AI工作速度快90%、成本只要10分之1，卻取代不了人類？研究：這個特性成AI雙面刃|數位時代 BusinessNext

AI工作速度快90%、成本只要10分之1，卻取代不了人類？研究：這個特性成AI雙面刃

近期一份研究比較了AI代理與人類的工作流程及成果差異，發現儘管AI代理在速度及成本上遠勝人類，工作成果卻品質較差，甚至會捏造數據。

比較AI代理與人類的工作流程及成果差異

AI搶工作的討論，近年來可說沸沸洋洋。不過，AI處理各種任務的能力，真的比人類工作者厲害嗎？近日便有研究團隊發布報告，比較48名人類員工和4款AI代理的工作流程與完成工作的能力。

這份名為《AI代理如何執行人類工作？比較AI與人類在不同職業中的工作流程》（How Do AI Agents Do Human Work?Comparing AI and Human Workflows Across Diverse Occupations）的研究由卡內基美隆大學、史丹佛大學的多位學者共同提出，針對涵蓋資料分析、工作、計算、寫作與設計等5個領域總計16項任務，例如撰寫職缺內容、分析股票、更新開發文件等，研究人類與AI代理的工作流程及結果差異。

研究中使用到的4種AI代理框架分別是：
1. ChatGPT Agent
2. Manus
3. 開源AI代理平台OpenHands Agent（由GPT-4o驅動）
4. 開源AI代理平台OpenHands Agent（由Claude Sonnet 4驅動）

這份研究希望透過直接對比人類與AI代理的工作流程，深入了解AI代理的優勢及限制，為人類與AI協作的未來提供指引。

AI工作速度比人類快近9成、成本少9成，卻犧牲了品質

從結論說起的話，AI代理完成任務的速度遠較人類工作者為快，整體快上88.3%之多。而且成本也極為低廉，如果使用的是開源AI代理（OpenHands），執行任務成本比低90.4到94.2%。

但這代表AI比人類更能勝任各種職場工作嗎？不完全如此。儘管AI處理工作的速度與成本遠勝人類員工，這樣的成果卻是建立在相對較低的成果品質上。

該研究指出，AI代理的工作成果品質明顯低於人類，成功率比人類低上32.5%至49.5%，37.5%的資料分析任務中出現計算錯誤，且AI代理本身缺乏視覺感知能力，在需要從圖像提取資訊，或者審美判斷的任務上都表現不佳。

更糟糕的是，AI代理會捏造數據得出看似合理的結果，來掩蓋自己無法解析某份文件或數據的事實。又或者因為無法讀取用戶提供的檔案，轉而在網路上搜尋資料填補，這可能導致資料不準確。

什麼任務都靠程式解決，成AI雙面刃

而AI代理執行任務極為快速、成本低廉，以及品質較低的成果，與AI採取極度程式化的方式處理任務有關。

無論接手什麼任務，AI代理都是透過寫程式處理。人類員工在任務的不同階段可能會交替使用Jupyter Notebook、Excel、Power Point等工具，而AI代理可能自始至終都在編寫Python腳本。具體來說，AI代理在研究中透過寫程式解決93.8%的任務。

以寫程式的方式執行任務固然有很多好處，例如用Python處理數據遠比Excel迅速、大幅縮減了工作步驟。人類平均解決單一任務需要981.1的動作步驟，而AI代理僅僅只要33.8個步驟，因為程式碼可以一次執行多個複雜任務。

但並非所有任務都適合用程式解決，例如設計或行政相關的非結構化工作，AI代理仍會一味地利用程式去解決，自然容易在工作成果中產生重大缺陷。在設計任務中AI代理雖然具備與UI互動、編輯圖像的能力，仍然選擇透過程式碼編輯。

而且，人類的資料或文件通常傾向於使用UI便利的格式，例如.pptx、docx等常見的文件格式，但AI代理更傾向於適合程式處理的格式，例如Markdown或HTML，硬是轉換格式容易出現問題，也是AI代理工作成果品質較低的原因之一。

延伸閱讀：65歲被28歲管，Meta首席AI科學家不幹了！一場人事動盪，揭社群巨頭技術路線大分歧

人類與AI分工合作，才能發揮彼此優勢

透過這次研究的發現，研究人員認為人類與AI代理在執行任務上各有優缺，人們應該依照彼此的優勢進行分工，人類負責處理涉及視覺處理或專業判斷的工作，並將適合程式處理的任務交給AI代理，發揮它快速、低成本的優勢。

例如在一個資料分析協作案例中，人類先瀏覽檔案挑出需要的資料文件，並將分析工作交給AI代理，這樣分工合作的方式比人工單獨作業要快上68.7%，並且維持了資料準確。

研究中形容，AI就像是個萬事只會用鎚子解決的工程師，而人類是懂得運用多種不同工具的工匠，要達到高效且高品質的成果，需要結合兩者優點分工合作，讓工程師（AI）處理可量化、程式化的部分，並由工匠（人類）處理其餘部分，才能得到比AI代理或人類單打獨鬥更好的結果。

資料來源：How Do AI Agents Do Human Work?

延伸閱讀：哈佛研究：愛用AI的企業不愛找小菜鳥，中等大學畢業比後段班更沒頭路

ChatGPT濫用破折號怎麼改？如何避免飄出超油膩「AI味」？實用指令教學快收藏！

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。