Workslop: Bagaimana Kerja Remeh Hasil AI Menghakis Usaha dan Rasa Pemilikan

Oleh Victor Hoang · Dikemas kini 26 Ogos 2026

Workslop ialah kerja hasil AI yang kelihatan siap tetapi sebenarnya tidak: laporan, ringkasan atau kod yang cukup digilap untuk lulus pandangan sekilas tetapi tidak mempunyai penaakulan yang diperlukan untuk benar-benar digunakan. Penyelidik di BetterUp Labs dan Social Media Lab Stanford mencipta istilah ini pada 2025 untuk menamakan sesuatu yang mudah tetapi mahal: usaha yang dahulu diperlukan oleh sesuatu tugas tidak hilang apabila AI merangkanya dengan pantas. Ia cuma berpindah ke hilir, kepada sesiapa yang perlu memahami maksud sebenar output itu.

Peralihan itu, daripada "usaha berlaku sebelum penghantaran" kepada "usaha berlaku selepas penghantaran, dan jatuh ke atas orang lain," ialah subjek sebenar artikel ini. Workslop ialah nama paling melekat untuknya sekarang. Masalah asasnya, kerja yang kelihatan siap tanpa sesiapa benar-benar melakukan pemikiran, akan bertahan lebih lama daripada perkataan itu.

Apa Sebenarnya Workslop

Takrifan rasmi, daripada kajian BetterUp Labs dan Social Media Lab Stanford yang diterbitkan dalam Harvard Business Review pada September 2025, ialah kandungan yang "menyamar sebagai kerja yang baik, tetapi tidak mempunyai substansi untuk memajukan sesuatu tugas dengan bermakna." Penyelidik meninjau 1,150 pekerja meja sepenuh masa di A.S. dan mendapati masalah ini bukan jarang berlaku atau teori semata-mata. Kira-kira 15% daripada semua yang diterima pekerja di tempat kerja kini dijana AI, dan sebahagian yang besar daripadanya gagal dalam ujian asas ini: adakah ia benar-benar memajukan tugas, atau sekadar kelihatan begitu.

Mekanismenya yang menjadikan workslop berbeza daripada kerja buruk biasa. Draf pertama yang cuai yang ditulis oleh orang yang letih lazimnya masih mengandungi pemikiran sebenar, walaupun pelaksanaannya kasar. Workslop menyongsangkannya. Ia tiba dengan format yang kemas, bahasa yang yakin dan struktur yang lengkap, semua isyarat permukaan yang dahulu diharapkan orang sebagai pengganti kepada "seseorang telah memikirkan ini dengan teliti." Tanggalkan kegilapan itu dan sering kali tiada penaakulan asas untuk ditemui. Output itu tidak melangkau langkah kerana seseorang tergesa-gesa. Ia melangkau langkah kerana menjana teks yang lancar tidak memerlukan langkah-langkah itu dilakukan langsung.

Tidak Sama dengan "AI Membantu dengan Ini"

Wajar bersikap tepat di sini, kerana istilah ini sering digunakan secara longgar. Kerja berbantukan AI yang benar-benar disemak, diperiksa terhadap keperluan sebenar dan disokong oleh seseorang yang boleh mempertahankan setiap dakwaan di dalamnya bukan workslop, tidak kira berapa banyak draf pertama dihasilkan oleh model. Workslop khusus menggambarkan kes di mana kegilapan menggantikan substansi dan bukannya mempercepatkannya: AI melakukan bahagian yang pantas, dan tiada sesiapa melakukan bahagian yang perlahan yang dahulu menyertainya. Alat itu bukan masalahnya. Ketiadaan sesiapa yang memikul pemilikan ke atas output itulah masalahnya.

Dari Mana Istilah Ini Datang, dan Mengapa Wajar Dikekalkan

"Workslop" ialah istilah ciptaan yang dekat dengan pihak vendor, lahir daripada satu kerjasama penyelidikan dan bukannya beberapa dekad teori organisasi. Anggaplah ia satu bingkai antara beberapa yang lain, bukan kategori yang sudah mantap. Yang menjadikannya wajar digunakan juga ialah ia menamakan satu corak dengan tepat: bukan "AI itu buruk," bukan "orang malas," tetapi satu transaksi khusus di mana usaha diperuntukkan semula secara senyap daripada penghantar kepada penerima, dan tiada sesiapa bersetuju dengan pertukaran itu.

Ketidakseimbangan Usaha di Teras Masalah

Setiap kejadian workslop mempunyai bentuk berat sebelah yang sama. Menghasilkan output mengambil satu gesaan dan beberapa minit. Memastikan sama ada output itu boleh dipercayai, dan membuat semula bahagian yang tidak, mengambil masa jauh lebih lama. Penyelidik BetterUp dan Stanford mengukurnya secara langsung: penerima menghabiskan purata satu jam lima puluh enam minit untuk merungkai setiap kejadian workslop yang mereka terima, memeriksa dakwaan, menulis semula bahagian atau mengesan orang yang menghantarnya untuk bertanya apa sebenarnya maksud mereka.

Jurang itu bertambah besar pada skala yang disembunyikan oleh kejadian individu. Penyelidik menganggarkan workslop menelan kos kira-kira $186 bagi setiap pekerja terjejas sebulan dalam produktiviti yang hilang, yang berskala kepada lebih $9 juta setahun dalam syarikat berkakitangan 10,000 orang. Tiada satu pun daripadanya muncul sebagai butiran kos yang berasingan di mana-mana. Ia muncul sebagai kitaran yang lebih perlahan, lebih banyak mesyuarat yang sepatutnya tidak perlu, dan perasaan umum bahawa menyemak kerja orang lain telah menjadi lebih sukar walaupun tiada sesiapa dapat menunjukkan sebabnya.

