說明一個衡量問題：工作流程可令人感覺更輕鬆或更有效率，卻未必帶來預期的節省時間。感受到的協助與可量度的加速，需要各自獨立的證據。

這項結果有明確界限。它涉及特定時期的特定開發者、儲存庫、任務及工具，並不能證明現時的編程助手會拖慢每名開發者，也不表示其他地方報告的增益只是虛構。

METR 後來亦強調這些限制。在其 2026 年 2 月的生產力衡量更新中，該機構表示選擇效應令較新的估計結果不可靠。部分開發者不願意在必須不使用 AI 工作的條件下參與。

更新亦描述了當開發者同時使用多個代理時，量度時間所遇到的困難。METR 認為較新的工具很可能比其早期估計所示更有幫助，但同時警告，現有數據對改善幅度只能提供薄弱證據。

綜合這些研究，可得出一個克制的結論：AI 的影響取決於情境、員工經驗、任務選擇及成功的定義。無論是熱切期待還是單一負面結果，都不足以解決更廣泛的問題。

產品比較亦遵循相同邏輯。ChatGPT 和 Claude 可協助創作文字，而編程助手則在軟件開發工作流程中運作。像 monday.com 這樣的工作管理平台，則處理圍繞任務與團隊的協調工作。

這些類別有所重疊，但並非回答相同的問題。助理工具可以改善草稿，卻無法確定由誰核實其中的主張。協調系統可以記錄活動，卻無法確定該活動是否促成了合理的決策。

因此，核心衝突仍然是生產力承諾與實現這些承諾所需工作的矛盾。競爭品牌可提供背景，但轉換助理工具並不會自動解決評估標準含糊不清的問題。僱主仍需界定何謂優質工作。

這正是解讀 monday.com AI 調查的有用方式。它將注意力引向支援措施周邊的組織條件。下一輪生產力提升，部分取決於這些條件會否令有用的產出更容易被辨識和批准。

精修文件可從正反兩面掩蓋判斷

最明顯的憂慮是，AI 生成的潤飾會令薄弱工作看起來更出色。同樣重要的是，亦可能出現相反情況：即使員工具備出色判斷力，卻因可見的文字看似由機器輔助而獲得較少肯定。

這在任何自動化績效評分出現前，已構成公平問題。若管理人員將流暢的文字視為可疑，能幹的員工可能失去應得認可。若他們將其視為勝任能力的證明，薄弱的推理則可能獲得不應有的批准。

公平評估需要責任與判斷力的證據，同時不應要求員工證明自己完全沒有使用任何輔助工具。

一份示例研究摘要可說明這個困境。一名員工蒐集原始材料、辨識互相矛盾的發現、剔除沒有支持的主張，並使用 AI 改善組織結構。最終文字卻很少反映出令該摘要值得信賴的艱難決定。

另一名員工或會在幾乎沒有核實支持證據的情況下，提交同樣流暢的文字。兩份文件在快速審閱時可能看似相若，但其可靠性以及員工所展現的能力，實際上可以有很大差異。

答案不能完全依賴偵測生成式語言。即使識別正確，也只能證明曾獲協助，而非證明員工決策的質素。知道 AI 曾處理一份文件，並不能說明作者有否負責任地使用它。

提示詞記錄亦不會自動解決問題。它可以顯示某人要求系統做甚麼，卻不能單憑自身證明該人是否辨識出錯誤答案，或選擇了恰當證據。

這正是區分歸屬與問責變得有用之處。歸屬關乎哪一個人或系統提供某項具體貢獻。問責則關乎誰擁有結果，並必須解釋其背後的決策。

僱主需要這兩個概念，但細節程度應配合工作性質。例行內部公告毋須接受與影響人手安排的建議相同程度的審查。將每份文件一律視為同樣重要，只會造成不必要的覆核工作。

績效標準亦需要保持一致。員工不應在一項工作中因使用 AI 而受表揚，卻在其他同等情況下因相同協助而受懲罰，且沒有解釋。不一致的期望會令評估更困難，即使實際工作質素良好亦然。

知識管理變得相關，是因為證據往往存在於最終交付成果以外。決策、來源材料及早前討論，有助解釋一項建議為何形成其特定形式。它們的價值在於讓推理過程可以追溯。

一個可搜尋的知識庫可為如何組織這些支持材料提供有用背景。它不能取代管理人員的評估。只有當覆核者明白哪些證據重要時，查閱記錄才有幫助。

組織面對的挑戰，是在不建立無差別監控機制的前提下保存這些背景。記錄每一次互動只會產生更多需要審閱的材料。針對具關鍵影響的來源、決策及批准作較精簡記錄，可能更切合評估問題。

這屬於分析判斷，而非 Nielsen 研究中已驗證的介入措施。該調查並未證明哪一種文件記錄方法最有效。僱主須取得自身證據，才可聲稱某項政策減少了覆核成本。

同樣的審慎態度亦適用於 AI 輔助評估。系統可以將回饋整理成易讀文字，卻仍可能令底層評估不完整。更好的措辭無法補足欠缺的觀察，亦不能化解對員工表現互相矛盾的說法。

歸根究底，精修文件可以掩蓋依賴，也可以掩蓋專業能力。管理工作的關鍵，是透過與職位相關的證據分辨這些可能性。否則，評估過程可能獎勵表象，卻忽略令支援真正有用的決策。

