讀完這篇，你會知道：

● 為什麼將近一半的員工承認誇大過自己的 AI 使用程度

● Meta 的 AI 用量排行榜，為什麼上線沒多久就被撤掉

● 公司把 AI 使用次數拿掉之後，還能看什麼

思考的起點

Fast Company 記者 Peter Saalfield 引述 Visier 調查，48% 員工承認誇大自己的 AI 使用，這叫表演式 AI 使用。

公司買了工具、開了課，在週會上問大家這週用了幾次 AI，換來一張越來越好看的儀表板。儀表板上的數字，有多少是真的在做事，有多少是做給主管看的，現在連公司自己都說不清楚。員工忙著演，主管忙著量，兩邊都很累，工作本身卻沒有變好多少。這篇整理了最近一個月的五份研究，從員工為什麼要演、公司為什麼一直量，一路看到職涯階梯和信任，想回答一個問題，AI 導入走到這一步，公司到底在量什麼。

48% 員工承認誇大 AI 使用，主管看到的熱情有一部分是演的

1,000 名美國全職員工裡，將近一半說自己曾經在同事或主管面前，誇大過用 AI 的程度或專業。

根據 Fast Company 記者 Peter Saalfield 在 2026 年 9 月 25 日的報導，這份調查由溫哥華的人力分析軟體公司 Visier 執行，受訪者分布在醫療、金融、人資等不同領域，題目問的是他們怎麼用 AI，以及怎麼看公司的 AI 策略。Visier 替這種行為取了一個名字，叫表演式 AI 使用（performative AI use）。

這個數字很容易被讀成員工不老實。報告自己的解讀方向剛好相反。

同一份調查裡，54% 的人說過去兩年，自己的角色或職涯因為 AI 出現明顯改變。有人覺得工作表現和滿意度變好了，也有人覺得影響大多是負面的。AI 確實在改變工作，只是每個人碰到的改變不一樣，有人被幫到，有人被打亂。

讓人開始演的，是另外兩個數字。將近 60% 的受訪者說，不清楚公司打算怎麼因應 AI 帶來的變化。45% 的人感受到壓力，要在自己還沒把握能用好的情況下使用 AI。

把這兩個數字放在一起，畫面就出來了。主管期待看到大家擁抱 AI，員工不知道公司要往哪裡走，也不確定自己用得對不對。這種時候，表現出熱情比做出成果安全，因為熱情今天就看得到，成果要等好幾個月，還不一定等得到。

Visier 在報告裡的結論是，表演式 AI 使用背後的推力，是員工對領導層缺乏信任。員工不確定主管想知道的是 AI 有沒有幫上忙，還是誰跟上了、誰沒跟上。這兩種問法聽起來很像，員工的反應卻完全不同。前一種問法，員工會老實說哪裡卡住。後一種問法，員工只會回報自己用得很順。如果答案看起來是後者，誇大一點就成了保護自己的方法。

這也說明了為什麼只把工具發下去沒有用。Fast Company 的報導講得很直接，只叫員工「讓 AI 去做」是不夠的，公司還得告訴他們怎麼做。

台灣目前還沒有類似規模的公開調查可以對照。我們能確定的是，誘因的結構不分國界。只要公司開始在週報、考核或例會上追問 AI 用了幾次，卻沒有說明這些數字要拿來做什麼，員工面對的就是同一道選擇題。

Meta 員工 30 天燒掉 60 兆 token，排行榜最後被撤掉

Meta 內部有人做了一個排行榜，叫 Claudeonomics，列出全公司用最多 AI token 的前 250 名，還發給他們 Token Legend、Cache Wizard 這類稱號。工程師讓 AI 代理程式一跑就是好幾個小時，只為了往上爬。在其中一段 30 天裡，榜上員工用掉超過 60 兆個 token。

