AI代理工時達人的6倍，注意力成瓶頸！從Anthropic內部研究看3個協作提醒
AI交出成果的速度愈來愈快，你卻忙著確認方向、檢查內容、回覆下一步？開發Claude的Anthropic研究自家員工後發現，AI代理執行時數達員工工時的6倍，人的注意力反而成為產出瓶頸。《104職場力》延伸整理3個提醒，帶你重新安排與AI協作的方式。
文／104職場力
本文目錄（點擊可快速前往）
「AI都幫忙做了，為什麼還有這麼多事要處理？」
同時請AI查資料、整理報表、寫提案，成果很快就送到眼前，接著卻是一連串需要你回應的問題：資料可靠嗎？哪個方向值得繼續？這份內容能交出去了嗎？
Anthropic在10月發布的內部報告〈How employment is changing at Anthropic〉，觀察到這種工作變化。研究分析公司的人事資料、AI使用紀錄、產出指標、員工問卷、行事曆與面試評分表，並訪談17名員工，追蹤AI如何改變工作與用人需求。Anthropic也指出，公司的部分用人做法有其特殊條件，這份研究提供了觀察工作變化的案例。
AI代理執行時數達人的6倍，為何注意力成瓶頸？
報告指出，到了2026年8月，員工指派的互動式AI代理累計執行時數，約為員工工時的6倍。這個比較加總了代理及子代理的執行時間，員工工時則按人數及每週40小時估算。AI代理可以連續執行多個步驟，例如使用工具、修改程式、測試與整理結果。這裡的執行時數計入推論與主動使用工具的時間，排除超過30分鐘的等待。
另一方面，AI代理仍經常需要人的回應。Anthropic發現，在互動式、多輪工作階段中，約8成經過時間是在等待人類輸入。閱讀量也帶來考驗，依互動式代理輸出的文字量及每分鐘閱讀250個英文單字推估，即使是非技術部門，要讀完這些輸出，也需要超過半個工作週。
一邊是等人回應的代理，一邊是不斷送到眼前的成果。報告因此指出，人的注意力成了代理產出的瓶頸。有工程師形容，自己面對的是一整支不斷要求他注意的Claude大軍。
產出增加，員工從「做事」轉向「管AI」
Anthropic觀察，工程師人均程式碼提交頻率約為半年前的5倍，業務成交更多客戶，法律部門也處理更多合約。研究追蹤同一位員工的表現，也發現採用AI工具後，產出隨之增加；公司同期快速成長，則是理解這些變化的重要背景。
省下的時間，也讓員工重新安排工作。一位業務人員表示，自動化接手了原本約20%的任務，包括起草郵件、串接客戶管理系統；一位招募人員則利用AI協助尋找人才、追蹤申請及分析資料，轉而投入面試設計與候選人互動。
值得注意的是，員工開始花心力安排AI如何工作。2026年4月的內部問卷中，20%的受訪者在開放式回答裡，提到自己的角色從執行工作轉向管理Claude。報告也記錄了員工撰寫代理指令、建立監控工具，以及安排代理互相檢查產出的做法。
報告將這類圍繞AI工作流程的建置與管理，稱為「後設工作」（meta-work）。它在平均員工互動式Claude工作階段中的占比，從2025年秋天的10%升至2026年春天的22%，增加超過一倍。
當工作開始包含安排AI任務、審查大量成果，以及處理接踵而來的決定，上班族可以怎麼準備？以下《104職場力》從委派、把關與協調，整理出3個提醒。
提醒1：交給AI前，先決定要它做什麼、怎樣才算做好
當工作逐漸轉向「管AI」，第一步就是把任務說清楚。
Anthropic報告中的一個產品設計團隊，原本負責撰寫Claude.ai問候語等產品文字，後來建立了引導代理生成內容的脈絡資料，再轉向設計提示詞與模型評估。他們把對產品文字的判斷，轉成指引AI產出、評估成果的依據。
Anthropic在2025年12月的另一份內部研究也發現，受訪工程師傾向把容易驗證、出錯代價低的工作交給AI，策略與需要組織脈絡的判斷則留給自己。
這種轉變需要工作者先理解需求，再把自己的判斷轉成AI能執行的規則。
