用了 AI，為什麼工作沒有減少反而增加 — 生產力悖論的結構與半導體設計現場

🆓 免費文章 · 任何人都可以免費閱讀

核心結論 AI 提升個人工作速度，與組織整體工作量減少，是完全不同的兩件事。工作單位成本下降時，組織不會把節省下來的時間拿來休息，而是用更多專案與更高的完成度要求填滿。再加上管理層的期待膨脹，更讓情況加劇。時程與人力計畫會先以導入 AI 為前提來編排，而現場的驗證與審查負擔卻沒有被納入那份計畫。瓶頸並未消失，只是從撰寫程式碼移到了審查與決策。各公司 AI 政策與運算資源取得能力的差距，如今直接轉化為個人能力的差距。即使實力相同，能使用的工具、token 額度與資安政策不同，產出的速度與範圍也會不同。

不是感受問題，而是結構問題

開始使用 AI 工具的工程師，大多有類似的經驗。程式碼草稿很快就出來，文件整理也變快，查找不熟悉的函式庫所花的時間也減少了。但下班時間卻維持不變，甚至更晚。專案比以前更多，審查請求不斷累積，時程也更緊迫。

如果把這種現象看成個人的適應問題，就找不到答案。不是因為不夠努力，也不是因為不會下提示詞。結構本來就是這樣運作的。個人生產力提升時，組織會用三種方式吸收那份餘裕：把更多工作分配給相同人數、對相同工作要求更高完成度，或是開始做以前因為成本太高而不做的工作。無論哪一種，個人感受到的工作總量都不會減少。

經濟學裡有個歷史悠久的名稱：Jevons paradox（傑文斯悖論）。資源使用效率變好，單位成本就會下降；成本下降，需求就會增加，整體消耗反而上升。AI 時代的工程 workload 正好遵循這個模式。一行程式碼、一頁文件、一件分析的單位成本下降後，組織消耗的程式碼、文件與分析總量，成長幅度更超過成本下降的幅度。

測量研究顯示的落差數字

如果只談感受，最後只會變成各說各話的經驗談，所以來看公開的測量結果。雖然這是軟體開發領域的研究，但其結構同樣適用於硬體設計。

METR 在 2025 年的隨機對照實驗，最清楚地呈現了這個悖論。研究對象是 16 位資深開發者，他們在自己多年來持續貢獻的開源儲存庫中執行 246 件真實任務，隨機分為允許使用 AI 工具與不允許的任務來測量。開發者事前預估 AI 會讓他們快約 24%，但實際測量結果是，使用 AI 的任務反而多花了 19% 的時間。更有趣的是事後的認知：即使親身經歷過，開發者仍相信 AI 讓他們快了約 20%。感受與實測之間，存在約 39 個百分點的落差。

不能只憑這一項研究就斷定「AI 很慢」。相反地，在定義明確的新任務上，也有許多研究報告了大幅的速度提升。關鍵在於落差本身。AI 帶來的感受速度與實際處理量很容易不一致，而組織的計畫通常是以感受那一側的數字為基準來制定的。

組織層級的數據則顯示了瓶頸的移動。Faros AI 分析了規模達 1 萬人的開發者遙測數據，結果顯示 AI 使用量高的團隊多完成了 21% 的任務，pull request 提交量也大幅增加，但程式碼審查時間增加了 91%，平均 pull request 大小增加了 154%，錯誤數量也增加了 9%。製作的速度確實提升了，但審查的速度跟不上，整體流程並未成比例地變快。

換到半導體設計來看，對應關係就很清楚。RTL 生成變快了，但 verification cycle、審查、時序除錯、ECO 判斷會成為瓶頸。製作的量越多，需要驗證的量增加得更多。在驗證總是比設計晚一步擴張的組織裡，導入 AI 會立刻以驗證組織過載的形式出現。

機制 1 — 節省下來的時間不是餘裕，而是新需求

組織處理透過 AI 節省下來的時間，其預設值不是「用更少的人做相同的工作」。實際上的預設值是「用相同的人做更多專案」。以晶片專案來說，就是同時進行的 tape-out 數量增加、衍生產品與 respin 因應增加，並開始接受以前因人力不足而婉拒的客戶客製化需求。