根據哥倫比亞大學商學院教授 Rita McGrath 9 月 9 日在 Fast Company 發表的專欄，類似的事不只發生在 Meta。她引述媒體報導指出，Disney 有員工在 9 天內和 AI 助理互動了 46 萬次，JPMorgan、KPMG、Amazon、Accenture 也都被報導在追蹤員工的 AI 使用狀況，有些公司甚至把 AI 帶來的影響寫進正式的績效考核。Meta 的排行榜在曝光後被撤下，Amazon 據報也關掉了自己的版本。

網路上替這種行為取了名字，叫 tokenmaxxing，中文可以理解成衝 token 量。token 是 AI 模型計算用量的單位，用得越多，帳單越高。當公司把用量當成投入程度的證明，員工就會想辦法讓用量變高，不管手上的工作需不需要 AI。

McGrath 把時間拉回 1956 年。那一年，社會學家 V. F. Ridgway 在《行政科學季刊》創刊號發表論文，題目就叫〈績效衡量的反功能後果〉。後來 Charles Goodhart 把類似的觀察整理成後人熟知的古德哈特定律，一個指標一旦變成目標，就不再是好的指標。

她的說法很白話。人會照著被獎勵的方式行動，這不是因為人不誠實，是因為人會回應。操弄業績數字，至少還得挪動一筆真實的訂單。操弄 token 用量，只要寫一段稍微有創意的指令就夠了。

她也提醒，這種事在管理史上一再重演。客服中心量平均通話時間，結果客服人員開始直接掛客人電話。醫院被要求縮短候診名單，結果病人被留在醫院門口的救護車上等。每一次，被量的人都照著數字行動，數字變好看，原本想改善的事卻沒有改善。

假裝會用 AI 的成本越接近零，假裝的人就越多。

McGrath 接著點出一個更麻煩的後果。剛開始追蹤時，AI 使用量也許真的能分出誰表現好、誰表現差。一旦用量和獎勵掛鉤，每個人都會變成重度使用者，數字全部擠在一起，這個指標就再也分不出誰是誰。她舉的例子是採用率衝到 98%，曲線一路往右上，儀表板看起來從來沒有這麼好過，卻沒有告訴主管任何關於價值的事。

Gallup 的 AI 職場指標剛好可以對照這個落差。截至 2026 年 5 月，美國有 15% 的員工每天在工作中用 AI，30% 每週至少用幾次。在已經導入 AI 的組織裡，65% 的員工說 AI 對自己的生產力有正面影響，但只有 14% 非常同意 AI 改變了組織的工作方式。

個人覺得快了一點，組織的做事方法卻很少跟著動。排行榜量到的，剛好是整件事裡最容易量、也最不重要的那一段。

年資十年以上的求職者，有 49% 在投入門職缺

2026 年 5 月，年資 10 年以上的求職者在 Indeed 送出的履歷，有 49% 投向入門職缺，投向資深職缺的只有 12%。

根據 Indeed Hiring Lab 7 月 23 日發表的分析，職涯階梯往上的路比很多人以為的窄。資深職缺的刊登量這一年確實在增加，但多數有經驗的人還是擠不進去，只好往下找位子。這些人一往下找，剛畢業的年輕人又多了一群更有經驗的對手。Indeed 同一天發表的另一篇分析也指出，截至 2026 年 5 月，資深職缺的刊登量比前一年增加 14.7%，入門職缺則減少 7.5%，而且入門職缺從 2022 年的高點之後一路往下。

另一份分析把 AI 的角色放了進來。根據 Indeed Hiring Lab 經濟學家 Jack Kennedy 9 月 17 日發表的研究，在最容易受生成式 AI 影響的職業裡，例如軟體開發、IT 系統與支援、資料分析、行銷、銀行金融，入門職缺占所有刊登職缺的比例，從 2021 年的 29% 掉到 2026 年的 10%，資深職缺則從 22% 升到 47%。

同一段期間，這些職業的刊登薪資漲了大約 46%，受 AI 影響最小的職業，例如護理、照護、餐飲、清潔、製造，只漲了 25%。拆到職級來看，差距集中在資深職位，受影響職業漲 45%，較不受影響的漲 28%，入門職位的差距只剩 2 個百分點左右。Indeed 自己也提醒，按職級拆開的結果大多沒有達到統計顯著，只能當成方向參考。

