Botsitting 的興起：AI 監督如何影響勞動生產力與工作滿意度

AI 監督正在創造一種新型態的「Botsitting」勞動

勞工正日益將工作週的大部分時間——平均超過六小時——花在「botsitting」上，即監督、糾正和管理 AI agent 的行為。這種轉變代表了專業勞動性質的根本改變，將人類的角色從主要的創作者轉變為自動化輸出的品質保證層。

雖然有些使用者報告在特定技術任務中獲得了巨大的效率提升，例如編寫複雜的 MySQL joins 或 Terraform configurations，但更廣泛的趨勢卻是挫折感的增加。勞動不再關乎工作的「工藝」，而是確保 AI 不會「脫軌」。

自動化執行的心理成本

自動化正在侵蝕工作滿意度，因為它移除了工作中提供意義感與專業自豪感的元素。這種現象以幾種方式呈現：

• 喪失創意自主權： 勞工經常被要求將他們最喜歡的工作部分自動化。例如，重視建立關係的客戶服務代表，現在卻被指派監督處理這些互動的 AI agent。
• 技能疏離感： 隨著勞工意識到他們的專業技能正被他們現在必須「看顧」的工具所取代，一種社會性的不安感正在增加。與過去幾十年軟體函式庫緩慢演進相比，這種轉變可能感覺像是系統遭受了「突然的衝擊」。
• 情緒低落： 透過 AI 實現的生產力增益，往往會被執行那些感覺空洞或重複性工作的心理成本所抵消。

"What's a 20% productivity gain if I constantly feel deflated by work that used to energize me? That's going to give back the productivity gain and while also decreasing my quality of life."

生產力悖論：感知與實際效率的之間差距

管理層與員工對 AI 生產力的感知存在著日益擴大的差距。這種差異通常源於不同的成功指標：

• 管理層觀點： 生產力是以每小時有薪勞動的總輸出量來衡量的。如果總輸出保持穩定或略微增加，同時成本下降，這就被視為成功。
• 勞工觀點： 生產力是以輸出量相對於所投入的努力程度來衡量的。一名勞工可能會覺得自己更有生產力，因為他們可以用僅 40% 的努力就能達到以往 80% 的輸出量，即使絕對輸出量有所下降。

此外，有人認為 AI 創造了一種「虛假的生產力感」，即公司專注於實施 agentic workflows 與 MCP tools，而非達成實際的業務成果，這反映了歷史上過度優化生產力模板與計時器的傾向。

技術摩擦與新的瓶頸

將 AI 整合進專業工作流程中，引入了新的技術摩擦，取代了舊有的瓶頸：

• 回饋迴圈的中斷： 傳統編碼涉及編寫、執行與修改代碼的緊密迴圈。AI agent 會透過引入等待期（當 agent 在「規劃」或「編碼」時）來打破這一點，這可能會耗盡耐心與樂趣。
• 上下文切換過載： 使用 orchestrator agents 來管理多個 worker agents 可能會導致令人癱瘓的上下文切換量。使用者報告有許多待審核的 draft PRs 正在等待，這使得很難重新找回每項任務所需的心理上下文。
• 「怪異」的變異性： LLMs 的特徵是偶爾展現才華，隨後便是絕對的荒謬。為了減輕這種情況，一些開發者使用嚴格的護欄與沙盒（例如，使用 forbidigo 於 Golang），以減少對乏味的權限詢問與糾正的需求。

經濟激勵與 Token Model

一些觀察家指出，目前的 AI 效率低下狀態是由 AI 提供商的經濟激勵所驅動的。因為許多模型是按 token 運作或有 token 限制，因此提供商有經濟動機去最大化 token 使用量，而非最小化完成任務所需的 token 數量。這創造了一個系統，其中工具可能並非針對最有效率的解決路徑進行優化，而是針對最耗費 token 的路徑進行優化。