對一般上班族而言，可以從寫清楚任務目的與完成標準開始。例如要請AI「做一份競品分析」，還需要說明許多條件：要比較哪些品牌？資料範圍要觀察多久？分析要幫助團隊選活動主題，還是決定預算？
交辦前，可以先想清楚3件事：
- 用途：這份成果要幫誰做什麼決定？
- 標準：必須有哪些內容、資料與來源？
- 確認時機：遇到什麼問題，需要先停下來問你？
以行銷工作為例，可以這樣交辦：「請整理A、B、C等3個品牌最近半年的公開活動，比較目標客群、主打訴求及優惠方式，每項附上來源與日期。先交比較表，等我確認後再提出活動建議。」
先確認資料與比較方向，再往下發展提案，能讓修改發生在較早的階段。工作範圍愈清楚，AI也愈容易沿著你需要的方向執行。
提醒2：產出增加，驗收方式也要調整
AI能快速交出多份報告或多個版本，檢查工作也需要重新安排。
Anthropic研究檢視同一位員工、同月份、同一程式碼目錄下，代理與員工直接撰寫的程式碼，未觀察到後續刪除或還原比例的差異。這是研究採用的品質觀察指標；報告也指出，程式碼品質有許多面向，AI錯誤可能更難察覺。
這項做法提供了一個實用方向：依工作內容設定驗收重點，讓檢查有明確依據。
延續競品分析的例子，例如價格需要核對幣別、方案與促銷期間；「這個品牌主攻年輕客群」則要檢查是否有資料依據。數字正確與分析合理，需要分別確認。
建議依照任務列出交付前的檢查項目：
- 整理資料時，要求附上原始來源、資料日期及尚未確認的項目。
- 製作報表時，要求保留計算方式，方便重算關鍵數字。
- 撰寫對外信件時，優先核對價格、時程、承諾及公司立場。
- 提出分析建議時，分開呈現已知事實、推論與假設。
也可以請AI在交付時，先列出需要確認的問題，作為審查清單的起點，再依原始資料與工作要求，檢查是否還有遺漏。最後，記錄連同交代、修改及檢查在內的總時間。持續使用幾次後，便能看出哪些任務確實節省時間，哪些需要調整流程。
提醒3：把注意力留給重要決定、讓團隊知道下一步
AI同時處理多項工作，也可能同時向你提出多個問題。每一項都要求回應，卻未必同樣重要。
Anthropic員工開始建立監控與彙整工具，管理代理的產出及要求。人與人的討論也持續存在：員工會議時間中位數較一年前增加20%，不帶人的技術職員工也增加16%。公司擴張與職務組成變化是背景因素，受訪者則指出，複雜問題仍需要人一起討論、決定。
報告也指出，決策紀錄會影響代理能否取得最新脈絡。團隊在會議中改了方向，就需要更新相關文件，讓後續工作沿用正確資訊。
可以從以下做法開始：
- 錯開需要判斷的任務。啟動AI任務時，先想哪個階段需要你確認，把要大量判斷的任務錯開，留出閱讀與決策時間。
- 把重複規則留下來。例如報表使用哪些欄位、資料缺漏時如何標示，下一次工作便能沿用已確認的要求。
- 交接時附上目前狀態。交出AI協助完成的提案，簡短說明哪些資料已核對、哪些問題待確認、需要誰決定，以及由誰往下執行。
主管也需要把審查與協調納入時程，訂清楚優先順序與最後確認的人。產出加快之後，團隊要一起安排好接下來的判斷與交付。
從「做事」到「管AI」，判斷力要在工作中累積
工作內容改變，Anthropic評估人才的重點也跟著移動。研究分析面試評分表後發現，技術職評語愈來愈常提到自主性與判斷力；非技術職則更常討論候選人是否以客戶與組織使命為重。
這些變化，也伴隨初階技術職占比下降：自2025年初以來，初階人員占技術部門的比例從21%降至14%，占技術職新進人員的比例則從27%降至9%。如何讓新人取得實作與學習機會，成為企業需要面對的問題。
對上班族而言，可以從每一次與AI協作的過程累積判斷：交辦前，先寫下自己的分析；收到成果後，比較差異、查明理由；完成工作後，記錄哪些做法有效、哪些問題需要補足知識。這些經驗，會成為下一次設定任務與驗收成果的依據。
當AI代理承接更多工作，人的注意力該放在哪裡？從想清楚任務、驗收成果，到和團隊做出決定，每一步都需要工作者運用專業，也在過程中持續學習。
（資料來源：Anthropic）
推薦閱讀：
