重點一：研究提出「AI 腦過熱」（AI brain fry）概念，指員工因過度監督、多工操作 AI 工具而出現急性認知疲勞，導致判斷變慢、注意力渙散與頭痛。
重點二：高強度 AI 監督與工作量增加會推高錯誤率與決策疲勞，並明顯拉升離職意圖；相反地，用 AI 接手重複性工作，反而有助降低職業倦怠。
重點三：研究建議企業重新設計「人機協作」職務、調整績效指標，並把員工注意力當成稀缺資源管理，避免 AI 成為新型職場風險。
2026 年元旦，工程師 Steve Yegge 上線了名為 Gas Town 的開源平台，讓使用者同時調度大批 Claude Code 代理程式，以過去難以想像的速度組裝軟體。有位早期使用者寫道：「這裡發生的事情實在太多，根本無法合理理解。看著它運作，我有種確實存在的壓迫感。Gas Town 的速度快到我跟不上。」
這個感受，在 2026 年的職場正快速蔓延。例如，Meta 將工程師透過 AI 生成的程式碼行數列入績效指標；同時愈來愈多企業以 token 消耗量衡量員工對 AI 的「投入程度」。
換言之，AI 代理系統的普及，讓員工在監督、切換、核查各個工具之間耗盡認知資源，而這個代價，迄今幾乎沒有被系統性地量化過。
但這份數字，現在有了。
什麼是 AI 腦過熱？
BCG 與 UC Riverside 研究團隊今年 3 月在《哈佛商業評論》（HBR）發表了一項調查，對象是 1,488 名美國大型企業全職員工，橫跨多個產業、職位與層級，男女比例接近各半，獨立貢獻者（IC）與主管職各占約六成和四成。
研究者把這種現象命名為「AI 腦過熱」（AI brain fry）：因過度使用、互動或監督 AI 工具，超出個人認知負荷上限所導致的心理疲勞。症狀上，受訪者的描述高度一致：腦袋裡有「嗡嗡聲」、思緒霧茫茫、頭痛、決策速度變慢，最後被迫離開電腦「重開機」。
最典型的場景，出現在多代理編程與「AI 軍團」協作中：工程師一邊看 AI 生成程式碼，一邊來回校對、串接輸出，腦中像同時開了十幾個分頁，最終不是效率飆升，而是認知系統嚴重過載。
一位資深工程主管說： 「我有一個工具幫我評估技術決策，另一個不斷輸出草稿與摘要，我在兩者之間來回跳，每件事都要反覆確認。腦袋開始覺得擁擠，不是生理疲勞，就是很雜。像是同時開了幾十個分頁，全部在搶注意力。最後我意識到，自己花更多精力管理工具，而不是解決問題本身。」
研究團隊強調，這類急性認知過載與長期的職業倦怠（burnout）是兩回事。前者源自注意力、工作記憶與執行控制等有限認知資源的短期耗盡；後者則是慢性壓力的情緒性堆積。兩者在職場上可能同時存在，但機制不同，對策也不同。用「加油」或「多休息」回應 AI 腦過載，解決的是錯誤的問題。
一位財務總監描述：「我反覆跟 AI 你來我往，重新框架想法、整合資料、組織架構……到最後我連自己產出的東西有沒有意義都搞不清楚，什麼都做不了，只好等到隔天腦子清醒再說。」
三個誘發因子：高監督、多工與工作量誤解
研究把焦點放在「怎樣用 AI」而非「用多少 AI」。真正拉高認知負荷的，是三類使用模式。
第一是監督強度。當受訪者認為自己必須持續盯著 AI 產出、逐步檢查與修正時，自評精神負荷比低監督族群高出 14%，心理疲勞多出 12%，資訊超載感高出 19%。AI 沒有「接走」工作，而是把員工變成全時間的質檢員與總管。
第二是工具數量的邊際報酬遞減。從一個 AI 工具增加到兩個，員工自評生產力明顯提升；從兩個到三個仍有正面效果，但幅度縮小；同時使用四個以上時，生產力反而回落。人類並不擅長真正的同步處理，頻繁切換注意力本身就有代價，且代價會逐步累積。