Kennedy 的解讀是，AI 目前比較像在補強已經有技能的人，市場願意付錢買的技能正在換一批。

這對辦公室裡的人代表什麼？往上的位子變少，加薪往少數資深的人集中，往下的位子又有更資深的人來搶。每個人都在默默評估，自己站在階梯的哪一格，這一格還穩不穩。

Gallup 研究員 Christos Makridis 9 月 9 日發表的研究，補上了心理這一塊。他分析 2023 年到 2026 年第一季 Gallup 追蹤同一批受訪者的資料，發現每天或每週多次使用 AI 的員工，認為自己的工作可能在五年內消失的比例，是很少使用的人的兩倍以上。截至 2026 年第一季，大約 19% 的美國員工認為自己的工作有可能因 AI 被取代。

這個結果和很多公司的預期相反。一般的想法是，員工用久了、熟悉了，自然就不怕了。Makridis 的解釋是，天天用 AI 的人，每天都在看它把自己的工作做掉一部分。如果主管沒有跟他們談這代表什麼，他們會開始覺得自己可以被替換。

他的研究也發現，這份擔心會付出代價。同一個人從不擔心變成擔心之後，投入度下降，倦怠上升，主動找工作的可能性也提高了 4.1 個百分點。

把 Indeed 和 Gallup 的研究放在一起看，就能理解表演式 AI 使用從哪裡長出來。階梯在變窄，越常用 AI 的人越擔心，這時公司又說 AI 使用率會被看見。對一個怕掉下去的人來說，最快的自保方式就是讓自己看起來跟得上。這兩份研究沒有直接證明因果，但指向同一個方向。

只有 20% 員工非常信任主管會負責任地使用員工資料

在經常用電腦或其他裝置工作的美國員工中，只有 20% 非常信任組織領導者會負責任地使用員工資料，43% 有點信任，23% 不太信任，14% 完全不信任。

根據 Gallup 研究員 Andy Kemp 與 Ryan Pendell 9 月 24 日發表的報告，這份調查在 2026 年 5 月進行，樣本是 22,573 名在職成人。報告把員工資料分成兩種。一種是活動資料，例如工時、刷卡紀錄、寄了幾封信。另一種是內容資料，例如信件內容、會議內容、瀏覽過的網站。

59% 的員工認為公司確定或可能在蒐集活動資料，46% 認為公司在蒐集內容資料。也有不少人根本不知道，活動資料這一題有 15% 答不知道，內容資料這一題有 21%。

有一個數字很少被拿出來講。只有 19% 的員工說，公司裡有人跟他們談過公司蒐集了哪些和他們工作有關的資料。主管和高層的比例也差不多，分別是 21% 和 23%。連手上握有資料的人，自己也很少被告知。

AI 使用次數、token 用量、每週開了幾次 AI 工具，都屬於活動資料。公司開始追蹤這些數字，卻沒有人說清楚它們會被拿來做什麼，員工只能自己猜。

Gallup 的資料顯示，員工猜的方向很一致。62% 的人可以接受公司用活動資料幫主管提升團隊效能，61% 可以接受用來幫助個人發展。用途一旦換成正式的績效考核，接受度就降到 53%。員工在意的，是這些資料最後會不會回頭決定自己的考績。

信任和投入度也綁在一起。高度投入的員工有 40% 非常信任領導者使用資料的方式，不投入的員工降到 13%，完全疏離的員工只剩 4%。這組數字只能說明兩者有關聯，不能說明誰造成誰。

回頭看 Visier 的結論。表演式 AI 使用的根源是對領導層缺乏信任，Gallup 的報告則讓這份不信任有了具體的樣子。員工知道自己被量，不知道被量來做什麼，也沒有人跟他們談過。在這種狀況下，把數字做得好看，是一個很合理的選擇。

