工具幫你工作。系統改變工作如何發生。

AI tool 幫你工作。

AI system 改變工作如何發生。

這個分別聽起來工整，但其實很重要。一個 tool 可以幫一個人更快 draft、更快 search、更快 summarise，或者更快 compare documents。這有用。它可以節省時間，也可以減少那些本來不應那麼痛苦的 blank-page pain。

但一間公司不會因為個別員工變快了，就自然改變。

工作真正改變，是當公司改變了甚麼會被 captured、誰會 check、evidence 放在哪裏、handover 怎樣發生、promises 怎樣被記住，以及重複錯誤怎樣變得更難重複。

這個分別很容易在採購時被忽略，因為 tool 的價值最容易示範：輸入 prompt，幾秒後有 output。System 的價值比較慢，它出現在 review 變清楚、交接少了漏洞、下次不用重新找資料、以及 firm 能夠解釋自己為何相信某個答案的時候。

這就是 personal speed 和 shared practice 的分別。

工具視角

工具視角很簡單。

給大家 AI access。讓他們問問題、draft notes、summarise calls、write emails、compare options、prepare first passes。

這沒有問題。一些關於 generative AI at work 的最好證據，顯示放得好的 assistant 可以改善個人生產力，尤其對經驗較少的工作者更明顯。Brynjolfsson、Li 和 Raymond 在大型 customer support 環境中發現，工作者使用 generative AI assistant 時有明顯 productivity gains（Brynjolfsson, Li, and Raymond^{1Brynjolfsson, Li, and Raymond, "Generative AI at Work"}）。

所以重點不是 tool 是假的。Tool 是真的。

重點是，tool 大多改善工作的一個個 moments。

一個人有一個 task。tool 幫他處理 task。output 之後回到公司日常生命裏：email、folders、meetings、private judgment、inconsistent review、unclear ownership，以及某個人的記憶。

低風險工作這可能已經足夠。但對於公司需要為答案負責的工作，這不夠。

尤其在專業服務裏，output 不是工作終點。它通常會進入 client advice、internal approval、project decision、financial commitment 或 regulatory position。若 output 沒有連着 source、owner 和 review path，速度只是把責任更快推到下一個人面前。

系統改變甚麼

System 不只是幫人產生某件東西。

它改變工作走過的路徑。

它會問：

• 用了哪些來源？
• 缺少甚麼？
• 誰 review 了 output？
• review 後改了甚麼？
• 這創造了甚麼承諾？
• 哪個 record 現在需要更新？
• 下次應該重用甚麼？
• 甚麼永遠不應自動化？

這些問題不 glamorous。它們就是公司。

Professional services firm 售賣的不只是 activity。它們售賣的是有人願意負責的 judgment。一份 lawyer memo、一段 accountant advice、一項 architect recommendation，或一個 consultant plan，不只是因為頁面上有字才有價值。它之所以有價值，是因為工作帶着 evidence、responsibility 和對情況的理解。

Tool 可以產生一份 memo。

System 可以展示 memo 從何而來、依賴了甚麼、誰檢查過、還有哪些 risk、對 client 承諾了甚麼，以及公司學到了甚麼。

更多 output 的陷阱

最容易講的 AI 故事，是更多 output。

更多 drafts。更多 options。更多 notes。更多 summaries。更多 diagrams。更多 client updates。更多 first passes。

這會讓人感覺 productive。它也可能為下游所有人製造工作。

Dell'Acqua 和同事研究 consultants 使用 GPT-4，提出了一個有用警告。AI 在模型能力範圍內的 tasks 上提升 speed 和 quality，但當人們把它用在能力範圍之外時，correctness 可能下降（Dell'Acqua et al.^{2Dell'Acqua et al., "Navigating the Jagged Technological Frontier"}）。這就是 AI 的 jagged edge：它可以在一個 task 很強，卻在另一個看起來相似的 task 悄悄變弱。

如果公司只加 tools，就可能得到更多 output，但沒有更好 control。

人們之後要花時間清理自信的 drafts、檢查沒有支持的 claims、reconcile versions，以及追問誰 approved 了甚麼。公司有更多 material，但未必有更可靠的 work。

所以 system 重要。它給 output 一個去處。它令 review 成為工作的一部分，而不是事後補救。它令 gaps 在變成 mistakes 之前可見。