再加上完成度膨脹。以前因時間不足而妥協的分析、文件與審查，如今因為「有 AI」而變成理所當然的預設值。競爭對手分析要更深入，文件要更詳細，模擬 corner 要更多。每一項單獨看都合理，但加起來，workload 就比導入前更大。

個人無法改變這個結構，但可以看懂它。如果在主管看到之前，就先用新任務把 AI 帶來的餘裕填滿，評價就會固定在產出量以外的忙碌程度上。反過來，如果記錄下節省下來的時間用在哪些判斷工作上，說明 AI 時代貢獻的語言就會不同。

機制 2 — 管理層的期待膨脹

管理層看 AI 的數字，和現場的數字不同。管理層接觸的是廠商發表、媒體成功案例與投資人期待。有一項研究估算了市場以價格反映在軟體工程生產力上的期待水準，分析指出其中已反映了 32.6% 水準的永久性生產力提升。無論數字是否精確，計畫部門所假設的提升幅度，都很容易大於現場保守的實測值。

問題在於，這份期待會先反映在時程表上。專案期間以 AI 為前提被縮短，人力增補以這個前提被擱置，同時進行的專案數量也以這個前提增加。如果現場 AI 實際節省的幅度小於假設，那個差距就會原封不動地由個人的額外工作與時程壓力來填補。等於是支付期待膨脹成本的主體已經被決定了。

還有更微妙的效果。使用 AI 這件事本身，會增加報告與溝通的量。要求證明導入成效、要求分享活用案例，一直到使用量指標管理。除了使用工具的工作之外，還多了要展現自己用了工具的工作，而這份工作不會被任何生產力指標捕捉到。

📩 在持續關注這個主題嗎？

財報·報告·HBM供需的後續分析，每天10:30（KST）寄到您的信箱。 免費訂閱 →

合理的因應不是主張要降低期待。而是手握自己工作中 AI 實際節省了什麼、以及反而增加的審查成本的數字。在時程估算的討論中，能回應「有 AI 所以會比較快」這句話的唯一語言，就是自己工作的實測。

機制 3 — 各公司的政策與運算資源差距，變成能力差距

AI 生產力的一半，開始不是由個人實力決定，而是由取得能力決定。有些公司向全體員工開放最新模型與代理工具，token 額度也很充裕；有些公司則因資安政策，原則上禁止使用外部 AI，只有限度地允許公司核准的模型。半導體產業的差距尤其大。設計資料與製程資訊是核心機密，許多組織禁止把程式碼上傳到外部雲端 AI，允許的範圍也因公司與專案而異。

運算資源差距更直接。AI 代理的效能，在某個區間內，實際上與能投入的 token 和重複次數成正比。相同的任務，在額度充裕的環境中，代理會重複數十次嘗試與驗證；但在額度緊繃的環境中，只能生成一次，剩下的由人來補。累積幾個月後，相同職級、相同年資的工程師之間，經驗的總量本身就會拉開。

這個差距也開始在就業市場中發揮作用。深入使用 AI 工具的經驗、設計以代理為基礎的工作流程的經驗，會在面試中成為具體的差異點。反過來，如果長期待在取得能力受阻的公司，市場競爭力會因為不是自己責任的原因而被削弱。因應方法有兩個：參與擴大公司內允許範圍的提案，以及至少在公開資料與開源專案的範圍內，維持個人的工作流程。在任何情況下，違反公司政策都不是答案。劃清政策內的最大活用與政策外個人學習之間的界線很重要。

為什麼在半導體設計現場，悖論感受更強烈

第一，半導體是驗證成本壓倒性龐大的產業。軟體在部署後還能修正，但晶片在 tape-out 之後，修正成本是完全不同的量級。因此生成量增加時，驗證負擔會以超過比例的幅度增加。即使 AI 用十倍速度做出 RTL 草稿，signoff 標準依然不變，反而因為審查對象增加，DV 與 STA 組織的時程會再次主導整體時程。

第二，時程在物理上是固定的。晶圓代工廠的 slot、封裝時程與客戶樣品承諾，不會因為導入 AI 而移動。節省下來的時間，不會用來縮短時程，而是用來在那個固定時程內塞入更多功能。規格在時程中途膨脹的現象，在 AI 之後變得更頻繁，背景就在於此。

