當企業投資導入生成式 AI ，期待生產力迎來爆發式成長時，工作場所中往往瀰漫著沈默的、焦慮的氛圍。員工在面對新的 AI 工具時，內心的掙扎往往超出了技術操作層面：如果我提問的不好，是否代表我不夠聰明？AI 生成的錯誤答案，責任最後算誰的？如果不常用 AI，我是否正走向被取代的終點？…這種對工具的不確定感與對自我價值的懷疑，是轉型過程中隱形的阻礙，我們必須體認到：AI 的導入不僅是技術升級，更是深層的心理安全議題。企業轉型的成敗，不在於導入了多強大的模型，而在於領導者是否具備足夠的同理心，去接住人的焦慮，並將其轉化為前行的動力。

焦慮的變形：當心工作廢品（Workslop）吞噬組織效率
當組織只強調效率而未接住員工焦慮時，這些情緒不會消失，而是會變形成對組織有害的三種負面反應：
• 逃避（Avoidance）： 員工表面採納，實際能不用就不用，僅在低價值的任務上做樣子，避免觸碰高難度且高風險的核心工作。
• 敷衍（Perfunctory）： 為了應付 KPI，快速產出看似完整但毫無深度的內容，這正是工作廢品（Workslop）的主要來源。
• 破壞（Destruction）： 員工因感到威脅而暗中抵制，例如故意將敏感資訊餵給未授權的模型造成資安漏洞，或竄改輸出以證明 AI 無效。
哈佛商業評論的Empathetic Leadership Can Make or Break AI Adoption文章中指出，缺乏心理安全感的 AI 導入，會讓員工產出大量工作廢品（Workslop） ——看似合理但缺乏深度與價值的 AI 輸出（如下表），這些內容幾秒鐘生成，卻讓同事花數小時解讀與補救。Deloitte Global Human Capital Trends 2026 報告指出，工作廢品 (Workslop)不僅降低當前效率，還會讓低品質內容進入組織資料庫，持續污染後續的模型訓練與工作流程。

表1 工作廢品 （Workslop）的內涵

維度	表面上的成果 (看似合格)	實際本質
外觀	有格式、有字數、有結構	缺乏深度、脈絡與判斷
過程	生成速度極快，應付績效	缺乏人的責任感與思考
影響	看起來完成了一項任務	增加他人修正與解讀的負擔
風險	進入組織共享資料夾	污染後續模型與工作流程

因此，領導者不能只問：「你的團隊有沒有用AI？」，更要問：「你的團隊用AI之後，產出的品質是更深，還是只是更多？」「合作是更順，還是讓別人更累？」「判斷是更清楚，還是更依賴？」。

領導者承接人的焦慮：四個基本動作
在AI導入現場，真正承接員工焦慮的人，往往是第一線主管。員工會問他的直屬主管：「我是不是一定要用AI？」「這個結果算誰的？」「我現在做的工作還重要嗎？」「如果AI錯了，我要負責嗎？」。所以，組織不能只訓練員工如何下提示詞，也要訓練領導者如何接住人的反應，因為AI採用的瓶頸，很多時候不在工具，而在能不能讓員工感到安全、被理解、可以提問、可以承認不會、可以說出害怕。領導者可以透過以下四個基本動作，承接員工的焦慮：

1. 命名情緒： 主動觀察並說出「我聽見你對這套新系統其實有些不安。」，讓感受被看見。
2. 確認經驗： 告知員工「很多人在轉換中都會有這種挫折感，這不是你一個人的問題。」，藉此降低羞愧感。
3. 釐清困難： 具體詢問卡住的原因是工具技術、時間壓力還是擔心被評價，將模糊焦慮轉為可解決的問題。
4. 行動支持： 提議「我們先選一個低風險任務一起試一次，再共同覆盤。」，建立安全的小步實驗。

