原文：AI-Generated “Workslop” Is Destroying Productivity
作者：Kate Niederhoffer、Gabriella Rosen Kellerman、Angela Lee、Alex Liebscher、Kristina Rapuano 和 Jeffrey T. Hancock
一个令人困惑的矛盾正在那些拥抱生成式 AI 工具的公司中上演。尽管员工们基本上都在遵循使用这项技术的指令，但很少有人看到它创造出真正的价值。例如，去年完全由 AI 主导流程的公司数量几乎翻了一番，自 2023 年以来，AI 在工作中的使用量同样翻了一番。然而，麻省理工学院媒体实验室最近的一份报告发现，95% 的组织在这些技术上的投资没有看到可衡量的回报。如此多的活动，如此多的热情，却如此少的回报。为什么？
我们 BetterUp 实验室的研究团队与斯坦福社交媒体实验室合作，找到了一个可能的原因：员工们正在使用 AI 工具创建看起来还不错但实际上很低效的工作内容，最终却给同事们制造了更多工作。在社交媒体上，这类内容越来越多地被称为 "AI垃圾"（AI slop），而这些内容质量低下。在工作环境中，我们把这种现象称为 "工作垃圾"（workslop）。我们将工作垃圾定义为：AI 生成的工作内容，看起来像是好的工作成果，但缺乏实质内容，无法真正推进特定任务。
事情是这样发生的。随着 AI 工具变得越来越容易获取，员工们越来越能够快速生成精美的输出：格式良好的幻灯片、结构完整的长篇报告、非专业人士对学术论文看似清晰的总结，以及可用的代码。但是，虽然有些员工使用这种能力来完善好的工作，其他人却用它来创建实际上无用、不完整或缺少项目关键背景的内容。工作垃圾的阴险之处在于，它将工作负担转移到了下游，要求接收者去解读、纠正或重做这些工作。换句话说，它将努力从创建者转移到了接收者身上。
如果你曾经历过这种情况，你可能还记得打开这样一份文档后的困惑感，随之而来的是挫败感，这到底是什么？然后你开始怀疑发送者是否只是用 AI 生成了大段文本，而不是认真思考过。如果这听起来很熟悉，那么你就被"工作垃圾"影响了。
根据我们最近正在进行的调查，这是一个重大问题。在 1150 名来自各行业的美国全职员工中，40% 的人报告在过去一个月内收到过工作垃圾。遇到过工作垃圾的员工估计，他们在工作中收到的内容平均有 15.4% 符合这一标准。这种现象主要发生在同事之间（40%），但工作垃圾也会从下属发送给管理者（18%）。16% 的情况下，工作垃圾是从上往下流动的，从管理者到他们的团队，甚至来自更高层。工作垃圾在各行各业都存在，但我们发现专业服务和技术行业受到的影响尤为严重。
工作垃圾税
将认知工作外包给机器并不是一个新概念，对技术劫持认知能力的焦虑也不是。例如，2006 年，技术记者尼古拉斯·卡尔（Nicolas Carr）在《大西洋月刊》上发表了一篇引人深思的文章，题为 "谷歌让我们变笨了吗？" 认知外包的主流心理模型，可以追溯到苏格拉底对字母表的担忧。这种观点认为我们将艰难的脑力工作转移给像谷歌这样的技术，因为在线搜索某些东西比记住它更容易。
然而，与这种交给机器的认知外包不同，工作垃圾巧妙地通过机器将认知工作外包给另一个人。当同事收到工作垃圾时，他们通常需要承担解码内容、推断遗漏或错误背景的负担。随之而来的可能是一连串费力且复杂的决策过程，包括返工和与同事的不愉快交流。
考虑几个例子。
当被问及他们对工作垃圾的体验时，一位金融行业的个人贡献者描述了收到 AI 生成工作的影响："它造成了一种情况，我必须决定是自己重写它，让他重写它，还是就说它足够好了。这进一步推动了创造一个思维懒惰、思考缓慢的社会的议程，这个社会将完全依赖外部力量。"
在另一个案例中，科技行业的一线经理描述了他们的反应："理解邮件中实际发生了什么以及他实际想说什么有点令人困惑。可能花了一两个小时的时间来召集所有人，并以清晰简洁的方式重复这些信息。"
一位零售业的主管说："我不得不浪费更多时间跟进信息，并用我自己的研究来核实。然后我不得不浪费更多时间与其他主管安排会议来解决这个问题。然后我继续浪费自己的时间，不得不自己重做这项工作。"
每一次工作垃圾事件都给公司带来了实际成本。员工报告平均花费 1 小时 56 分钟来处理每一次工作垃圾事件。根据参与者对所花时间的估计以及他们自报的工资，我们发现这些工作垃圾事件每月带来 186 美元的隐形税收。对于一个拥有 10000 名员工的组织来说，考虑到工作垃圾的估计普遍率（41%），每年会导致超过900 万美元的生产力损失。
受访者还报告了工作垃圾的社交和情感成本，包括如何巧妙地回应收到工作垃圾的问题，特别是在等级关系中。当我们询问研究参与者收到工作垃圾的感受时，53% 的人报告感到烦恼，38% 感到困惑，22% 感到被冒犯。
