引言：在 AI 浪潮中定位我們的未來
在我們開始深入探討之前，讓我們先設定一個場景。想像一下，生成式 AI 就像一顆巨大的隕石，正劃破天際，我們都知道它即將撞擊地球，徹底改變地貌。但問題是，我們不清楚它會撞在哪裡？哪些地方會被夷為平地？哪些地方又會因為撞擊而隆起新的山脈，甚至催生出前所未見的生態系統？
過去許多關於 AI 影響的討論，就像是站在遠處觀察這顆隕石，僅僅是猜測它的軌跡和威力。有些報告說「知識工作者會被取代」，有些則說「AI 將創造新工作」。但這些多半是基於專家訪談或理論推導，缺乏真實世界的證據。而我們今天所要剖析的這篇論文——《與 AI 共事：衡量生成式 AI 的職業意涵》（Working with AI: Measuring the Occupational Implications of Generative AI）——做的，就是一件截然不同的事。它不只是猜測，而是親自跑到可能的「撞擊坑」附近，收集土壤樣本、分析空氣成分，試圖用科學數據告訴我們，這場變革究竟是如何發生的。
這篇論文的研究者們分析了高達二十萬筆匿名的、使用者與微軟 Bing Copilot（一個公開可用的生成式 AI 系統）之間的真實對話。這就像是拿到了一本揭示人們內心需求的「秘密日記」，讓我們得以一窺究竟：在工作的場景中，人們到底想讓 AI 幫他們做什麼？而 AI 本身，又在扮演著什麼樣的角色？透過這些第一手資料，研究者們提煉出了幾個至關重要的核心論點，這些論點為我們理解 AI 的影響提供了前所未有的清晰視角。
現在，我們就來逐一拆解這些主要論點，並用費曼學習法把它們講清楚、說明白。
主要論點一：雙重視角的重要性——「使用者目標」與「AI 行動」的區分
這是整篇論文的基石，也是它最獨特、最具洞察力的貢獻。如果不能理解這個概念，後續的所有分析都將變得難以捉摸。
想像一下，你走進一間廚房，看到一位廚師正在切洋蔥。如果你只問「你在做什麼？」，你得到的答案可能是「切洋蔥」。但這個答案並不完整。我們需要從兩個不同的角度來理解這個場景：
- 顧客的目標（User Goal）是什麼？ 顧客走進餐廳，他的目標可能是「吃一碗美味的法式洋蔥湯」。他並不在乎廚師是怎麼切洋蔥的，他只關心最終能否得到滿足他需求的產品。
- 廚師的行動（AI Action）是什麼？ 廚師的具體行動是「準備食材」或「烹飪」。他正在執行一個專業的、具體的任務。
你看，顧客的目標和廚師的行動是相關的，但它們並不完全相同。顧客的目標是「享受成果」，而廚師的行動是「提供服務」。
這篇論文的研究者們巧妙地將這個「顧客與廚師」的框架應用到了人與 AI 的互動上。他們認為，每一段人機對話，都必須從這兩個平行的視角來分析：
- 使用者目標（User Goal）： 指的是使用者開啟這次對話，他內心真正想要完成的任務或達成的目的。例如，一位行銷企劃可能想要「撰寫一份吸引人的產品文案」，這就是他的「使用者目標」。
- AI 行動（AI Action）： 指的是 AI 在對話中，為了協助使用者，它本身所執行的具體工作。接續上面的例子，當行銷企劃輸入「幫我寫個文案」時，AI 的「行動」可能是「提供寫作建議」、「生成草稿」或是「潤飾文字」。
為什麼這個區分如此重要？因為它徹底顛覆了以往對 AI 影響的單一思考模式。過去我們常陷入一個非黑即白的辯論：AI 究竟是「增強（Augment）」了人類，還是「自動化（Automate）」了人類的工作？
- 增強（Augmentation） 通常被理解為 AI 像一把更厲害的錘子，讓工匠能更快更好地完成工作。從這個角度看，AI 是人類的工具。
- 自動化（Automation） 則被理解為 AI 直接取代了工匠，自己完成了整個工作。從這個角度看，AI 是人類的替代品。
而這篇論文提出的「使用者目標 vs. AI 行動」框架告訴我們：AI 可以同時是工具，也是服務提供者。
讓我們再用一個論文中提到的例子來加深理解。假設一位辦公室職員想要列印一份文件，但他不知道怎麼操作新的印表機。他向 Copilot 求助。
- 他的「使用者目標」是什麼？ 是「操作辦公室設備」（Operate office equipment）。這是他身為一個職員需要完成的工作。
- AI 的「行動」是什麼？ AI 並沒有伸出一隻機械手臂幫他按按鈕。 AI 做的是提供步驟說明、解釋功能選項。所以，AI 的行動是「訓練他人使用設備」（Train others to use equipment）。
看到了嗎？「操作設備」和「訓練他人操作設備」是兩種完全不同的工作活動。在美國勞工部的職業資料庫（O*NET）中，前者可能與行政助理相關，而後者則可能與技術支援或培訓師相關。
這篇研究的數據顯示，在大約 40% 的對話中，「使用者目標」和「AI 行動」所對應的工作活動是完全不同的。這個發現意義非凡。它意味著 AI 的影響是多層次的。當 AI 協助使用者達成他的目標時，它扮演的是「增-強」工具的角色。但與此同時，AI 本身也在「執行」一項過去可能由另一個人（例如，IT 部門的同事、專業顧問、客服人員）來完成的任務。這就帶有「自動化」的色彩。
