AI 時代的生產力：用一人工作流，把產出變成回報

2026/8/23 · ArleeFather

AI 最容易製造的，不只是文章、圖片或程式碼，而是一種「生產力已經提升」的感覺。

以前寫一篇文章，我可能先花時間找資料、整理觀點、起草、修改，再準備不同平台需要的版本。現在，只要把題目交給 AI，幾分鐘內便可以得到文章、社交媒體貼文、電郵和簡報大綱。畫面上確實出現了更多成果，但這是否代表我的生產力真的提高了？

如果十篇草稿有八篇需要大幅重寫；如果內容看起來完整，資料來源卻支持不了結論；如果我省下寫作時間，最後又用在核實、修正和重新解釋，那麼 AI 只是把瓶頸由「生產」移到「審核」。如果作品順利發布，卻沒有人需要、成本高於價值，或者不能支持原本的目標，更多產出也沒有自動變成更多回報。

因此，AI 時代的生產力不能只看同一時間做了多少。它還要回答：有多少產出真正通過標準、完成交付，並帶來收入、節省時間、客戶信任、更好的決策或降低風險？

這篇文章真正想討論的，不是如何叫 AI 做得更多，而是如何令增加的產出，變成值得追求的成果與回報。

AI 增加的首先是產出，不一定是生產力

OpenAI 發布的 Stampli 客戶案例很能說明這種變化。案例表示，該公司使用 ChatGPT Work 和 Codex 後，一個小型產品行銷團隊可以每週產出數百件內容；在一次產品上市流程中，團隊估計把所需工作由 243 個活躍工時減至約 77 小時。

這是十分可觀的數字，但它是單一公司提供、由供應商發布的案例，不能直接當作每個團隊都會得到同樣結果的證明。它真正值得我留意的地方，是團隊並非只要求 AI 不斷寫稿，而是把產品系統、會議記錄與公司的 source of truth 連接起來，讓內容可以跟隨產品變化更新；節省的時間，則回到策略和決策。

換句話說，重點不是「AI 一星期寫了幾百件內容」，而是那些內容是否來自可靠資料、能否通過審核，以及有沒有幫助團隊完成產品上市。

這也是我認為需要重新定義生產力的原因。

AI 時代應該重新定義生產力

傳統的效率問題通常是：同一段時間內，我完成了多少工作？

AI 讓這個問題變得不夠用了。因為模型可以在極短時間內生成大量文字、圖片、程式碼和分析，但「已生成」與「已完成」之間，仍然隔着理解、驗證、修改、批准和交付。

較好的問題應該是：

在全部 AI 產出之中，有多少能以合理成本通過品質標準，成為可接受的成果，並帶來原本希望得到的回報？

一項針對 453 名專業人士的實驗發現，使用 ChatGPT 處理專業寫作任務，平均所需時間下降 40%，品質上升 18%。這說明 AI 確實可以同時改善速度與品質，但成效與任務類型有關。

另一項涉及 758 名知識工作者的研究提出「鋸齒狀技術前沿」：在 AI 擅長的任務內，使用者完成更多工作、速度更快，品質也較高；但在研究刻意選擇、超出 AI 能力邊界的複雜任務中，AI 使用者得出正確答案的機會反而下降。

所以，AI 生產力並不是一個工具開關。它是一套工作系統，必須知道 AI 適合做甚麼、產出要通過甚麼標準、哪個判斷一定要由人負責，以及成果最終產生了甚麼回報。

AI 漫劇停更潮：產量、成本與回報的落差

最近流傳一個很吸引眼球的說法：大批 AI 短劇創作者停更，有人忙了一個月只賺十多元，收益甚至不夠購買 Token。

我暫時找不到可靠原始資料證實網絡標題中的「11.2 元」，不同轉載所列的極端收入數字也不一致，所以不會把它當成已確認的事實。不過，多篇報導從版權規則、平台政策、算力成本、流量和分帳等不同角度，呈現了相似的經營壓力。

新浪新聞訪問的創作者表示，部分平台收緊版權與影片製作規範後，沒有取得原著授權的作品需要停更；同時，AI 工具早期的折扣和積分優惠減少，算力成本上升。有團隊表示，製作一本作品的 AI 漫劇，算力成本約為人民幣 3 萬元，月度總支出最高可以超過 30 萬元；當後續季度收入與收藏下降，團隊只能暫停新作。

供給端卻仍然非常擁擠。DataEye 的產業數據經聯合新聞網引述指出，2026 年上半年，中國全網新上線的 AI 短劇超過 22.19 萬部，其中播放量破億的作品約 1,055 部。證券時報的報導則指出，每日上線作品一度多達約 1,300 部；有受訪業者表示，每千次播放收益由 2025 年下半年的約人民幣 60 元，下降至約人民幣 15 至 30 元。這是業者陳述，不是適用於所有平台和作品的官方統計。

