AI最容易讓人高估的本事,是讓工作看起來一直有進展。
你請它改文章,它很快交回一版。你說不夠好,它又交一版。到了第三版,句子換了、標題更大膽了,你卻發現原本想說的事越來越模糊。最後還是自己重寫開頭,再逐個核對數字。
這時,AI確實做了很多事。只是你的工作沒有減少。
討論怎樣用好AI,我們常把注意力放在第一句怎樣問:角色要設得多仔細、背景要交代多完整、指令要拆得多細。這些有用,但一份再漂亮的交代,也保證不了後面每一次修改都值得做。真正影響效率的,是交回來的結果離完成還有多遠。
這件事,已經有研究開始拆開來看。
《Your Wish Is My Commit》發現,程式代理即使沒有收到新的需求,仍可能一輪接一輪地修改。在其中一組測試,指定模型首次停手前,平均累計變更行數接近原始程式的31倍。負責審程式的人面對的問題很直接:這麼多改動,到底有哪些值得看?
31倍不是程式變大31倍,也不能當成錯誤率。但它提醒我們,AI留下很多修改痕跡,並不足以證明成果改善了。把「它一直在做」當成好消息,很容易忽略真正要驗收的東西。
寫文章也是一樣。你覺得開頭沒有力,可能是因為作者一直介紹背景,遲遲不肯講判斷。這時需要的是把論點寫清楚,而不是把「增加」換成「攀升」,再添幾句漂亮的過場。若新的版本沒有解決這個問題,文字再流暢,也只是另一份要你重看的稿。
所以,與其追求一套能讓AI永遠做好工作的指令,不如先把一項成果講明白。這篇文章要讓讀者看懂甚麼?這次資料整理要回答哪個問題?這個程式要讓哪個操作恢復正常?目標清楚,才知道下一輪修改有沒有用。
這不等於要求使用者把每一步都寫給AI。你可以把做法交給它,但應該能要求它交出可檢查的結果。修網站的人不必先教AI怎樣寫每一行程式,卻有權知道手機畫面是否正常、測試是否通過,以及公開網站是否真的更新了。「已處理」不應成為交付的終點。
更麻煩的是,有些修改只是在回應你的情緒。
你問一句「你確定嗎」,AI馬上道歉,接著給出另一個答案。這種反應很容易令人滿意,因為它看起來願意聽、願意改。但如果它沒有找到新資料,也沒有指出原來哪一步錯了,你得到的可能只是另一個需要查證的說法。
《Thinking-in-Bets》嘗試讓模型先留下判斷依據,再處理質疑。在一組報告審查測試中,75次錯誤質疑造成的錯誤翻案,由41次減至9次,覆核者因此少了一些把正確答案改回來的工作。不過,在另一類混合回饋測試,任務完成率反而下降。讓AI少改口,並不是單獨就值得追求的目標。
每一次改口,都應該說得出具體原因。
如果原來把全年數字看成單月數字,就應回到原表,把相關計算一併修好。如果你把文章的讀者從專業人士改成初學者,重寫也很合理,因為目標已經變了。但若只是你語氣更肯定,AI就跟著換答案,這種配合並沒有替你省下核實的責任。
好的修訂,應該讓問題少一點。若每次改口都要你重新判斷哪一版可信,AI只是把不確定性搬到了你面前。
當工作卡住,另一個直覺是乾脆重來。
重新開一段對話,確實有種把混亂清掉的感覺。可是,之前找到的來源、排除的原因、已經修好的部分,也可能一起丟掉。新的對話看起來很乾淨,新的工作卻未必比較少。
《Continue or Restart?》比較程式代理繼續工作與冷重啟,在224種配置中,有216種由繼續佔優。這對使用者的提醒是,重來本身也要付出成本;判斷眼前不順利,還不夠成為丟掉進度的理由。
當然,走錯方向仍然要換。若用錯資料、工具根本不適合,或核心假設已經被推翻,硬撐只會繼續浪費。關鍵在於換路時能否帶走有用的成果:哪些事已確認、哪些檔案可用、哪些方法試過無效,還剩甚麼沒解決。把這些留下來,新的嘗試才有機會接著前面的工作走。
尤其當AI已經操作過外部工具,更不能靠清空對話當作重新開始。一次上傳或發布沒有回應,應先查結果,再決定是否重試。否則,你以為它從頭做得更乾淨,實際上卻可能多了一份重複提交要收拾。
Azea 解讀
把AI用好,需要把注意力從「它回應得多積極」,移到「它交回來的東西有多接近可用」。
這也是AI工具最容易漏算的一筆成本。生成文字和程式很快,人的檢查時間卻不會因此自動縮短。你要比較版本、找回被刪掉的重點、確認它到底改了甚麼。這些工作若不斷增加,模型的速度就沒有變成你的效率。
因此,我更想追蹤的指標,是在相同品質要求下,從AI交稿到真正可用,還需要多少人工覆核時間。文章要重寫多久,資料要重查多少,程式還有哪些問題得由人補上,都應算進去。這比回覆速度更能看出一種用法是否值得繼續。
你不需要變成AI的全職監工。恰恰相反,好的工作方法應該讓你逐漸少做那些重複檢查,而不是替每一輪輸出再安排一輪人工救火。
下一次AI告訴你「已經完成」,你手上的工作,真的少了嗎?
來源與限制
本文依據三篇2026年10月26日提交的arXiv預印本v1,未獨立重現實驗;日常寫作與資料整理的使用建議為Azea延伸分析。
Your Wish Is My Commit: Over-Compliant Refactoring in AI Coding Agents。正文「近31倍」為GPT-5.4演算法組首次停止前,平均累計變更行數/原始行數30.97倍。研究未測試修改後的功能正確性;外部補充材料未能讀取。
https://arxiv.org/abs/2610.36346
Thinking-in-Bets at Test Time Reduces Sycophantic Revisions in LLM Agents。錯誤翻案數見表3,混合回饋完成率下降見表13;作者署名Google不代表Google官方建議。
https://arxiv.org/abs/2610.34654
Continue or Restart? The Limits of Early Failure Prediction in Coding Agents。216/224見表VI,來自程式代理軌跡的離線回放與冷重啟比較,不代表所有重啟都無效,也不能直接套用於保留成果的交接。Token用量不等同實際帳單或耗時。
https://arxiv.org/abs/2610.35971
三篇結果受模型、任務及測試設計限制,不能當作所有AI工作的通則。人工覆核時間是本文建議追蹤的指標,並非三篇共同驗證的成效。