因此，第一個核心論點可以總結為：要準確衡量 AI 對工作的影響，我們必須放棄單一的「工具或替代品」視角，轉而採用「使用者目標」和「AI 行動」的雙重視角。這讓我們能夠同時觀察到 AI 如何「增強」使用者的既有工作，以及它如何「執行」或「自動化」了過去可能由第三方人力所提供的服務型工作。 這個框架為我們理解人機協作的新模式提供了一把精確的手術刀，讓我們能更細緻地解剖 AI 帶來的衝擊。
主要論點二：AI 在真實世界中的角色定位——知識工作的「超級助理」與「服務員」
在建立了「使用者目標 vs. AI 行動」這個分析框架後，研究者們接著回答了一個最令人好奇的問題：人們到底都在用 AI 做些什麼？AI 又在扮演什麼角色？他們的發現，為我們描繪了一幅生動的「人機協作」肖像畫。
人類正在尋求什麼樣的幫助？（使用者目標分析）
想像一下你是一位知識工作者，每天的工作被各種任務填滿。哪些任務最讓你頭痛、最耗費心神？這篇論文的數據顯示，人們最常向 AI 求助的，主要可以歸結為三大類：
- 資訊的收集與整合（Gathering Information）： 這就像是過去我們為了寫報告或做研究，必須打開十幾個瀏覽器分頁，在海量的資訊中掙扎，試圖找到自己需要的內容。現在，使用者把這個繁重的任務交給了 AI 。例如，他們會問「幫我總結一下最近關於量子計算的突破」、「比較三款最受歡迎的專案管理軟體」、「找到關於 19 世紀法國藝術史的資料」。這些都是典型的資訊獲取與初步處理工作。
- 內容的撰寫與編輯（Writing and Editing）： 「寫作」是知識工作中最核心也最困難的環節之一。無論是寫一封重要的商業郵件、一份專案企劃書、一段程式碼，還是一篇行銷文案，從零到一的過程總是充滿挑戰。數據顯示，使用者正大量利用 AI 來克服這個障礙。他們會讓 AI「幫我起草一份道歉信給客戶」、「把這段技術說明寫得更通俗易懂」、「為我的部落格文章想五個吸引人的標題」。這涵蓋了從創意發想到文字潤飾的整個寫作流程。
- 與他人溝通（Communicating to Others）： 這類工作不僅僅是寫作，更強調資訊的傳遞與解釋。例如，使用者可能需要「準備一份給客戶的簡報，解釋我們的產品如何解決他們的問題」或「幫我草擬一份向團隊解釋新政策的公告」。這類目標的核心在於如何有效地將資訊傳達給特定的對象。
總結來說，從「使用者目標」的角度看，人們正在將 AI 視為一個強大的「知識工作加速器」。他們把知識工作流程中那些最基礎、最耗時、或最需要靈感的環節——也就是資訊的輸入（收集）和輸出（寫作與溝通）——外包給了 AI 。這使得他們可以將自己的精力更專注於更高層次的策略思考、決策判斷和人際互動上。
AI 在對話中扮演了什麼角色？（AI 行動分析）
現在，我們換個角度，從 AI 的立場來看。當使用者提出上述這些需求時，AI 究竟在「做」什麼？論文的分析結果同樣有趣，AI 的角色也主要集中在三大類，但其動詞和意涵與使用者目標略有不同：
- 扮演資訊服務員（Providing and Presenting Information）： 當使用者想要「收集資訊」時，AI 的行動是「提供資訊」（Provide information）或「呈現研究/技術資訊」（Present research/technical info）。它像一個 24 小時待命的圖書館員或研究助理，能夠迅速地從龐大的數據庫中檢索、整理並呈現使用者需要的資料。
- 扮演解釋與教學者（Explaining and Teaching）： AI 不僅僅是給出資訊，它還經常扮演「解釋者」的角色。例如，「解釋技術細節」（Explain technical details）、「解釋法規政策」（Explain regulations/policies）。更有甚者，AI 還會進行「教學」（Teach）和「提供建議」（Advise）。這意味著 AI 的角色超越了單純的搜尋引擎，它更像一位隨身教練或顧問，能夠針對特定問題提供指導。
- 扮演溝通代理人（Responding and Assisting）： 在很多情境下，AI 的行動是直接「回應客戶問題」（Respond to customer problems）或「提供協助」（Provide assistance）。它模擬了客服人員或助理的角色，直接與使用者進行互動，解決他們的需求。
將「使用者目標」和「AI 行動」的分析結合起來，一幅清晰的圖景便浮現了：人類正在利用 AI 來處理知識工作的核心任務（資訊處理與內容創作），而 AI 則以一種「服務導向」的角色來滿足這些需求，它既是資訊的提供者，也是知識的解釋者、建議者和教學者。
這種關係的不對稱性非常顯著。正如前面提到的，高達 40% 的對話中，使用者想做的事和 AI 實際做的事並不一樣。使用者更專注於「獲取」、「閱讀」、「研究」等輸入導向的活動，而 AI 則更多地在執行「建議」、「教學」、「培訓」等輸出與服務導向的活動。
這個發現打破了許多關於 AI 的迷思。 AI 並非一個冷冰冰、被動的工具，在真實世界的使用中，它更像是一個積極的、擬人化的「服務代理」。人們把它當作一個可以對話、可以諮詢、可以尋求指導的對象。這也解釋了為什麼與傳統軟體相比，生成式 AI 能如此迅速地滲透到各種工作場景中——因为它提供的不是冰冷的功能按鈕，而是一種互動式的、服務性的新體驗。