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.

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