最令人担忧的成本可能是人际关系方面的。低效、无用的 AI 生成工作对工作中的协作产生了重大影响。我们调查的大约一半人认为发送工作垃圾的同事比他们收到输出之前的创造力、能力和可靠性都要差。42% 的人认为他们不那么值得信任，37% 的人认为那位同事不那么聪明。这很可能呼应了最近关于在工作中使用 AI 的能力惩罚的研究，据称使用 AI 编写代码片段的工程师被认为不如那些没有使用 AI 的工程师有能力（而女性工程师受到了不成比例的惩罚）。
工作垃圾让同事们对彼此的看法降低
柱状图显示，在收到低效的 AI 生成工作后，受访者对同事的看法在五个特质上普遍降低：创造力、能力、可靠性、值得信赖度和智力。对于每个特质，参与者回答"我认为他们"在该特质上是更少、相同还是更多。在所有特质中，认为提交工作垃圾的同事"更多"某一特质的受访者不超过14%。总体而言，参与者回答他们认为同事在给定特质上要么更少，要么相同。那些将同事评为每个特质"更少"的人从37%发现同事不那么聪明，到54%发现同事不那么有创造力。同样，在所有特质上对同事看法"相同"的受访者从36%对同事创造力的看法没有改变，到53%对同事智力的看法没有改变。
此外，34% 收到工作垃圾的人会通知队友或管理者这些事件，可能会侵蚀发送者和接收者之间的信任。三分之一（32%）收到工作垃圾的人报告说，他们未来不太愿意再与发送者合作。
随着时间的推移，这种人际工作垃圾税威胁到协作的关键要素，而这些要素对于成功的工作场所 AI 采用工作和变革管理至关重要。
领导者能做什么
从某种意义上说，这不是一个新故事。一直都有粗制滥造的工作。我们容易拖延，喜欢走捷径，在疲惫时倾向于忙碌工作而不是仔细思考。生成式 AI 给了我们一种新技术，让我们可以延续同样的坏习惯。但现在的额外成本是大规模地为同事创造更多工作并破坏协作。
那么，组织如何避免这种结果呢？他们如何优化员工对 AI 的使用，从而在这项变革性技术的重大投资上获得可衡量的回报？在这里，我们根据我们的原创研究和帮助 500 强公司在整个员工队伍中成功采用 AI 的经验，提供几个关键原则：
不加区分的指令产生不加区分的使用
当组织领导者倡导在任何时候、任何地方都使用 AI 时，这显然揭示了他们在如何应用这项技术方面缺乏辨别力。很容易看出这如何转化为员工不假思索地将 AI 回复，复制粘贴到文档中，即使 AI 不适合手头的工作。生成式 AI 并不适合所有任务，也不能读心。可以肯定的是，AI 可以积极地改变工作的某些方面，但它仍然需要员工深思熟虑的指导和反馈，才能在复杂或模糊的工作上产生有用的输出。
此外，不加区分的指令为推卸责任的行为树立了榜样。虽然员工应该在使用 AI 方面被赋予自主权，但组织也应该首先制定自己关于使用 AI 的最佳实践、好的工具和使用规范的政策和建议。如果使用 AI 是每个人的工作，那么它首先也是是组织领导者的工作。为员工制定指导方针，帮助他们以最符合组织战略、价值观和愿景的方式使用这项新技术。
思维方式很重要
我们的实验室自 2023 年以来一直在跟踪整个员工队伍中生成式 AI 采用的预测因素，我们发现具有高主动性和高乐观态度相结合的员工比那些低主动性和低乐观态度的员工更有可能采用生成式 AI。我们称这些员工为"飞行员"，而不是"乘客"。飞行员在工作中使用生成式 AI 的频率比乘客高 75%，在工作之外使用的频率高95%。
然而，考虑到这些关于工作垃圾的发现，也许更重要的是飞行员如何使用生成式 AI。例如，飞行员比乘客更有可能使用 AI 来增强自己的创造力。相反，乘客比飞行员更有可能使用AI来避免做工作。飞行员有目的地使用 AI 来实现他们的目标。
重新承诺协作
与 AI 良好协作所需的许多任务，例如给出提示、提供反馈、描述背景等都是协作性的。今天的工作需要越来越多的协作，不仅与人类协作，现在还要与 AI 协作。协作的复杂性只会加深。工作垃圾是 AI 引入的新协作方式的一个典型例子，它会消耗生产力而不是增强生产力。我们与 AI 的互动对我们的同事有影响，领导者需要改善人类与 AI 的协作方式。
2025 年的无缝协作必须包括我们将 AI 完成的工作纳入共同的工作流程，以服务于共同的成果，而不是作为暗中逃避责任的工具。这是组织行为的一个新的关键前沿，将区分那些最大化 AI 价值的公司和那些在没有影响的情况下进行 AI 活动的公司。
用 AI 生成 “工作垃圾” 可能让人觉得轻而易举，但它却会给组织带来负担。发送者眼中的“捷径”，往往成了接收者需要努力填补的“漏洞”。领导者应当以身作则，展示有目的、有意图的 AI 使用方式。为团队制定清晰的规范和可接受的使用边界。把 AI 定位为协作工具，而不是取巧的捷径。要有飞行员的心态，既积极主动、充满乐观，运用 AI 来加速实现明确的目标、完成特定的任务。同时，无论是人机协作完成的工作，还是单独由人完成的工作，都应当遵循同样卓越的标准。
评论(0)