Access 不等於改變

給所有人 licence，不等於改變工作。

一個橫跨數千名 knowledge workers 的 field experiment 發現，generative AI access 減少了花在 email 上的時間，但沒有明顯改變工作的 composition（Dillon et al.^{3Dillon et al., "Shifting Work Patterns with Generative AI"}）。這是一個安靜但重要的結果。Tool 有幫助。work pattern 大致不變。

這並不奇怪。組織有很強的形狀。它們有 meetings、habits、roles、review paths、incentives、files、templates、exceptions，以及沿襲下來的做事方式。

AI 進入這個形狀。它不會自動重新設計它。

較早關於 information technology 的研究也有同一點。Brynjolfsson 和 Hitt 指出，IT value 很大程度取決於互補的 organisational change，而不只是 technology itself（Brynjolfsson and Hitt^{4Brynjolfsson and Hitt, "Beyond Computation"}）。這個教訓仍然成立。機器可能是新的，組織問題不是。

工作真正在哪裏改變

當 AI 成為公司形成 judgment 的地方之一，工作才會改變。

那可能是：

• matter intake；
• research review；
• audit planning；
• proposal preparation；
• client follow-up；
• design critique；
• weekly project review；
• pricing review；
• 一個團隊交接給另一個團隊；
• post-project learning。

這些不是 generic productivity moments。它們是工作變得 accountable 的位置。

在這些位置，有用的 AI output 往往不是 finished answer，而是準備得更好的 review：sources gathered、options compared、missing facts named、assumptions exposed，以及 next steps made clear。

這和叫 tool「write something」不同。

這是要求 system 幫公司把工作看得夠清楚，從而可以決定。

換句話說，AI 最有價值的位置往往不是最後一句答案，而是 decision 前的準備層。它把散落的材料放在一起，標出 missing facts，讓 reviewer 不用先花半小時重建背景，才開始真正判斷。

應該問的問題

有用的問題不是：

「我們應該買哪個 AI tool？」

更好的問題是：

「我們哪一部分工作需要變得更容易 inspect？」

這個問題更難，但也更誠實。

它指向公司裏那些現在太依賴 private memory、scattered files、repeated explanation 或 last-minute reconstruction 的地方。它指向那些一個好同事正用手勉強撐住太多東西的位置。

這些位置通常是 AI 可以幫忙的地方，但前提是 system 要圍繞真實工作路徑設計。

一個例子看分別

想像一個困難項目後的 client meeting。

Tool 可以 summarise the call。它可以說 client 對 timing 不滿、想要更清楚 updates，並期待下星期有 options。

這有用，但很薄。

System 會問這個 summary 現在改變了甚麼。Project record 是否需要新增 risk？是否有人 promise 了 weekly update？誰擁有 options？下一封 client email 是否需要 partner 或 principal review？這是否同一 concern 第三次出現？這個 lesson 是否應該帶入下一份 proposal？

有用的改變，不是 meeting 有了一份 summary。

有用的改變，是公司更不容易忘記這場 meeting 的意思。

Tool 可以 summarise meeting。

System 可以把 meeting 連接到 client、project、matter、prior promises、open decisions、source files、owner、deadline 和 review path。

Tool 可以 draft email。

System 可以展示 email 是 internal 還是 external、哪些 facts 支持它、甚麼 tone 適合這段 relationship、誰必須 approve，以及發送它是否會創造 commitment。

Tool 可以 compare documents。

System 可以說哪份 document authoritative、哪些 changes 重要、哪位 reviewer 擁有 decision，以及下一步需要發生甚麼。

分別不在模型的 intelligence，而在它周圍工作的形狀。

簡單測試

有一個簡單測試，可以判斷 AI 是被當成 tool 使用，還是已經成為 system 的一部分。

Output 產生後，公司能否回答：

• 為甚麼是這個答案？
• 來自哪些來源？
• 由誰檢查？
• 用在哪裏？
• 改變了甚麼？
• 怎樣被記住？

如果答案是否定，公司可能仍然有一個有用 tool。但它還未有一個可靠 system。

這可以作為起點。但不是終點。

資料來源

1. Brynjolfsson, Li, and Raymond, "Generative AI at Work"
2. Dell'Acqua et al., "Navigating the Jagged Technological Frontier"
3. Dillon et al., "Shifting Work Patterns with Generative AI"
4. Brynjolfsson and Hitt, "Beyond Computation"
5. Staufer et al., "The 2025 AI Agent Index"