重點一：台灣使用者以 AI 完成任務的中位時間僅需 12 分鐘，較純人工的 105 分鐘節省約 89%。
重點二：黃意植博士的七階段工作流程最核心的發現，不是 AI 能做什麼，而是它在哪四個環節完全無法取代人類判斷，包括「值得研究什麼」這個最根本的問題。
重點三：AI 幻覺引用文獻的風險極高，在實驗中，格式完整、作者真實的「假論文」混入清單，若不逐一驗證 DOI 根本無從分辨；這是當前 Agentic Workflow 進入學術場域最嚴重的品質漏洞。
2026 年 2 月，國家實驗研究院科技政策研究與資訊中心副研究員黃意植博士，在 Claude Code 環境中完成了一篇不尋常的學術論文。
論文的主題是「如何用 AI Agent 做學術研究」，而這篇論文本身，就是用他設計的那套方法完成的。
這個「方法即結論」的雙層結構，讓這篇預印本論文（From Labor to Collaboration: A Methodological Experiment Using AI Agents to Augment Research Perspectives in Taiwan's Humanities and Social Sciences）從一開始就有別於一般 AI 應用研究。
它不只在主張 AI 有用，同時也在示範 AI「如何被有紀律地使用」，以及「在哪裡不能被使用」。
用「台灣數據」做實驗材料
研究的實證素材來自 Anthropic 公開發布的「Anthropic 經濟指數」（AEI）第四版報告，聚焦於 2025 年 11 月 13 日至 20 日的台灣用戶資料，共 7,729 筆對話紀錄，佔全球總量約 0.77%。
這批資料的結構並不簡單。AEI 採用「多面向長格式」設計，同一筆對話在不同分析維度下會重複出現，新手研究者若直接加總各維度的筆數，得出的數字會是實際對話量的數倍。這個陷阱，在黃意植博士的操作紀錄中有完整記載。他必須親自介入，告知 AI「不同 facet 是獨立分析維度，不能跨維度加總」，才讓後續分析回到正軌。
這個細節本身就是論文的論點之一：AI 擅長語法層次的資料讀取，但在「長格式資料的語意邏輯」這種需要學科背景才能理解的問題上，判斷權必須回到人類手中。
數據描繪出的台灣 AI 使用圖像如下：學術研究與寫作相關任務合計佔 17.3%，若納入翻譯需求（8.5%），超過四分之一（25.8%）的使用場景與學術工作直接相關。
軟體開發以單一類別 14.7% 居首，其餘學術子類別各自落在 8%–9% 區間，顯示 AI 在學術場域的滲透率已具規模，但距離大眾化仍有距離，符合 Everett Rogers（2003）創新擴散理論中「早期大眾」的特徵。
七階段工作流程：不是工具清單，是一套邏輯架構
黃意植博士提出的框架核心，是將一個完整研究過程拆解成七個模組，每個模組都明確劃定人類與 AI 各自的職責：
| 階段 | 名稱 | 人類負責 | AI Agent 負責 | 產出 |
|---|---|---|---|---|
| 0 | 研究規劃與 Agent 設定 | 定義研究問題、決定資料來源 | 協助結構化思考、建立文件架構 | 研究提案、專案架構 |
| 1 | 文獻蒐集 | 定義搜尋範疇、驗證相關性 | 執行搜尋、整理文獻清單 | 結構化文獻資料庫 |
| 2 | 文獻分析 | 理論詮釋、驗證分析結論 | 主題分析、研究缺口辨識 | 文獻分析報告 |
| 3 | 資料理解與探索 | 理解資料語意、定義分析方向 | 讀取資料、描述統計 | 資料結構文件 |
| 4 | 資料分析與視覺化 | 定義分析問題、詮釋結果 | 執行分析、產生圖表 | 分析結果與圖表 |
| 5 | 論文寫作 | 審閱內容、理論詮釋 | 草擬各章節 | 論文草稿 |
| 6 | 文獻管理 | 補充缺漏資訊、確認格式 | 擷取引用、格式化參考文獻 | 參考文獻清單 |
這個設計的關鍵不在七個數字，而在三個底層原則：任務模組化（每個節點有明確的輸入、處理程序與輸出）、人機分工（人類負責「判斷型」任務，AI 負責「執行型」任務）、可驗證性（所有 AI 輸出必須經人類審查，Git 版本控制追蹤所有修改歷程）。
這三個原則直接對應了現有流程的弱點。過去研究者使用 AI 的方式，多半是「單點介入」：在某個節點問 AI 一個問題，得到答案，繼續往下走。黃意植博士的設計則把 AI 嵌入整個研究過程的骨架，讓每個階段的輸出成為下一階段的輸入，並在每個連結節點設置人類審查關卡。
前者把 AI 當計算機使用；後者把 AI 納入生產線設計。這個差距，決定了研究品質能否被有效管控。
在實際操作中，黃意植博士歸納出三種人機協作的運作模式，分布於不同階段與任務類型：
