Reid Hoffman談AI與工作毅力：當工具暫停，你還能繼續嘗試嗎？

AI與工作毅力，關心的是工具變快後人如何繼續投入。工作卡住時，AI很快給出下一步，讓人繼續前進。但當工具暫時不能用，人還願不願意試另一種方法，也值得納入效率的評估。

Reid Hoffman在10月21日上架的Possible節目，討論一項關於AI與持續性的研究。他沒有把結論停在少用AI，而是追問能否把工具設計成讓人更願意投入。

這項研究透過短時間的推理與閱讀任務，觀察人失去AI協助後如何反應。它提供了值得注意的訊號，但不能證明每天用AI的人從此失去毅力。

這也讓工作設計多了一個問題。除了答案是否正確，我們還需要知道工具把人推向更主動的探索，還是讓人習慣等待下一份完整解答。

對創作者與團隊而言，持續嘗試並不是無限制地硬撐。它更接近在遇到阻礙時，仍能決定要補什麼資訊、換什麼做法，以及何時才值得停下。

AI與工作毅力的取捨，應回到這些可觀察的行為。把下一步選擇與檢查保留在人手上，再用工具降低不必要的阻力，比只計算省下幾分鐘更完整。

Hoffman談的工作毅力，和做事更快有什麼不同？

效率衡量完成多少事，持續性則關心卡住之後是否仍願意投入。

在Possible官方逐字稿中，主持人Aria Finger把研究帶進討論，Hoffman則主張，若確實存在問題，就應思考如何讓AI支持人的持續性。

他也區分了等待好工具恢復，和完全不想再嘗試。就像有了車之後不願意騎很遠的路，未必代表缺乏毅力，有時只是人重新評估了完成事情的方法。

這個區分對工作很實用。如果一份任務確實需要特定軟體，等待恢復可能比手動重做合理。但若工具沒有給出可用答案，人也不再查資料或提出問題，就值得檢查工作方式。

例如，假設企畫人員正想一個新活動，工具提出的點子都不符合受眾。持續投入可以是回頭確認需求、找一個過去案例，或與同事討論，而不只是反覆要求AI再生成一次。

在這個例子裡，AI回應次數很多，仍不能直接證明探索很深入。若每次都只是換句話問相同問題，工作可能看起來一直在進行，實際上沒有增加理解。

反過來，暫時離開工具、整理自己還不知道的條件，也可能讓事情往前走。這就是為什麼評估效率時，需要知道人到底在推進什麼，而不只看產生了多少文字。

Hoffman的回答提供的是設計方向，沒有證明某種用法已經能提高所有人的毅力。是否有效，仍應回到具體任務與使用者行為觀察。

要知道兩者是否真的出現落差，還得看研究如何測量放棄。

這項AI持續性研究，實際測了什麼？

研究以短時間的推理與閱讀任務，測量AI移除後的表現和跳題行為。

原始論文包含三個實驗，總招募1,222人，並非對公司員工進行長期追蹤。論文4月首度公開，本文核對的是10月13日修訂版本，避免把節目日期當成研究首次發表日。

參與者在部分階段可以使用AI，之後必須獨立作答。研究把選擇跳過題目的比例，作為持續投入的行為指標，並不等於直接測出一個人的完整性格。

實驗結果也有差別。第一個實驗出現較高跳題率，第二個實驗的整體跳題差異則未達統計顯著。因此，不能把節目裡的概括說法，寫成所有實驗都有一致的翻倍效果。

研究另分析了直接取答案、要求提示等使用方式。直接取答案者後續表現較差，但這些用法不是隨機分派，屬於相關分析，不能直接證明換成提示模式就能防止影響。

還有重要的時間限制：實驗觀察的是約10至15分鐘任務後的立即反應。效果是否會持續數小時、數日，或因長期使用而改變，仍沒有由這些結果回答。

對職場讀者，這使研究更適合用來提出問題，而非替每名員工下判斷。遇到困難時，是更快放棄、改用其他資源，還是暫停等待必要資訊，需要放回情境理解。

因此，也不宜把一個人的停頓直接標成依賴AI。他可能缺少資料、權限或明確目標，主管應先確認障礙，才能知道該提供工具、協助還是更多決策空間。

這些限制不會讓研究失去價值，卻會影響我們怎麼把它帶回工作。

創作變快，為什麼不一定更想繼續做？

產出品質與繼續投入的意願，是可以分開變化的結果。

另一篇2025年刊於《Scientific Reports》的人機合作研究，透過四項線上實驗，觀察文字生成與腦力激盪等任務中的表現與感受。

研究發現，AI協作可以改善眼前產出，但從協作轉成獨立作業時，參與者也可能感到動機降低、更加無聊。這些是短期任務中的測量，不能直接當成長期職涯的結果。

它和前述跳題研究使用不同指標：一個觀察自述感受，一個記錄行為。把兩者分開，有助於看見員工即使交出不錯的作品，仍可能對接下來的工作缺少投入感。

以一個假設的創作情境來說，AI先產生完整活動主軸與文案，創作者最後只剩改標點。如果他原本最喜歡的是發想與選擇方向，現在的任務就可能失去部分吸引力。

但這不表示每個人都想親自完成所有步驟。有人喜歡構思，有人重視查證或後期編輯，所以安排工作時，需要知道哪些選擇對當事人有意義。

這也是為什麼「把麻煩都交給AI」需要說清楚。麻煩可能是重複改格式，也可能是創作最關鍵的取捨，兩者不宜只因為都花時間就一起移除。