調查識別的是阻力，而非生產力定論

monday.com AI 調查值得關注，因為它識別出一項具體的組織問題。其發現不足以支持宣稱 AI 已在職場失敗，亦不能證明每一項報告中的困難都只是短暫調整。

這項研究由一家銷售工作管理軟件的公司委託進行。在解讀該公司提出的解決方案時，應保持看見這個商業背景。關於協調問題的發現，並不會獨立驗證一個為處理該問題而設計的平台。

這些證據支持人們關注評估與覆核負擔，但其淨經濟影響仍未有定論。

自我報告的困難具有參考價值，因為管理人員的經驗可影響採用情況及員工關係。然而，這有別於觀察到的時間使用情況或獨立評估的表現。這些衡量方式回答相關問題，卻不能互相替代。

受訪群體同樣重要。董事及高級管理人員不能直接代表每一位前線主管或個別貢獻者。他們的觀點可反映領導層經驗，卻未能完整說明員工如何經歷相同安排。

跨國樣本擴闊了研究範圍，卻不保證各工作場所的條件一致。職位、管理實務及採用階段均有差異。匯總結果可掩蓋對僱主決定如何回應而言重要的變化。

因果關係仍是另一項限制。受訪者可以將較大的評估困難與採用 AI 聯繫起來，卻未能將 AI 與其他變化分隔開來。工作量增加、目標改變或團隊重組，同樣可能影響這種體驗。

這些限制不會抹去所報告的問題。它們界定了更有力的證據需要證明甚麼。下一步研究應將所報告的阻力與實際觀察到的工作連結起來，而非假定這種關連已被量度。

其中一種解讀是，僱主在重新設計流程時正承擔調整成本。另一種解讀是，低成本生成帶來了持續存在、成本高昂的判斷需求。現有發現無法判定哪一種解釋佔主導。

若團隊經驗增加後，覆核負擔隨之下降，第一種解讀便會獲得支持。若即使有培訓及更清晰期望，增加的生成內容仍持續壓倒批准能力，第二種解讀便會獲得支持。兩者均需要長期觀察。

額外覆核亦有一種可能的正面解讀。管理人員或會花更多時間檢查工作，因為員工現時嘗試處理更有價值的任務。在此情況下，較高的覆核投入可能伴隨有用的雄心提升。

或者，額外覆核主要是修正可避免的錯誤，或補回遺失的背景。這將顯示投入被轉移，而非直接的生產力提升。單靠時間衡量，仍須配合質素衡量。

可辯護的結論比標題所承諾的宏大說法更狹窄。AI 改變了管理人員可從完成作品中推斷的資訊。僱主需要更多關於後果的證據，才可將產出增加視為表現改善的證明。

留意覆核成本、評估規則及工作流程成果

未來數月，最有用的訊號將關乎覆核投入、評估實務及已完成的工作。它們比另一個統計多少員工正在嘗試 AI 的數字更具資訊價值，因為它們把採用情況與研究所指出的管理壓力連結起來。

下一項考驗，是僱主能否將受協助的產出轉化為獲接納的工作，同時保持貢獻可見。

首先，留意公司及研究人員會否衡量草稿完成後的工作。有用的披露包括修正投入、批准延誤，以及覆核者所需的注意力。這些衡量有助區分真正節省的投入與轉移給他人的投入。

若覆核負擔下降而質素保持穩定，便會削弱 AI 只是把工作移至上游的憂慮。若修正成本持續存在，則會加強該憂慮。重要比較應追蹤相似任務直至完成，而非在生成結束時停止。

第二，留意僱主如何改變績效準則。一項有意義的更新，應說明如何評估 AI 輔助成果的核實、判斷及擁有權。要求使用更多工具，並不能充分證明評估困難正在解決。

更清晰的標準將強化組織正成功適應的論點。若持續依賴文件數量或展示質素，歸屬問題仍會存在。在管理人員能夠一致評估之前，員工需要明白甚麼會獲得認可。

第三，留意具可信比較的工作流程層面成果。較有力的證據會把支援措施與可用成果連結起來，同時考慮質素及覆核。它亦會承認不同職位之間的差異，而非為每位員工提出單一生產力主張。

供應商個案研究可以提供有用細節，但其設計十分重要。讀者應尋找界定清晰的任務、可比較的條件，以及對衡量範圍未涵蓋內容的說明。缺少這些元素的說服性敘述，無法解決其中的取捨。

這些訊號不依賴任何特定的已排定產品發布。它們是檢驗僱主、研究人員及軟件公司下一輪主張的方法。每一項都有助確定管理上的難題是在減少，還是在逐漸固化。

對知識工作者而言，眼前的啟示在於其貢獻如何變得可見。寫出清晰文件仍然有用，但說明其證據和決策同樣重要。最強的工作能令結果可靠，無須迫使同事重新拼湊其過程。

對企業採購者而言，啟示在於一次採購預期改善甚麼。草擬協助、協調及員工評估涉及不同要求。成功部署需要與其擬解決問題相連的證據。

將 monday.com AI 調查視為一個契機，檢視整個工作鏈。不要只看工具能否產出令人印象深刻的初稿；應問接收者能否核實、使用內容，以及能否了解由誰作出判斷。再將這些答案，與 AI 協助進入流程前所需的投入作比較。當下一項生產力宣稱出現時，留意其停點：是生成、審批，還是已完成的成果。這條界線往往決定該宣稱描述的是個人便利，還是組織價值。對團隊下一項 AI 輔助工作而言，審閱者能否在毋須重做底層工作的情況下，辨識員工的貢獻？