擔心也跟信任走在一起。非常信任領導者的員工，只有 13% 擔心公司怎麼用資料，完全不信任的員工，擔心的比例升到 65%。主管自己也有落差，能直接看到員工資料的主管與高層，有 46% 非常信任公司的資料使用方式，看不到資料的只有 16%。資訊越不透明，越容易往壞的方向想，這一點在組織的上下兩端都成立。

拿掉 AI 使用次數的 KPI 之後，公司該看什麼

在 Gallup 同一份報告裡，曾經和公司裡的人談過資料用途的員工，有 26% 非常信任領導者，沒談過的只有 18%。可是談過的人，擔心資料用途的比例也高了 8 個百分點。

這個結果很誠實。說清楚不會讓每個人都放心，它讓員工同時看到資料的好處和風險。Gallup 的解讀是，員工知道得越多，越能理解兩面。對想擺脫表演式 AI 使用的公司來說，這比一片安靜的放心有用，至少員工開始根據真實的資訊做判斷。

Visier 的受訪者也說出了他們要什麼。32% 希望有更多 AI 教育訓練和技能提升的機會，31% 希望公司在 AI 相關議題上更透明。Visier 在報告裡建議，給員工機會學習、提升技能、在同事之間分享經驗，可以在表演式行為出現之前先預防，也能減輕整個團隊的焦慮。

在指標這一端，McGrath 在專欄最後列了五個問題，讓公司在裝下一個儀表板之前先問自己。這個指標變了，會改變哪個決定？它量的是投入還是結果？它還分得出好壞嗎？如果有人操弄它，有沒有另一個品質指標會跟著變差？它在驗證哪一個假設？

她還翻出 Michael Hammer 1990 年在《哈佛商業評論》發表的流程再造文章，當年的呼籲是從頭重新設計工作，別只把新技術加在舊流程上。McGrath 認為這個提醒放在今天依然成立，在老流程上撒一點 AI，不會帶來什麼大改變。

她沒有反對追蹤 AI 使用量。她的意思是，用量可以拿來控管成本，但不能被當成價值本身。如果一個數字不管高低，都不會讓公司做出不同的決定，那它掛在儀表板上的理由就很可疑。

Makridis 的研究則給了人的這一端一個方向。覺得公司在乎自己身心狀態、覺得自己被尊重的員工，擔心被 AI 取代的比例低了大約 6 到 7 個百分點。對天天用 AI 的人，這個緩衝效果更明顯。覺得被尊重的人，AI 使用頻率和擔心程度之間的關聯小了 6.8 個百分點，覺得公司在乎自己的人，關聯小了 11.1 個百分點。

他建議主管和最常用 AI 的員工一對一談三件事，AI 正在怎麼改變這份工作，哪些技能仍然重要，之後的績效會怎麼評估。

把這幾份研究串起來，順序其實不複雜。先說清楚為什麼要追蹤、數字會拿來做什麼。再把 KPI 從用了幾次換成做出了什麼，並且配一個會被操弄拖累的品質指標。最後，讓最常用 AI 的人有機會把擔心說出口。這三件事做到之前，儀表板上的數字越漂亮，越要打個問號。

我們的觀點

表演式 AI 使用很容易被當成員工的品格問題，我們認為它更像是制度的產物。McGrath 說得很清楚，人會照著被獎勵的方式行動。公司量的是用了幾次，員工就交出用了幾次。

Indeed 和 Gallup 的研究也提醒我們，這件事背後有真實的恐懼。職涯階梯在變窄，越常用 AI 的人越擔心自己被取代。在這個時間點要求員工展現熱情，得到的多半是表演。

Visier 和 Gallup 的資料指向同一件事，員工要的是說清楚和學得會。資料要拿來做什麼，先講清楚。AI 要怎麼用在自己的工作上，給時間學會。這兩件事還沒做到，再多的使用率報表，量到的都只是員工有多會演。

