同事傳來一份報告，格式漂亮、段落整齊、每一段都有小標。你讀完卻不知道該做什麼，因為裡面沒有任何一個判斷、任何一個決定、任何一句只有他知道的話。這種東西現在有名字了。
workslop 指的是看起來像樣、實際上卻沒有實質內容的 AI 產出。
原始定義出自 BetterUp Labs 與史丹佛社群媒體實驗室（Stanford Social Media Lab），2025 年 9 月發表於《哈佛商業評論》：「AI-generated content that looks good, but lacks substance」。
它最麻煩的地方在於成本轉嫁：產出的人省了時間，收到的人得花更多時間補！
如果放在工作職場或企業，等於是在謀殺主管與客戶的時間！
什麼是 workslop？
拆開來看，workslop 是 work（工作）加上 slop 這個字。slop 原意是餿水、廚餘、沒營養的糊狀物，近年被用來形容大量生成、品質低劣的 AI 內容（AI slop）。把它放進工作場景，就成了 workslop。
目前中文還沒有公認的譯法。有人直譯成「工作餿水」，有人講「AI 廢料」「AI 灌水」，但都還沒有形成共識，所以本文一律使用英文原字，避免造成混淆。
workslop 跟「做得爛」不一樣
這是最關鍵的區別。做得爛的東西，你一眼看得出來，退回去重做就好，成本很低。workslop 的特徵是它通過了所有表面檢查：字數夠、結構完整、用詞專業、沒有錯字。你要讀到第三段、甚至讀完，才會發現它沒有推進任何事情。
| 做得爛的工作 | workslop | |
|---|---|---|
| 外觀 | 一看就知道不行 | 格式完整、專業、挑不出毛病 |
| 發現時間 | 幾秒 | 讀完，甚至開會討論後 |
| 處理成本 | 退回重做 | 你得自己重寫，因為對方也不知道怎麼補 |
| 成本落在誰身上 | 產出者 | 收到的人 |
| 對信任的影響 | 有限，大家知道他在學 | 明顯下降，會被視為敷衍 |
最後兩列是 workslop 真正的殺傷力。它把成本從產出者轉嫁到收件者，而且因為外觀無可挑剔，收件者往往要花時間才確認得了問題出在哪。
workslop 的代價：一份調查算出來的數字
BetterUp Labs 與史丹佛社群媒體實驗室在 2025 年 9 月調查了1,150 位美國全職辦公室工作者，結果讓這件事第一次有了具體的數字。
| 項目 | 數字 |
|---|---|
| 上個月收過 workslop 的比例 | 40% |
| 符合 workslop 定義的職場內容佔比 | 約 15% |
| 處理每一次 workslop 平均花費 | 將近 2 小時 |
| 換算每人每月的隱形成本 | 約 186 美元 |
| 一間萬人公司的年度損失估計 | 超過 900 萬美元 |
它從哪裡來，又流到哪裡去
調查也追了 workslop 的流向，結果打破了一個常見假設：這不只是新人或基層的問題。
- 40% 發生在同事之間
- 18% 由下往上，送到主管手上
- 16% 由上往下，來自主管與管理層
換句話說，大約每六份 workslop 就有一份是主管發出去的。這件事對組織的影響比數字本身更嚴重，因為主管的產出定義了團隊對「什麼叫做完成」的標準。
真正的代價不是時間，是信任
同一份調查問了收到 workslop 的人有什麼感受，數字相當一致：
| 收到之後的反應 | 比例 |
|---|---|
| 感到惱怒 | 53% |
| 感到困惑 | 38% |
| 覺得被冒犯 | 22% |
| 認為對方的創意、能力或可靠度下降 | 50% |
| 認為對方比較不可信 | 42% |
| 認為對方比較不聰慧 | 37% |
這幾列值得停下來看一下。用 AI 快速產出一份東西，省下的是自己兩小時；但有一半的收件者會因此下修對你的評價，四成會覺得你比較不可信。這是一筆用職涯信用換工時的交易，而且匯率非常差。