這些資料並不能代表每名創作者都在虧損，也不能證明高品質 AI 短劇沒有市場。它們提醒我另一件事：AI 降低了製作門檻，但觀眾注意力、平台分帳與可合法使用的 IP，並不會因為產量增加而自動增加。

當所有人都可以更快生產，供給會先爆炸；內容變得更多，注意力反而更難取得。創作者還要承擔 Token、訂閱、雲端渲染、廢片、剪輯、投流和版權成本。若只看生成速度，這是一場生產力革命；若把可接受成果、觀眾留存和實際收入一併計算，它可能只是更有效率地消耗資源。

這正是一人工作流需要加入回報檢查的原因。內容品質與商業可行性不是同一件事：前者判斷作品是否正確、可用和可以交付；後者判斷這項產出是否值得繼續，包括作品是否有合法來源、觀眾是否願意看完、是否有明確分發方式，以及收入能否覆蓋完整成本。高品質內容仍然可能因為分發失敗而虧損，但如果工作流完全不檢查回報，就只會更有效率地重複一項不能持續的工作。

把 AI 放進工作流，才有機會把產出變成回報

AI 可以參與工作，卻不應該取代工作的方向、標準和責任。這也是我把一人工作流套進 AI 工作的原因：即使身處團隊，我仍然要先把自己負責的部分變成一個清楚、可檢查、可交接和可改善的單位。

在生成以前，我要說清楚讀者、問題、資料範圍、完成標準和希望得到的回報；在生成期間，我要限制 AI 使用的資料，保留應由人作出的決定；在交付以前，我要按風險檢查事實、推理、語氣和承諾；交付之後，我則要記錄返工、成本和實際結果，判斷這條流程是否值得再次運行。

這裏的重點不是再增加一套管理程序，而是不要把「生成完成」誤當成「工作完成」。工作只有在通過標準、由適當的人承擔責任、完成交付並產生回報後，才真正進入生產力的計算。

完整的七階段方法，以及方便記憶的 REACTOR 工作流，已放在《一人工作流》文章中展開；本文繼續集中討論應該如何量度 AI 生產力。

六個比「產出數量」更值得量度的指標

如果只量度生成了多少內容，團隊很容易獎勵大量低品質產出。我更想看以下六個指標：

不足的指標	更有用的品質指標
生成了多少份草稿	有多少份通過標準並被採用
第一稿有多快	由開始到可交付的完整週期
使用了多少 AI	每個可接受成果的總成本
節省了多少寫作時間	審核和返工後真正節省的時間
發布了多少內容	內容帶來的回應、信任或行動
產生了多少播放	扣除 Token、製作、投流和返工後的實際回報

OpenAI 自己在 AI 投資指引中，也建議衡量「每個可接受成果的成本」，把模型費用、嘗試次數、完成率、延遲和人工審核一併計算。這是供應商提出的框架，但其中一個提醒很實際：便宜而需要反覆重試的模型，總成本未必較低；昂貴而一次通過品質門檻的工具，反而可能更有效率。

不論一人或團隊，都由一條工作流開始

「一人工作流」不是要求每個人單打獨鬥，而是把一個人視為合作的最小可靠單位。一人公司需要它，因為沒有人會自動替我發現論點不成立；團隊同樣需要它，因為每一次含糊的交接，都會把判斷、返工與責任傳給下一個人。

我不會一開始就建立複雜的自動化，而會先選一條每星期至少出現一次、錯誤後果可以控制的流程。例如：

每週 newsletter 的素材整理；
一篇文章由研究到發布；
客戶會議後的摘要和待辦；
每週業務管線回顧；
一份固定格式的社交媒體內容。

然後記錄四件事：由開始到可交付的總時間、AI 產出、人工修改，以及最後得到的回報。連續做四次，便會看見真正的瓶頸在哪裏，也能判斷這條流程是否值得標準化、交給團隊，或者停止繼續。

這也延續了我在《AI 沒有讓我更有效率——至少不是想像中那樣》提出的問題：使用更多工具，不代表得到更多深度工作。工具數量只是表面；工作能否順利通過品質門檻，才是更接近真實的答案。

如果需要一個簡單的執行節奏，也可以配合番茄鐘工作法：一個時段產出，一個時段檢查，不要讓生成與判斷同時搶奪注意力。

AI 如何真正提升生產力？

AI 可以把第一稿、資料整理和不同版本的成本降得很低。這是實在的進步。

但當所有人都能迅速做出大量內容，真正稀缺的便不再是產出本身，而是：選擇甚麼值得做、知道甚麼可以相信、發現看似合理的錯誤，以及願意對最後結果負責。

所以，我現在不再只問 AI 幫我做了多少。

我會問：有多少產出通過了標準？我用了多少時間返工？這件作品是否真的可以交給讀者或客戶？下一次能否減少同一種錯誤？

這才是我理解的 AI 生產力：用一人工作流把責任和標準放回每一段工作，讓增加的產出通過檢查、順利交付，並轉化成值得追求的回報。

參考資料

Productivity 生產力 AI 創作個人成長