建立數位遊樂場：在低風險中長出 AI 能力
為了避免員工在第一次嘗試 AI 時就面臨高壓力的績效場景，組織應建立數位遊樂場（Digital Playgrounds），而這是為了破解所謂的首次嘗試假象（First-Try Fake Out）——許多員工在第一次使用 AI 失敗後便判定工具無用，數位遊樂場提供了一個允許失敗、甚至允許荒謬輸出的安全沙包，讓 AI 能力在探索中成長。可設計以下四種活動：
• AI 初體驗： 從低風險任務（摘要、改寫、發想）開始，降低心理門檻。
• 人-AI比較練習： 比較純人工與人-AI協作的差異，討論人在何處創造了關鍵價值。
• 失敗案例展示： 分享 AI 荒謬錯誤的案例，練習辨識 AI 的幻覺與限制。
• 最佳用例共創： 團隊共同找出真正適合 AI 輔助的高價值場景。
每次實驗後，透過 AI 實驗復盤四問將失敗轉化為成功的燃料：
AI 做得好的地方是什麼？（看見可用性）
AI 做得不好的地方是什麼？（辨識限制）
人的判斷在哪裡創造了差異？ （重新確認人的專業價值）
下一次要調整任務、提示、資料還是品質標準？（優化協作設計）

賦予推翻權：讓人不只是 AI 的橡皮圖章
人-AI協作中最危險的設計，是將人類置於道德緩衝區（Moral Crumple Zones），這意味著讓 AI 做決策，人只負責最後的確認按鈕，一旦出錯，責任卻由人類獨自承擔，使人成為責任鏈中最脆弱的一環。而要破解這種責任陷阱，必須賦予員工實質的推翻權。Deloitte Global Human Capital Trends 2026報告中指出，管理技能現在也包括管理機器，例如界定AI代理自主性、判斷模型輸出、知道何時推翻AI，並強調領導者要能明確告訴員工：你不是AI建議的執行機器，當你基於專業判斷推翻AI，只要你能說明理由、留下依據、遵守流程，組織會支持你，這樣員工才會安心。同時，組織應建立結構化的AI 推翻機制：

1. 提出不同意：員工具備明確的技術權限標記他不認同 AI 的建議。
2. 說明理由：員工行使理解權，根據專業判斷、倫理標準或特定脈絡提供判斷理由。
3. 升級討論：高風險或高分歧決策，進入專家或跨職能團隊複審，非個人獨自承擔。
4. 回饋學習： 記錄人-AI分歧，將其視為優化提示詞或流程的珍貴教材。
   當心理安全提供了發言的安全感，而推翻機制提供了專業的裁量權，兩者結合，才能讓員工成為真正的人-AI協作專業工作者，而非 AI 的代罪羔羊。

結語：人-AI協作的進化
人-AI協作的信任無法透過政令宣導建立，而是必須在一次次的安全試錯中，讓員工親眼看見 AI 的有限性，同時確認自己仍然保有最終的理解權與介入權後，人與AI才能建立起真正的夥伴關係。這是一個進化的過程，當組織把焦點從「極大化產出」轉向「接住人的焦慮」時，我們會發現，投資心理安全感所帶來的創新回報與營收成長，遠比單純投資導入工具來得巨大且持久。最後，邀請您思考一個問題：在組織中，如果一位基層員工基於專業經驗不同意 AI 的建議，需要付出多大的勇氣？而組織的制度，是員工的盔甲還是枷鎖？

主要參考資料
Armstrong, B., & Shah, J. (2026). Humans in the loop: The evolution of work in early experiments with generative AI. MIT Industrial Performance Center.
Daugherty, P. R., & Wilson, H. J. (2024). Human + machine: Reimagining work in the age of AI (Updated and expanded ed.). Harvard Business Review Press.
Deloitte. (2026). 2026 global human capital trends: From tensions to tipping points: Choosing the human advantage. Deloitte Insights.
Goldstein, J., Lobig, B., Fillare, C., & Nowak, C. (2023). Augmented work for an automated, AI-driven world: Boost performance with human-machine partnerships. IBM Institute for Business Value.
Zaki, J. (2026, April 30). Empathetic leadership can make or break AI adoption. Harvard Business Review.

AI 協作聲明
本文圖片由 Gemini 3.1 Pro生成，內容先由人類進行撰寫，再由Gemini 3.1 Pro 協助編輯，最後再由人類進行校對潤飾完成。

© 2026 SAGE Management Consulting. All Rights Reserved. 轉載請註明出處.