一份快 24% 的預估，最後慢了 19%：AI 省下的時間，是一套沒被設計過的介面

2025 年初，研究機構 METR 找來 16 位資深開源工程師，用他們自己維護多年的專案做實驗。246 個真實任務隨機分成可用 AI 與禁用 AI 兩組，動手前，工程師預估 AI 能讓自己快 24%。實測結果是：允許用 AI 的那組，完成任務平均多花了 19% 的時間。更耐人尋味的是實驗結束後的問卷，這些工程師仍舊認為 AI 讓自己快了 20%。

感覺與實測之間將近四成的落差，本身就是一種介面問題。時間是工作者手上最基本、卻最缺乏儀表的資源。程式碼編輯器會告訴你一行程式跑了幾毫秒，但沒有任何面板告訴你，接受一個 AI 建議之後，後續的閱讀、核對與修改總共喫掉多少分鐘。這與我們先前討論過的AI 生成程式碼卡在驗收環節現象是同一件事：生成的速度被看見了，驗收的成本沒被算進去。

日本パーソル綜合研究所 2025 年 10 月調查 19,855 名就業者，提供了另一個刻度。使用生成式 AI 的業務所需時間平均減少 16.7%，但覺得工時真的變少的 AI 使用者只佔 25.4%，而且越重度的使用者加班越長。ActivTrak 比對 1,111 家公司、16.4 萬名員工共 4.43 億工時的數位活動紀錄，導入 AI 後，花在電子郵件與通訊軟體的時間增加超過一倍，不受打斷的專注時間減少 9%。該公司的 Gabriela Mauch 對《華爾街日報》的說法值得記下：效率確實被創造出來，只是釋放的資源立刻被轉去做別的工作。

把這些數字排在一起，經濟學裡的傑文斯悖論就有了當代的版本。1865 年威廉・傑文斯在《煤炭問題》指出，蒸汽機用煤效率提高後，英國煤炭總消耗不減反增，因為動力變便宜，工廠就把蒸汽機裝到更多地方。職場上被消耗的資源換成了人的時間：寫一份提案從三小時縮成一小時，公司改成每個客戶都做客製提案，主管要求多出兩個版本比較。單件變便宜，件數就跟著變多。嚴格來說，經濟學只把回升超過原量的情況稱為傑文斯悖論，一般的回升叫反彈效應；這是一個解釋機制，並非定律。

醫療現場的紀錄把機制拆得更細。加州大學聖地牙哥分校讓基層醫師使用 AI 草擬的病人訊息回覆，刊在《JAMA Network Open》的研究顯示，醫師讀訊息的時間增加 21.8%，回覆時間沒有減少，回覆內容反而變長 17.9%。草稿省下的是打字，多出來的是閱讀與判斷。這正是時間儀表缺席的地方：輸入端的速度提升被完整感知，認知端的隱性成本沒有任何介面顯示。

反方證據同樣需要擺上檯面。丹麥的 Anders Humlum 與 Emilie Vestergaard 追蹤 7,000 個工作場所、超過 2.5 萬名員工，只有 8.4% 的人出現與 AI 相關的新任務，九成以上沒有新增任務，AI 使用者自評平均只省下 2.8% 工時，薪資與工時都沒有明顯變化。METR 的實驗樣本也只有 16 人。這些研究支持「AI 可能讓工作變多」的假設，但不足以推論它是普遍定律。

真正的設計課題在收尾處浮現。一套誠實的 AI 工具，除了告訴你它生成了什麼，還應該讓省下的時間變得可見、可追蹤、可被本人主張；否則每一次效率提升，都會像 160 年前的蒸汽機一樣，安靜地把動力轉成更多的產能，而不是更短的工時。效率的儀表如果只裝在輸出端，時間的流向就永遠由別人來填。