放大到組織層面，《哈佛商業評論》那篇文章開頭就引用了一份 MIT 的報告：在導入生成式 AI 的組織中，有 95% 看不到可衡量的投資回報。AI 用量翻倍，回報卻沒有出現，workslop 是其中一個可能的解釋：工作量看起來變多了，但推進的事情沒有變多。
為什麼會產生 workslop？不是懶，是門檻被拉低了
把 workslop 歸咎於偷懶，會讓人錯過真正的機制。更準確的說法是：「看起來完成了」的成本，降到了接近零。
在 AI 之前，一份看起來完整的報告需要你真的想過，因為文字本身就是思考的產物，你寫不出結構完整的東西，除非你腦子裡有結構。外觀和實質是綁在一起的，這個綁定就是品質的天然保險。
AI 把這個綁定解開了。現在外觀可以獨立生產，而且幾乎免費。於是「交出去」跟「想清楚」之間的必然關係斷掉了，一個沒有想清楚的人，也交得出看起來想得很清楚的東西。
這就是李海碩說的心智脫離：人沒有進入思考，工作卻已經產生。在學習場景，它讓你以為自己學會了，細節在〈一直用 AI 會變笨嗎？〉；在職場，它讓你以為自己完成了。
還有一個常被忽略的疊加風險：workslop 不只是空的，還可能是錯的。AI 在不確定時傾向猜一個像樣的答案，所以一份沒人查證過的 AI 產出，同時具備「沒有實質」與「內容有誤」兩個問題。判斷方法在〈AI 幻覺是什麼？怎麼判斷 AI 給的答案能不能信？〉。
什麼是去技能化？
去技能化（deskilling）指的是當工作被工具或自動化接手之後，人原本具備的技能因為長期不用而退化的現象。它不是被裁員，是能力悄悄縮水，而且通常在你需要它的那一刻才發現。
這個概念遠早於 AI。1983 年，工程心理學家 Lisanne Bainbridge 發表了一篇只有五頁、但影響深遠的論文〈Ironies of Automation（自動化的諷刺）〉，指出自動化會帶來幾個違反直覺的後果。四十多年後，它們一條一條落在 AI 身上。
| Bainbridge 指出的諷刺 | 在 AI 時代長什麼樣 |
|---|---|
| 自動化接走簡單的部分，留給人的是最難的部分 | AI 寫初稿很快，但判斷哪裡不對、要不要用，全留給你 |
| 技能不用就會退化 | 長期讓 AI 起草，自己從零寫一份東西的能力會明顯變鈍 |
| 偏偏自動化失效時，最需要那個已經退化的技能 | AI 出錯或遇到它沒見過的情況時，正是你最需要判斷力的時候 |
| 人被要求監看自動化，但人不擅長長時間監看 | 「我會檢查 AI 的產出」這句話，在第五份文件之後就不成立了 |
第三列是整篇論文的核心，也是去技能化最危險的地方：能力退化與需要能力的時刻，會同時發生。平常都沒事，出事的時候你剛好也不行了。
這也呼應了微軟研究院與卡內基美隆大學 2025 年的發現（Lee 等人，CHI 2025）：AI 把人的工作從「執行」推向「查證、整合與監督」，但同一份研究也發現越信任 AI 的人投入的批判思考越少。被推去做監督的人，正在失去監督需要的能力。
workslop 與去技能化，是同一件事的兩端
這兩個詞常被分開講，但它們其實是同一個動作的短期與長期後果。那個動作就是把思考交出去。
| workslop | 去技能化 | |
|---|---|---|
| 時間尺度 | 立刻 | 幾個月到幾年 |
| 誰受害 | 收到的人、團隊、公司 | 你自己 |
| 怎麼發現 | 別人跟你反映，或信任下降 | 某天需要自己做，發現做不動了 |
| 可逆性 | 高，改流程就能改善 | 低，要重新練回來 |
兩者的順序通常是這樣：先是為了省時間交出 workslop，沒有人當場說什麼，於是變成習慣；習慣維持幾個月之後，你發現自己不太會從頭寫一份東西了。短期的方便，是用長期的能力付款的，而帳單延後寄到。
怎麼避免自己產出 workslop？送出前的 5 個檢查
這五個檢查不需要你少用 AI，只需要在按下送出前多花三分鐘。
