請先想像以下的情境：
一名剛到職、公司很想留住的 L3 軟體工程師寫信來，要一間個人辦公室。公司規定個人辦公室只開放給 L4 以上主管，這件事沒得談。你是人資，必須回信拒絕，而且不能澆熄他剛進公司的熱情。
以上情境，是芝加哥大學團隊設計的遊戲「HR Simulator™」的第一關。研究者 Dang Nguyen、Harvey Yiyun Fu、Ari Holtzman、Chenhao Tan（皆任職芝加哥大學）與英屬哥倫比亞大學的 Peter West，在 2026 年 3 月 6 日把論文《Moral Mazes in the Era of LLMs》掛上 arXiv，並於同年 4 月 6 日更新第二版（狀態標示為預印本、尚未通過同行審查）。
遊戲介面刻意模仿 Gmail，玩家扮演虛構公司 NeuroGrid 的人資，在五種棘手情境中撰寫回信：拒絕要求、化解創意衝突、推翻先前給出的遠端工作承諾、問出資深工程師自己都說不清的不滿，以及讓一名被裁掉、卻因投資人父親出面而可能復職的年輕工程師願意自省。其中第 4 關可以是多輪往返，不是一封信就結束。
收信的角色、模擬後續發展、以及最後判定你過不過關的裁判，全部由 GPT-4o（2024-11-20 版本）扮演，依每一關專屬的評分標準表（研究上稱 rubric）判定成敗。
研究者分析超過 600 封人類與 LLM 寫的信，得到一個對人類不太體面的數字：在 GPT-4o 擔任裁判的條件下，人類寫的信跨五個關卡平均通關率 23.5%，Kimi K2 是 54%、Qwen 3 是 48%。中段模型 Gemini 2.5 Flash 與 GPT-4o 各 22%、Claude 3.5 Haiku 28%，與人類在同一個水準。
這場考試真正在考什麼
論文標題借自社會學家 Robert Jackall 在 1988 年的著作《Moral Mazes》，那本書記錄的是企業裡不成文的溝通規則：說什麼不重要，怎麼說、何時說才重要。 書裡的主管發現嚴重問題時不能直接往上報，那等於讓老闆顯得失職，於是他們學會把消息橫向放流給非正式管道，等到要做決定時該知道的人都知道了，卻沒有人正式當過報壞消息的那個人。
對此論文寫得很直接：這種迂迴不是溝通失敗，這就是溝通本身。 可以說，人跟人溝通從來就是這麼內耗的事情。
換言之，職場書信的難處在於同一句話裡要同時做到互相拉扯的幾件事，溫暖但保持距離、明確但留有餘地。研究者把信的語氣拆成兩個軸線量化：同理（這封信多想理解、多想幫收信人解決顧慮）與正式（語氣偏隨性還是偏公事公辦），由 Gemini 3 Flash 逐段給 1 到 7 分再取平均。
結果是，LLM 寫的信高度集中在「高正式、高同理」那一格，人類的信則散得多。幾乎沒有信落在「高正式、低同理」的區間，論文推測模型本來就不太寫低同理的信，而人類玩家則可能缺乏「既不讓步又保持專業」的技巧。人類寫的低同理信通常同時也低正式，因為內容常常很衝、很敷衍，有時還帶著反覆失敗後的火氣。
但如果讓 LLM 改寫人類的信，整體上會把信推向高正式高同理那一格，原本離得越遠的，改動幅度越大。
人加 AI 常勝過人類，但不一定勝過純 AI
論文最容易被引用的結論是混合優勢：用 LLM 改寫人類寫的信，多數情況勝過人類自己寫。 至於能不能進一步勝過模型自己寫，論文在附錄講得保守得多：這件事確實會發生，但並非普遍成立，成不成立會隨著寫信的模型、關卡與裁判而變。
增益最大的是「人類搭配中段模型」，第 1 關裡，GPT-4o 與 Claude 3.5 Haiku 的通關率從 40% 一路拉到接近 100%。前段模型的增益比較溫和，Kimi K2 加上人類在第 2 關多了 25 個百分點，Qwen 3 加上人類在第 4 關多了 55 個百分點。論文把這個規律歸給「餘裕」：模型單獨寫就已經接近天花板時，改寫很難再往上疊。
更有意思的是研究者給出的解釋。他們另外標註了第三個維度「得體」（tact），它衡量的是溝通策略：這封信有沒有把話說過頭、留下後患。以第 1 關為例，得體的信會把重點放在開放式辦公的好處，不得體的信則想用降噪耳機這類表面福利補償對方。