| 操作模式 | 特徵 | 人類認知投入 | 常見於 |
|---|---|---|---|
| 直接執行 | Agent 根據明確指令獨立完成任務，人類僅需確認輸出 | 低 | 資料讀取、圖表生成、文獻格式整理 |
| 迭代精煉 | Agent 初步輸出後，經人類多輪審查與修改 | 中 | 圖表呈現調整、資料結構釐清 |
| 人主導 | 分析方向與判斷邏輯由人類決定，Agent 僅負責執行 | 高 | 研究問題定義、理論詮釋、文獻真偽驗證 |
三種模式並非優劣之分，而是對應不同任務性質的合理配置。值得注意的是，「人主導」模式貫穿全部七個階段，即便在結構最清楚的資料分析階段，關鍵的語意判斷仍無法省略。
89% 的時間節省，背後藏著一個反直覺的數字
據黃意植博士對 AEI 台灣子樣本的分析，研究中最搶眼的數據，是台灣用戶在 AI 輔助下的任務完成時間。中位數從純人工的 105 分鐘壓縮至 12 分鐘，時間節省率約 89%。以均值估算，則從 3.55 小時降至 18.7 分鐘。
這個數字的實務含義是：假設一位人文社科研究員每日有三項可被 AI 輔助的結構性任務（文獻翻譯、資料整理、格式編排），以中位數估算，每天可以釋放約 4.65 小時的認知資源。
同一批資料也揭示了另一個較少被引用的數字：82.9% 的任務「人類可以獨立完成」。這個數字與 89% 的時間節省率之間存在明確張力：AI 大幅壓縮時間，但絕大多數任務人類根本不需要 AI 也能完成。
這組對比是黃意植博士論文中最值得細讀的部分。他引用 Brynjolfsson 和 McAfee（2014）「第二次機器時代」的「增強」視角來詮釋：AI 的核心價值不是替代能力，而是擴展研究者的分析半徑，讓有能力做到的人用更少時間做到，從而把節省下來的認知資源導向 AI 目前仍無法觸及的工作：理論建構、田野觀察、跨學科對話。
AI 幻覺：格式完整的假論文，才是最危險的假論文
整篇研究中，最具操作警示意義的是「文獻蒐集階段的失敗案例紀錄」。
在階段 1，黃意植博士要求 AI 蒐集近三年相關學術文獻，列出作者、年份、期刊與摘要。AI 回傳了 15 筆文獻，格式完整，作者名稱是真實活躍的學者，期刊名稱真實存在，但其中兩篇論文從未被發表過。
這是 AI 幻覺最難偵測的類型。不是語言邏輯錯誤，不是數字捏造，而是「高度擬真的組合式虛構」：AI 用統計規律把真實作者、真實期刊、相關主題組合成一篇「應該存在但不存在」的論文。
黃意植博士在論文中完整記錄了四步驟回收流程：發現異常 → 診斷詢問（明確要求 AI 承認而非補充其他文獻）→ 設定驗證約束（要求 AI 提供 DOI 連結）→ 實時核驗 DOI。研究確認：要求 AI 提供可驗證錨點（例如 DOI），是目前降低幻覺風險最有效的操作機制。
這個案例的方法論含意很清楚：Agentic Workflow 進入學術場域，文獻清單不能抽樣驗證，必須逐一核查，因為幻覺引用的外觀可信度遠超過隨機錯誤。
判斷無法外包：四個人類不可替代的節點
黃意植博士根據七個階段的操作紀錄，歸納出四類人類判斷功能。
首先是研究問題定義方面，「什麼值得研究」是價值判斷，而非技術操作。決定聚焦台灣學術場域的 AI 使用模式，需要研究者對台灣學術生態與研究缺口的理解，這種判斷無法被委託。
第二，在理論詮釋方面，把 82.9% 的人類獨立完成率詮釋為「增強而非替代」的證據，需要研究者深度理解人機協作理論與技術採用理論。AI 可以把文字組合得像理論分析，但它不知道自己引用的框架是否適用。
第三，脈絡化判斷方面，AEI 資料呈現全球標準化指標，但台灣學術環境的特殊性（評鑑制度、資源配置、中英雙語需求）需要本地化脈絡理解。翻譯需求佔台灣用量的 8.5%，這個數字本身就需要對跨語言學術生產的理解才能詮釋。
最後，研究倫理反思方面，坦誠揭露研究限制、透明說明 AI 使用範圍、對資料詮釋保持謙遜態度，這些學術倫理實踐取決於研究者的專業判斷與道德責任感，AI 無法代為承擔。
黃意植博士的這個實驗，留下了一個值得整個學術社群持續追問的問題：當 AI 可以將資料處理效率提升九倍，研究者省下來的時間，是真的投入到更難、更重要的問題裡，還是只是用來生產更多論文？
資料來源：From Labor to Collaboration: A Methodological Experiment Using AI Agents to Augment Research Perspectives in Taiwan's Humanities and Social Sciences（黃意植，2026，arXiv:2602.17221）
本文初稿為AI編撰，整理．編輯/ 李先泰