第三是「AI 出現後工作量被加碼」的感受。若員工感覺 AI 導入後，公司期待他們「做更多」而非「做得不同」，認知負荷與精神疲勞普遍偏高。這種隱性訊號常透過績效語言傳遞，例如把 AI 生成的程式碼行數、token 消耗量直接與個人績效掛鉤，實際上把員工推向 AI 過載的前線。
AI 腦過熱的三種負面效應
研究量化了三條商業損失路徑，數字比直覺預期嚴峻。
決策品質方面，有腦過熱經歷的員工，決策疲勞指數比未受影響者高出 33%。研究者援引一份 2018 年的估算：對年營收 50 億美元的企業而言，次優決策每年造成的損失達 1.5 億美元。決策疲勞上升 33%，意味著這個數字每年可能再增加數千萬美元。
錯誤頻率方面，有腦過熱經歷的員工，自述小錯誤（格式或程式碼等易修正的錯誤）頻率比對照組高出 11%；重大錯誤（影響安全、結果或重要決策的錯誤）頻率則高出 39%。
人才流失方面，沒有腦過熱經歷的員工中，25% 有積極離職意願；有過腦過熱的員工，這個比例上升至 34%，折算為 39% 的增幅。
諷刺之處在於，最容易出現腦過熱的，往往是對 AI 投入最深、被評為高績效的員工。 BCG 合夥人 Julie Bedard 說：「我們做這個研究的部分原因，是因為親眼看到這種現象發生在被認為是高績效的工作者身上。」這批人，也是企業最不願失去的人。
同時使用三種AI工具，生產力就開始下降
研究團隊強調，關鍵不在於員工是否「用很多 AI」，而是組織如何設計人機分工、訂定規則與管理認知負荷。報告提出數項針對企業與管理者的具體建議，核心精神是：重新把人類注意力視為有限且珍貴的資源，而非免費的監工機器。
在工作設計上，文章主張企業應整體檢討「人 + AI」責任分配，而不是簡單把 AI 監督加在原有工作之上。像管理人類團隊一樣，組織也需要為員工能同時管理的 AI 代理數量設下合理上限。
本次研究顯示，超過三個工具同時使用，生產力改善會開始反轉。 與其把多代理堆到單一高端人才身上，不如把 AI 深度嵌入團隊流程，當作集體能力，而非個人差異化武器。
在溝通與管理上，研究提醒企業，若只高喊「AI 提升生產力」，而不說清楚對工作量與責任範圍的實際期待，很容易被員工解讀為「變相加班令」。
而當員工相信公司重視工作與生活平衡時，其 AI 相關心理疲勞分數平均低 28%。管理者若願意親自解答 AI 使用問題，團隊成員的精神疲勞會明顯下降；反之，把員工丟在一旁自行摸索，則會帶來可觀的「AI 孤兒稅」。
管理AI，本身就是一項新技能
在績效與指標上，研究建議從「活動量」轉向「實際影響」。若只追蹤 AI 使用頻率、生成內容數量等容易量化的數字，往往鼓勵員工無限制迭代，以換取表面上的高產出，但品質與認知負荷會同步惡化。
組織更應從明確的商業目標出發，設計衡量「問題解決品質」、「錯誤率」、「決策速度與準確度」等實質成果。
最後，文章呼籲企業在 AI 轉型中，把「管理 AI 相關工作量」視為一門新技能納入培訓，包括問題框架設計、分析規劃、優先順序設定等能力。
研究者提醒，只因「多跑一次 AI 幾乎沒有直接成本」，不代表員工應該無止境追求更多輸出；真正成熟的 AI 使用者，會懂得「少問幾次、問對關鍵問題」，並懂得在合適的時候停下反覆迭代。
資料來源：When Using AI Leads to "Brain Fry"（Harvard Business Review）、Welcome to Gas Town（Steve Yegge / Medium）
本文初稿為AI編撰，整理．編輯／李先泰