把裁判 GPT-4o 最偏好的信抓出來看，它在第 1 關的得體區間落在 3.17 到 3.83 之間。人類的信平均 3.04，太不得體；Claude 是 4.28、Gemini 是 4.79，兩者都太得體。經 LLM 改寫後，Claude 版變成 3.89、Gemini 版變成 4.01，剛好落回區間附近，通關率也跟著跳升。反過來看，Qwen 的 3.28 與 Kimi 的 3.50 本來就在區間內，改寫就沒有額外好處。
大模型與小模型的分水嶺，是一句「你薪水比上一份高」
論文更值得拉出來的一段，是它換了裁判。emergent tact 這部分的分析共動用 10 個不同家族、不同規模的模型當裁判，GPT-4o 本身也是其中一員，強弱跨度從小型開源模型一路到當前第一梯隊。
第一個發現是，模型參數量越大或 Elo 分數越高（Elo 是借自西洋棋的排名方法，讓信兩兩比較、贏的加分），兩兩裁判之間對「這封信過不過關」的判斷就越一致，最強的一批達到約 0.5 的 Krippendorff's α，也就是校正過猜對機率之後的一致程度達到中等水準。
第二個發現才是關鍵。研究者把「兩個裁判給同一封信的排名相差 20 名以上」定義為分歧，發現絕大多數分歧發生在大模型與小模型之間，而非同級模型之間，而分歧的性質就是得體：小模型偏好直白、不那麼得體的信，大模型偏好含蓄、更得體的信。
這個現象論文命名為 emergent tact，直譯是浮現的得體。不過這是整體趨勢，不是普遍定律：落差在第 1、3、4 關比較明顯，論文附錄自承，得體定義在第 2、5 關沒能同樣解釋分歧。
具體是什麼樣的分歧？回到第 1 關那封拒絕信。玩家手上其實有一張說服牌，可以提到這位新人在新職位的薪水比前一份工作高，藉此喚起對方的感激，先一步堵住後續議價。但論文作者判定這個策略非常不得體、而且帶有被動攻擊性，而這正是大小模型的分水嶺：小模型偏好用了這招的信，大模型反感。
為確認這條線真的是「得體」，研究者另外用相近的「禮貌」標註同一批信，發現「禮貌」無法像「得體」那樣把大小模型分開。
AI難以寫出來的信：咆哮信
研究者還反過來問了一個問題：有沒有 LLM 寫不出來的信？ 這個問題的測試對象只有一個模型，Qwen 3 30B 3A Instruct，目標是看它能不能寫出「低同理、低正式」的信（可以想像成投訴性質的咆哮信）。只下指令要求同理與正式都給 1 分時，這個模型改寫失敗，信仍落不進左下角；加入人類寫的低分信當範例之後，才有較多信件往那個區間移動。
但模型對人類寫的低分信困惑度（perplexity，大致是「模型看到這種寫法有多意外」，數字越高代表越不像它會產出的東西）極高，無範例時 38.96，有範例時仍有 10.80，而它對自己生成的低分信只有 2.38。範例大幅降低了困惑度，模型仍然很難模仿這種寫法。
論文為這一格說了句公道話：低同理低正式的信在企業裡看似不得體，換到別的情境卻有必要，例如投訴一間官僚積習很深的公司，可能只有把話說得很重才傳得進去。這種信人類自己也難拿捏，反而適合靠 LLM 協助編修，形成另一種人機互補。
結論：棘手信件怕失禮，給AI順一順沒壞處
總結來說，這篇論文真正的價值不在人類與 AI 的高下，而在它記錄了一件正在發生的事：讀信、篩信、判斷信寫得好不好的角色，正在換人。 研究者在結論寫道，若模型成為職場書信往來的核心，理解這個新地景很重要，才能確保職場溝通規範是被刻意選擇的結果，而不是被 LLM 的天性推著走。
23.5% 這個數字量到的，比較接近「人類多不擅長討好 GPT-4o」，未必是「人類多不會做人」。而當裁判換成能力較強的模型後，信件偏好可能從偏直白轉向偏含蓄，這意味著寫信的人如果開始為模型的品味調整寫法，很難保證讀信的人類感受真的會比較好。
那到底怎麼寫信最得體？論文給的路已經算務實：人先寫，AI 再改。人決定要不要打出那張說服牌，AI 把語氣調到不刺人。
本文初稿為AI編撰，整理．編輯/ 李先泰