- 找出「只有我知道的那一句」。整份文件裡，至少要有一句話是 AI 寫不出來的：你對這個客戶的了解、上週會議的脈絡、你的建議與理由。找不到那一句，這份東西就還不能送。這是五個裡面最有效的一個檢查。
- 不要讓 AI 寫你自己看不懂的東西。如果你沒能力判斷這段內容對不對，你就沒能力對它負責。這種段落最後一定會變成別人的工作。
- 把結論放前面，並且要有結論。workslop 最典型的特徵是「面面俱到但沒有立場」。如果你寫不出一句「所以我建議 X」，通常代表你還沒想完。
- 刪到剩一半。AI 產出的內容天生偏長，而長度會掩蓋空洞。刪一半之後還站得住的，才是真的有內容。
- 先自己寫骨架，再讓 AI 補肉。順序反過來就完全不同：你決定架構與重點，AI 負責展開與潤飾。這就是李海碩說的「先人後機」，做法在〈怎麼用 AI 學習又不會變笨？〉。
提問方式本身也會影響產出品質，相關技巧在〈AI 指令怎麼下才有效？〉。
如果你是收到的那一方，或你帶團隊
個人層面：把問題講成流程問題，不要講成人品問題
直接說「這看起來是 AI 寫的」會立刻變成人身衝突，而且沒有幫助。比較有效的說法是把缺口指出來：「這份我看完不確定你的建議是什麼，可以用兩句話告訴我你會怎麼做嗎？」這句話同時做到兩件事：拿到你要的東西，以及讓對方自己發現那份文件裡沒有他。
團隊層面：重新定義什麼叫「完成」
既然 AI 已經讓外觀變得免費，團隊對「完成」的定義就不能再靠外觀。幾個可以直接寫進工作規範的做法：
- 交付物一律附一段「我的判斷」：你建議怎麼做、為什麼、風險是什麼。
- 標示 AI 參與程度：哪些是 AI 起草、哪些經過你查證。這不是為了追究，是為了讓下游知道該檢查哪裡。
- 會議上先問結論，不看文件：講得出來的人，文件通常也是真的。
身為葳格國際學校總校長，李海碩每天處理的正是這件事：怎麼在一個人人都能快速產出的環境裡，維持住「這份東西背後真的有人想過」的標準。這個標準一旦鬆掉，整個組織的判斷品質會跟著往下掉，而且很難再拉回來。
怎麼避免自己被去技能化？
去技能化比 workslop 難處理，因為它沒有受害者會來告訴你。三個做法可以留住手感。
- 刻意保留一部分手做。不是全部都自己來，那不切實際。選一到兩項核心能力，固定不交給 AI，例如「重要的提案我一定自己寫第一稿」。留一塊自留地，而不是整片外包。
- 定期做一次沒有 AI 的練習。每個月挑一件事，關掉所有工具從頭做一遍。重點不在效率，在於你會親眼看到自己退化到哪裡，而這個資訊平常拿不到。
- 養成監控自己能力的習慣。去技能化最麻煩的是察覺不到，所以你需要能判斷「我現在到底還會不會」的能力。這正是後設認知，練法在〈什麼是後設認知？怎麼練？〉。決策這一塊的對應做法，則在〈AI 幫我分析，還需要自己決定嗎？〉。
AI 時代該優先保住哪些能力，可以看〈AI 時代該學什麼？〉裡的韌性工程學：學習力與決策力兩大核心，加上問力、辨力、心力三種持久技能。
接下來可以做什麼
下一份文件就能試（3 分鐘）
- 送出前找出「只有我知道的那一句、我個人得出的觀點」，找不到就先別送。
- 把整份刪到剩一半，看還站不站得住。
- 確認裡面有一句「所以我建議 X」，並且確認這個建議，你可以掛保證的。
這個月可以建立的習慣
- 選一到兩項核心能力，固定不交給 AI。
- 每個月做一次完全不用 AI 的練習，記錄自己卡在哪。
- 把「先自己寫骨架、再讓 AI 補」變成預設順序。
如果你帶團隊
- 把「附一段我的判斷」寫進交付規範。
- 會議上先問結論、不看文件。
- 檢查一下自己發出去的東西：有 16% 的 workslop 來自主管。
每週一則，把判斷力留在自己身上
AI 會越來越會產出，這代表「這份東西背後有沒有人想過」會越來越是一個人的區別所在。李海碩的《碩學苑》電子報每週寄一則 AI 時代的學習與思考觀察，包含最新研究與可以直接用的方法：👉 訂閱《碩學苑》電子報
常見問題 FAQ
Q：什麼是 workslop？