如果你也在想公司的 AI 指標該怎麼設計，我們每週三在《未來思考週報》整理這類研究，歡迎到 chachacreative101.substack.com 一起看。

概念速查

表演式 AI 使用： 員工為了符合主管或公司的期待，誇大自己使用 AI 的頻率或熟練度。Visier 2026 年調查發現，48% 美國全職員工有過這種行為。

Tokenmaxxing（衝 token 量）： 刻意增加 AI token 用量，讓自己在公司的 AI 使用排行榜上名次更高，不管手上的工作是否需要 AI。

古德哈特定律： 一個指標一旦變成目標，就不再是好的指標。常用來解釋 KPI 為什麼會被員工操弄。

AI 曝險職業： 工作需要的技能中，有較高比例可以被生成式 AI 執行或大幅改變的職業，例如軟體開發、資料分析、行銷。

FAQ

Q：什麼是表演式 AI 使用？

A：表演式 AI 使用是員工為了讓主管覺得自己跟得上，誇大自己用 AI 的次數或能力。Visier 2026 年 9 月調查 1,000 名美國全職員工，48% 承認有過這種行為，報告認為主因是員工不信任領導層。

Q：為什麼員工要假裝在用 AI？

A：因為公司在看使用量，員工又不清楚公司的 AI 方向。Visier 調查中將近 60% 員工不知道公司打算怎麼因應 AI，45% 在沒把握的情況下仍感受到使用壓力，表現熱情比等待成果安全。

Q：公司要怎麼衡量員工的 AI 使用成效？

A：衡量工作結果，不衡量使用次數。哥倫比亞大學商學院教授 Rita McGrath 建議，每個效率指標都要搭配一個品質指標，並先問清楚這個數字變了之後，公司會改變哪個決定。

Q：AI 使用排行榜有用嗎？

A：多半會變成被操弄的目標。Meta 的內部 token 排行榜讓工程師讓 AI 代理程式連續跑好幾個小時衝名次，30 天用掉超過 60 兆個 token，曝光後被撤下，Amazon 據報也關掉了類似的排行榜。

Q：為什麼資深員工開始投入門職缺？

A：因為往上的職缺太少。Indeed Hiring Lab 資料顯示，2026 年 5 月年資 10 年以上的求職者有 49% 的申請投向入門職缺，只有 12% 投向資深職缺，在 AI 曝險最高的職業，入門職缺占比也從 2021 年的 29% 降到 10%。

開放討論

你的公司有在追蹤員工的 AI 使用次數嗎？ 如果有，你知道這些數字最後會被拿來做什麼嗎？ 如果明天這個指標從考核裡拿掉，你用 AI 的方式會改變嗎？

資料來源

Fast Company，Peter Saalfield（2026/09/25）｜Workers are faking their interest in AI to satisfy bosses, report shows

Visier（2026/09）｜AI in the workplace: new research on performative AI

Fast Company，Rita McGrath（2026/09/09）｜The underwhelming results of AI performance metrics should surprise exactly no one

Gallup，Andy Kemp、Ryan Pendell（2026/09/24）｜Employee Data Use: One in Five Trust Leaders a Great Deal

Gallup，Christos Makridis（2026/09/09）｜Using AI More Does Not Reassure Workers, Managers Do

Gallup（2026/07）｜Global Indicator: Artificial Intelligence

Indeed Hiring Lab（2026/07/23）｜Entry-Level Jobs Aren't Just for Inexperienced Workers

Indeed Hiring Lab，Jack Kennedy（2026/09/17）｜AI Exposure Isn't Squeezing Advertised Pay in the US, It's Boosting It

關於文字策展人

Cha Cha 是查查創意文字策展人暨創辦人，Stanford d.school 設計思考專業研修，累積超過三百場企業工作坊實戰經驗。長期深耕設計思考、創���思考與未來趨勢，致力於讓更多人在 AI 時代找到自己的思考方式。

訂閱電子報

訂閱「未來思考週報」，每週三收到精選文章與趨勢洞察。