🌏 Read this article in English
讓我們先回到一個代表性的情境：一位客服主管打開管理儀表板，看到團隊在導入生成式 AI 後的「平均回應字數」與「工單處理量」呈現雙位數增長。這是一個令人安心的數字，因為它符合直覺——工具讓員工變快了，產出變多了。
然而，當我們把視角拉遠，觀察這些字數背後的業務結果時，情況往往變得複雜。如果員工為了追求高產出而生成冗長但缺乏重點的回應，或者工程師為了湊出程式碼行數而放棄更簡潔的重構方案，那麼這種「生產力」可能轉化為後續審閱成本。
本文的核心論點很明確：以字數、工單數或程式碼行數（LOC）為核心的產出指標，在 AI 時代容易失真，甚至會成為團隊效能的無形天花板。 管理必須從測量「活動」（Activity）逐步轉向測量「結果」（Outcome）；代價是更高的判斷成本與不確定性。
產出量指標的誘惑與盲點
管理者依賴字數、工單數或程式碼行數，原因並不難理解：數據容易取得、標準化程度高，也便於跨團隊比較。A 部門處理 500 個 Ticket，B 部門處理 400 個，A 看起來更努力。導入新技術的初期，產出量波動也能作為探索期的線索；若數字大幅下降，可能反映使用障礙或工作流仍在調整。
這些指標不是沒有價值。它們描述團隊的忙碌程度與活動強度；困難在於，人們常把「描述」誤認為「診斷」。
AI 能快速擴展內容：把簡短指令變成長文，或把邏輯片段展開為數十行程式碼。若考核標準是產出量，更多、更長、更複雜的內容便會成為理性選擇。這未必是個人態度或專業素養的缺陷，而是激勵結構的結果。
關鍵前提是：易於測量的產出指標，只有在品質門檻被納入衡量時，才可能與業務價值同步。 若 AI 能快速生成大量內容，卻沒有品質門檻、明確審閱責任，以及可檢驗的結果指標，產出量才可能與最終價值呈現負相關：生成越多，後續驗證、修正與整合的負擔越大。
數據說了什麼：14% 的真相與分佈
常見說法是「AI 讓生產力翻倍」，但數據通常比口號更值得細看。
根據 NBER 2023 年工作論文《Generative AI at Work》（NBER Working Paper 31161），針對外包客服中心的研究顯示，使用生成式 AI 工具後，員工生產力平均提升 14%。
研究測量的是**「每小時解決的問題數」**。這是完成量的代理指標，比字數更接近服務是否完成；但它能否代表結果，取決於「解決」是否符合既定品質判準，並應搭配品質結果與重開率等資料判讀。若只是更快關閉工單，卻增加重開、轉交或客戶後續摩擦，吞吐量本身不足以說明服務價值。
研究也指出，提升並非均勻分布，初階員工受益較多；他們利用 AI 作為知識錨點與結構框架，迅速彌補經驗不足，接近中階員工水準。資深員工的提升幅度相對較小，甚至在部分複雜情境下無顯著差異。合理的推論是，AI 對他們的邊際貢獻可能主要在常規任務自動化，而非高階工程需求的核心突破；具體機制仍需要更多實證資料。
因此，若管理層只以產出量考核，可能看到資深員工的數字沒有顯著增長，卻忽略他們正在處理更複雜、需要判斷力的架構議題。生產力的變化可能是能力結構的調整，而非所有人的線性增長。
重新定義生產力：從產出到結果的決策矩陣
字數和工單數不夠準，不代表必須放棄量化；不同工作需要不同判準。
| 工作類型 | 不宜單獨作為核心指標 | 建議的指標 | 理由 |
|---|---|---|---|
| 程式開發 | 程式碼行數 (LOC) | 需求交付週期、逃逸缺陷率（需定義嚴重度加權與觀察窗） | AI 能生成大量代碼，但維護成本與系統穩定性才是關鍵。 |
| 內容創作 | 字數、文章數 | 閱讀完成率、轉換率、編輯審閱時間 | 低價值內容可以無限產出，有效資訊的傳播效率有限。 |
| 客服支援 | 處理 Ticket 數 | 首次解決率 (FCR)、客戶滿意度 (CSAT) | 快速回應但未能處理核心需求，只會增加後續工單與客戶摩擦。 |
| 策略分析 | 報告頁數 | 決策後的預先定義結果、假設驗證速度 | 報告再厚，若不影響行動或加速決策，價值有限。 |
生產力不是單純「做得更快」，而是用更少資源達成相同結果，或用相同資源達成更好結果。AI 協助生成測試、文件或重構時，總字數可能下降，系統穩定性與可維護性反而上升。
因此，產出量不是天生危險的代理指標；在品質門檻未納入時，它才特別容易失真。 在探索期，它仍可提供工作流變化的線索，只是不適合獨自承擔價值判斷。
回應反對意見：結果導向的現實邊界
最強的反對意見是：「若不用字數或工單數，團隊如何客觀評估績效？結果太主觀。」
這是務實的擔憂。完全放棄量化，確實可能讓評估模糊，甚至引發人情爭議。當管理者沒有足夠時間深入審閱每項成果時，產出量雖然不完整，仍可能是次優但可執行的選擇。
結果導向並非所有情境都可行。當業務目標不明確、品質標準尚未建立，或團隊規模使管理成本過高時，字數與工單數仍可作為過渡指標，提供基本秩序與可比較性。取捨在於：它們降低測量成本，卻提高行為扭曲的風險。較穩健的路徑，是隨品質標準與工作流逐漸清晰，再漸進改善為結果導向。
管理者的新挑戰：如何公平評估？
真正的管理課題不是「如何確認誰在認真工作」，而是如何判斷團隊是否把投入轉化為可驗證的價值。量化指標提供確定性與控制感，但過度依賴容易測量的產出，可能犧牲難以量化卻重要的活動。
這個原則也有邊界。醫療、金融合規或高風險基礎設施中，錯誤代價極高，密集的過程監控與標準化作業仍有必要；信任不能取代嚴格驗證。監控策略需要依風險等級調整。
「返工率」可作為反向指標。初稿通過率或修改輪次，通常比字數更接近真實效率；但若審閱者對品質定義不一致，返工率又會變成偏好的投射。因此它只能搭配明確品質定義與最終結果指標使用。可接受的初稿要包含哪些必要資訊、符合哪些規範，應先形成 checklist，再回顧返工究竟來自生成品質落差，還是人類判斷分歧。
對分析型工作，AI 的價值常在縮短「從核心需求到洞察」的時間。測量首次提出可行方案的時間，通常比測量方案長度更接近目的。導入初期則可區分探索期與執行期：先建立基準線、調整工作流，再評估工具效果，避免把舊指標直接套在新流程上。
輕重之辨：產出與結果的動態平衡
AI 降低了初稿生成的邊際成本，卻沒有消除審閱、事實查證與系統整合的投入。當內容量激增，這些後續成本甚至可能增加。
AI 因而放大既有激勵結構。品質閾值、審閱責任與結果指標缺席時，低品質產出才容易擴大；當判準獎勵回應核心需求的效率，精簡與準確才更可能成為合理選擇。
這不是要求完全放棄數字，而是承認指標選擇反映風險偏好：在測量確定性與行為扭曲之間，沒有脫離情境的標準答案。產出量可以是探索期的線索，也可以是流程控制的一部分；但若未納入品質與結果，它不宜被當成生產力的結論。這個邊界清楚後，團隊才能依自身工作與風險，做出你自己判斷的取捨。
Sources
- NBER: Generative AI at Work — 探討生成式 AI 對客服生產力的實證研究