A：workslop 指看起來像樣、實際上卻沒有實質內容的 AI 產出。定義出自 BetterUp Labs 與史丹佛社群媒體實驗室，2025 年 9 月發表於《哈佛商業評論》，原文是「AI-generated content that looks good, but lacks substance」。
Q：workslop 的中文怎麼說？
A：目前中文沒有公認的譯法。有人直譯為「工作餿水」，也有人講「AI 廢料」「AI 灌水」，尚未形成共識。其中 slop 原意是餿水或沒營養的糊狀物，近年被用來形容大量生成、品質低劣的 AI 內容，也就是 AI slop。
Q：workslop 跟 AI slop 有什麼不同？
A：AI slop 泛指所有品質低劣的 AI 生成內容，常見於社群、內容農場與搜尋結果。workslop 是它在職場的版本，特指同事之間傳來傳去、看起來完成了但沒有推進工作的產出。
Q：workslop 有多常見？造成多少損失？
A：BetterUp Labs 與史丹佛社群媒體實驗室 2025 年 9 月調查 1,150 位美國全職辦公室工作者，40% 表示上個月收過，每次平均要花將近 2 小時處理，換算每人每月約 186 美元，一間萬人公司一年超過 900 萬美元。
Q：什麼是去技能化？
A：去技能化（deskilling）指工作被工具或自動化接手後，人原本的技能因長期不用而退化。這個現象最早由 Lisanne Bainbridge 在 1983 年的論文〈Ironies of Automation〉中系統性提出，她指出技能退化與需要該技能的時刻往往同時發生。
Q：workslop 和去技能化有什麼關係？
A：是同一個動作的短期與長期後果，那個動作是把思考交出去。workslop 立刻發生、由收件者承擔；去技能化幾個月後才顯現、由自己承擔，而且比較難逆轉。
Q：怎麼判斷自己交出去的是不是 workslop？
A：最快的檢查是找出「只有我知道的那一句」。整份文件裡至少要有一句 AI 寫不出來的內容：你的判斷、你的建議、你對這個情境的了解。找不到就還不能送。另外可以試著刪到剩一半，還站得住才算有內容。
Q：主管也會產出 workslop 嗎？
A：會。同一份調查顯示 16% 的 workslop 來自主管與管理層，18% 是由下往上送給主管，40% 發生在同事之間。主管的產出會定義團隊對「完成」的標準，影響因此更大。
Q：用 AI 寫東西就等於製造 workslop 嗎？
A：不是。差別在順序與責任。先自己決定架構與重點、再讓 AI 展開與潤飾，並且對內容有能力判斷與負責，那是正常使用工具。沒有想過就交出去，才是 workslop。
參考資料
- Niederhoffer, K., Rosen Kellerman, G., Lee, A., Liebscher, A., Rapuano, K., & Hancock, J. T.（2025 年 9 月 22 日）。AI-Generated “Workslop” Is Destroying Productivity。Harvard Business Review。
- Workslop: The Hidden Cost of AI-Generated Busywork。BetterUp Labs × Stanford Social Media Lab（2025 年 9 月，n=1,150）。
- Bainbridge, L.（1983）。Ironies of Automation。Automatica, 19(6), 775-779。
- Lee, H.-P., et al.（2025）。The Impact of Generative AI on Critical Thinking。CHI 2025，微軟研究院與卡內基美隆大學（PDF）。
延伸閱讀：→ 〈AI 時代該學什麼？〉｜→ 〈一直用 AI 會變笨嗎？〉｜→ 〈AI 幻覺是什麼？〉｜→ 〈AI 幫我分析，還需要自己決定嗎？〉｜→ 〈什麼是後設認知？怎麼練？〉