第三，這是責任歸屬明確的產業。即使 AI 產生的程式碼出現錯誤，責任仍由工程師與組織承擔。因此審查無法省略，而需要審查的量會與生成量成正比增加。自動化越多，最終判斷者的負擔就越大，這個結構在半導體中運作得尤其強烈。

個人能做的現實因應

理解了結構，工作也不會減少。但即使在相同的 workload 中，耗竭的人與獲得評價的人仍會分出差別。

第一，把用 AI 節省下來的時間，轉化為可以報告的產出。留下判斷的成果，例如審查意見的品質、提早抓到的錯誤、預先通報時程風險的紀錄，會比單純的生成量在評價上更有力量。

第二，掌握自己工作的實測。即使只是輕量地記錄使用 AI 前後所花的時間、花在審查上的時間、退回的比率，在時程討論中就能成為因應期待膨脹的依據。

第三，培養瓶頸一側的能力。如果組織的瓶頸已移到審查與決策，那個位置的能力價值就會上升。程式碼審查、驗證計畫、時序除錯等屬於瓶頸的技術，是在 AI 時代反而單價上升的領域。

第四，不要放任取得能力的差距。精確了解公司內允許工具的限制，在允許範圍內最佳化工作流程，並透過個人學習維持手感。差距是從了解的人開始縮小的。

FAQ

Q1. 用了 AI，真的會變快嗎？ 依工作種類而定。在定義明確的新撰寫與草稿工作上，速度提升被反覆測量到。反之，在像修改熟悉的大型系統這種脈絡與審查成本很高的作業上，也測量到像 METR 實驗那樣反而變慢的結果。重點不是「AI 快、AI 慢」的二分法，而是看在什麼工作中，瓶頸會移到哪裡，這樣才準確。

Q2. 工作增加，說到底對公司不是好事嗎？ 以組織產出量為基準，可能是好事。問題在於，當產出量增加不是以個人可持續的速度為前提時。由期待膨脹編排出的時程一旦常態化，耗竭與品質下降就會隨之而來，而在像半導體這種驗證成本龐大的產業，品質下降的代價尤其昂貴。

Q3. 主管以 AI 為前提縮短時程時，該如何因應？ 用感覺反駁會輸。同時提出自己工作的實測，也就是生成時間的節省量與審查時間的增加量，是最有效的方法。按工作階段拆分展示 AI 快的區間與慢的區間，時程討論就會從情緒轉變為估算問題。

Q4. 待在使用 AI 被禁止的公司，職涯會落後嗎？ 短期差距可能會出現，但並不具決定性。在公開基準與開源範圍內，學習 AI 輸出的特性與限制，這種學習與政策無關，仍然可以做到。更重要的是，在政策內把允許的工具用到最大的紀錄，以及培養判斷能力的方向本身。

Q5. 這個悖論會隨著時間過去而消失嗎？ 工具變好後，個人層級的低效率會減少。然而，需求會因單位成本下降而增加的 Jevons paradox 結構本身，與工具效能無關，仍會持續運作。說它會改變形態，比說它會消失更現實，因此瓶頸一側能力的價值，很可能長期維持。

行動清單

• ☐ 把我的工作分成生成區間與審查區間，並至少輕量地測量了各自的時間
• ☐ 正在記錄我把用 AI 節省下來的時間，用在哪些判斷工作上
• ☐ 已確保一兩個能在時程討論中使用的、我自己工作的實測數字
• ☐ 已精確確認我們公司的 AI 使用政策與允許範圍
• ☐ 已改善一個能在政策範圍內最佳化我工作流程的著力點
• ☐ 已把審查、驗證、除錯等瓶頸能力中的一項，列為今年的學習目標
• ☐ 已整理到能在接受新任務前，用數字說明目前 workload 的總量

延伸閱讀

• RTL，會被 AI 取代嗎 — 數字顯示的真正界線與職涯生存策略

📩 今天錯過的分析，明天早上寄到您的信箱

每天10:30（KST）Daily Silicon與財報·機構報告核心解讀搶先送達。訂閱後可選擇韓語/英語/日語新聞通訊，中文深度分析每日在網站更新。

免費訂閱 →

免費 · 無垃圾郵件 · 隨時退訂