如果工具替人準備多個方向，人仍比較受眾、目的與限制，就保留了參與的空間。但這是可嘗試的工作安排，不能據此承諾每位創作者都會更有動力。

主管也不必把動機變成另一項要求員工證明的績效。更有幫助的是讓人說明，哪些部分覺得有價值、哪些只是耗損，再決定工具該接手哪一段。

若目標是讓人持續創作，工具就需要替人保留值得投入的選擇。

怎麼使用AI，才保留自己往下走的空間？

把工具用在比較與回饋，並由自己決定下一步，是可以小規模嘗試的安排。

可以先在開啟AI前寫下一個初步方向，不必完成整份作品。這個動作的用途是讓自己有可比較的起點，之後才看得出工具改變了哪些想法。

接著，可以請AI指出一項可能失敗的原因，或提出與原方向不同的選項。人再決定是否接受、需要補什麼證據，以及哪個部分值得繼續做，而不只是挑最流暢的回答。

仍以前述活動企畫的假設情境來說，若工具認為點子難以吸引受眾，下一步可以是確認受眾真正重視什麼。這個問題可能需要訪談與現場資料，不能靠更多生成文字解決。

若AI暫時無法使用，也可以先完成這些不依賴它的工作。整理需要確認的事項、檢查已取得資料，或向同事提出具體問題，都能幫助任務維持進展。

不過，保留自主空間不等於故意增加所有摩擦。像反覆調整檔案格式、搬動相同資料等工作，若沒有需要練習的判斷，便可以在合適條件下交給工具。

比較值得保留的，是會影響方向的決定：為誰做、要解決什麼、採用哪些證據，以及什麼結果才算完成。這些決定讓人能解釋自己為何繼續，而非只被下一份產出帶著走。

也要替停止留下合理標準。若已知資料不足，繼續生成可能只是浪費時間。能說明需要等什麼、向誰求助，和沒有理由地放棄，是不同的狀況。

因此，本文建議的是練習辨認下一步，並非鼓勵在任何任務裡無止境堅持。當人知道自己在嘗試什麼，工具才有清楚的位置可以協助。

這種安排是否有效，仍需要用實際行為回頭檢查。

團隊要觀察什麼，才知道AI真的幫上忙？

除了完成速度，也要看遇到例外時能否繼續推進，以及何時需要求助。

可以從一類反覆出現的任務開始，記下工具協助了哪一步、哪些地方仍需由人判斷。下次遇到相近情況，就能比較團隊是否更快找出有效的下一個動作。

如果結果不理想，不必立即歸因為意志力不足。先看工作要求是否清楚、所需資料是否存在，以及工具是否容易讓人誤以為任務已經完成，這些都會影響後續行為。

例如在一個假設測試裡，團隊讓AI先產生提案，再由人列出尚未處理的問題。若每次都能指出同一個缺口，卻始終無人有權處理，瓶頸便可能在組織分工，而非工具或個人。

管理者可以把這類問題帶回交辦方式，說明哪些決定可以自己做、哪些需要回報，並提供能取得必要資訊的窗口。這讓持續投入有實際路徑，而不只是要求員工更努力。

對創作工作，也可以觀察提出替代方向與修改理由的情況。但這些紀錄是為了理解流程，未必適合變成僵硬的數量指標，否則人可能只是為了達標多寫幾個選項。

個人則可以定期回看，哪些工作即使沒有AI，仍知道如何開始。若連問題都難以描述，可以先把那個環節拆小，確認欠缺的是知識、經驗還是必要資料。

這不是要求每個人都能手動完成所有事。現代工作本來就依賴工具，值得保留的是在工具改變或失效時，仍能理解目標、評估替代方案並向他人說明需求。

Hoffman把研究訊號轉成一個值得持續追問的方向：AI能否讓人更願意投入。對讀者較可行的起點，是挑一項熟悉工作，保留下一步的選擇，再看工具如何影響自己的行動。

能讓人保有方向與投入的工具，才有機會把短期效率轉成持續成果。

歡迎免費訂閱AI郵報，持續閱讀有原始研究與限制說明的AI工作觀察。

FAQ：AI與工作毅力常見問題

AI與工作毅力的研究，證明人會永久變懶嗎？

沒有。這裡討論的是短任務中的立即反應，不能直接推論長期性格、職涯或所有工作情境。

只要求AI提供提示，就確定沒有影響嗎？

不能這樣保證。原研究對不同使用方式的分析具有相關性質，尚不足以證明提示安排本身造成了較好的結果。

沒有AI就等待，等於缺少毅力嗎？

不一定。若任務確實需要工具，等待可能合理。需要判斷的是是否仍理解目標、知道替代方案，以及能否說明下一步需要什麼。

延伸閱讀：AI 代理接手工作，如何保留批判性思考？Addy Osmani 的交辦與驗證方法

延伸閱讀：AI 能力為何有人覺得普通、有人覺得驚人？從 Karpathy 熱文建立工作實測方法

資料來源

• Reid Hoffman與Aria Finger原始節目，2026年10月21日上架。
• Possible官方逐字稿，2026年10月21日。
• AI Assistance Reduces Persistence and Hurts Independent Performance，2026年4月6日首版，本文採10月13日修訂版。
• Human-generative AI collaboration enhances task performance but undermines human’s intrinsic motivation，《Scientific Reports》，2025年4月29日。