事件
2026 年初，矽谷軟體工程師普遍回報：生成式 AI 工具（如 GitHub Copilot、Claude 等）讓他們單日完成的程式碼審查、文件撰寫、測試編寫時間從 8 小時縮減到 1-2 小時。但調查顯示，這些員工的平均工時並未縮短，反而傾向於在同樣時間框架內承接更多專案、或被組織指派額外任務。
核心問題
為什麼生產力工具沒有帶來實際的時間解放？Brynjolfsson 在 1993 年發表的「生產力悖論」指出：IT 投資在統計上與實際經濟產出增長脫鉤。今天 AI 再度重演這個現象——不是因為技術失敗，而是因為組織與人性的激勵結構。
三層機制
### 第一層：組織層面的「任務擴張」（Task Creep）
當 IT 部門發現員工用 AI 完成工作速度翻倍，管理層的邏輯是： - 不減少人力編制（裁員政治風險高、招人成本已沉沒） - 反而增派新專案、期望同樣人數做 2 倍工作
這被稱為「邊際效應逆轉」（Jevons Paradox）——效率提升反而刺激需求擴張、吞噬所有節省。19 世紀煤炭工業就是例子：蒸汽引擎效率提升 → 煤炭成本下降 → 使用量反而激增 → 總體煤炭消耗創新高。
### 第二層：員工層面的「選擇性焦慮」（Selective Anxiety）
員工面臨隱性壓力： - 坦白說「我現在有很多空閒時間」 → 被認為工作量不飽滿 → 裁員清單候選人 - 主動回報時間節省 → 管理層即刻加派工作 → 實際工時不變 - 理性選擇：隱瞞節省時間、或主動加班製造「忙碌假象」
心理學上稱為「信號問題」（Signaling Problem）：在不確定組織會如何回應的環境，員工傾向保守策略——不展示效率提升。
### 第三層：市場層面的「競爭加速」（Competitive Escalation）
- 公司 A 用 AI 效率翻倍 → 成本下降 → 降價競爭
- 公司 B 為維持利潤，也必須導入 AI
- 但市場價格同時下跌 → 為維持收入，必須做更多量
- 全行業陷入「軍備競賽」（Arms Race）：誰都沒有實際獲利改善，只有工時加重
這正在軟體業重演：AI 工具價格 → 編碼成本 → 服務價格同時下跌。公司為維持營收，得做 3 倍工作量。
歷史對比
1980-2000 年電腦革命：IT 投資累積 1 兆美元，但同期美國工廠產率增長幾乎停滯（被稱為「Solow 悖論」—— Robert Solow 的名言：「你可以在統計數據上看到電腦時代的蹤跡，除了生產率統計」）。
原因不是電腦沒用，而是組織還沒學會重組工作流程、管理層仍用「工時最大化」而非「輸出最大化」計酬。真正的生產率提升需要 10-15 年的「組織學習」。
2016-2020 年雲端時代：AWS、Azure 讓開發基礎設施成本驟降。但軟體業從業人數反增（沒有因為效率高而縮編），反而是新型態工作涌現（資安、容器編排、DevOps），吃掉所有節省。
AI 時代的新變數
與過往不同的是，AI 效率提升的是「知識工作」最後一英里——不再是「工具讓流程快」，而是「工具讓輸出質量快」。這意味著：
1. 難以量化的邊界模糊：過去「寫 1000 行程式碼要 8 小時」是清晰的。現在「用 AI 寫程式碼但要花 3 小時檢查品質」——節省時間到底多少？邊界模糊 → 組織更容易加派工作。
2. 品質 vs 速度權衡：員工可選「快速完成 + 低品質」或「同樣時間 + 高品質」。如果選後者，時間節省消失、只有輸出品質提升。但品質難以貨幣化 → 沒有激勵員工選擇品質。
3. 可替代性威脅上升：如果 AI 真的把工作壓到幾分鐘，員工展示「我用 AI 很快」的同時，也在暗示「也許根本不需要我」。這強化了隱瞞效率的激勵。