Isu yang lebih mendalam ialah ketidakseimbangan ini memecahkan persetujuan yang telah lama diandalkan pasukan tanpa pernah ditulis: jika sesuatu kelihatan siap, menganggapnya siap ialah pertaruhan yang munasabah. Kerja hasil AI memecahkan pertaruhan itu secara senyap, kerana kegilapan dan substansi dahulu berjalan bersama dan kini tidak semestinya begitu. Penyemak yang masih memberi kepercayaan lama akan terbakar. Penyemak yang berhenti memberinya terpaksa mengesahkan semula segala-galanya, yang merupakan cukai tersendiri ke atas setiap interaksi, bukan sekadar yang akhirnya menjadi workslop.

Bagaimana Workslop Mencairkan Pemilikan

Pemilikan dahulu jelas hampir secara kebetulan. Orang yang namanya tertera pada dokumen itu, mengikut keperluan, telah melakukan pemikiran yang menghasilkannya. Membaca kerja mereka memberitahu anda sesuatu yang boleh dipercayai tentang pertimbangan mereka, kerana tiada cara untuk memisahkan dokumen daripada penaakulan yang membinanya.

Workslop memutuskan pautan itu. Dokumen kini boleh dibaca sebagai yakin dan tersusun rapi tanpa pengarang yang dinamakan mengesahkan satu pun dakwaan di dalamnya, dan rakan sekerja yang membacanya tiada cara yang boleh dipercayai untuk membezakannya dari luar. Ketidakpastian itu bukan sekadar mewujudkan geseran, ia menghakis sesuatu yang lebih khusus: keupayaan untuk meminta sesiapa bertanggungjawab ke atas sesuatu keputusan, kerana "saya tidak tahu sepenuhnya apa yang ada di sini" menjadi jawapan yang munasabah walaupun daripada orang yang menghantarnya. Kami membincangkan sisi akauntabiliti ini secara langsung dalam membina budaya akauntabiliti, dan mekanik kepercayaan dalam bekerja bersama output berbentuk AI dalam kepercayaan apabila rakan sepasukan anda ialah AI.

Pencairan pemilikan mempunyai kesan tahap kedua yang mudah terlepas pandang: ia menghukum orang yang melakukan kerja dengan jujur. Pengurus yang tidak dapat membezakan analisis yang disahkan daripada lintasan AI yang pantas tiada cara untuk mengganjari sejam tambahan yang dihabiskan seseorang untuk menyemak angkanya. Lama-kelamaan, ini meratakan insentif untuk menyemak apa-apa, kerana menyemak tidak lagi kelihatan dan tidak lagi diganjari. Ini salah satu cara paling jelas workslop berkait dengan corak lebih luas yang dibincangkan dalam hutang budaya AI: penggunaan AI yang tidak diurus bukan sekadar menghasilkan output yang buruk, ia menulis semula secara senyap apa yang diiktiraf sebagai "melakukan kerja anda dengan baik."

Kos Kepercayaan Bertambah dengan Pantas

Kesan workslop yang paling mahal bukan masa membuat semula. Ia apa yang berlaku kepada cara rakan sekerja menilai antara satu sama lain selepas itu. Data BetterUp dan Stanford tentang ini khusus dan tidak menyenangkan: 42% penerima mengatakan mereka memandang penghantar sebagai kurang boleh dipercayai selepas menerima workslop, dan 32% mengatakan mereka akan kurang bersedia bekerja dengan individu itu lagi. Kira-kira separuh menilai penghantar sebagai kurang kreatif, berkebolehan atau boleh diharap berbanding sebelum ini, dan 53% mengatakan pengalaman itu sekadar membuatkan mereka jengkel.

Tiada kerosakan itu terhad kepada satu dokumen. Setelah rakan sekerja terbakar oleh workslop, mereka mula membaca segala-galanya daripada individu itu dengan lebih curiga, termasuk kerja yang benar-benar teliti. Cukai kesangsian itu mahal tepat kerana ia tidak memilih: ia melambatkan kerja yang baik bersama yang buruk, kerana penerima tidak lagi mempunyai cara pantas untuk mengasingkan satu daripada yang lain. Pasukan yang sampai ke tahap ini tidak lagi dapat bergerak pantas atas kepercayaan semata-mata, iaitu perkara yang menjadikan mereka pantas pada mulanya. Ini hakisan yang sama yang dibincangkan dari sudut pasukan manusia-ejen dalam budaya pasukan manusia-ejen, di mana pembahagian kerja yang tidak jelas antara manusia dan AI mewujudkan jurang kredibiliti yang sama pada peringkat struktur.

Fakta Utama

• 40% pekerja meja sepenuh masa di A.S. menerima "workslop" hasil AI daripada rakan sekerja dalam sebulan lepas, dan kira-kira 15% daripada semua yang diterima pekerja di tempat kerja kini dijana AI. Sumber: Harvard Business Review, September 2025
• Setiap kejadian workslop mengambil purata 1 jam 56 minit untuk diselesaikan oleh penerima, dianggarkan $186 bagi setiap pekerja terjejas sebulan, atau lebih $9 juta setahun dalam produktiviti yang hilang di syarikat berkakitangan 10,000 orang. Sumber: Harvard Business Review, September 2025
• 42% penerima menilai penghantar sebagai kurang boleh dipercayai selepas menerima workslop, 32% mengatakan mereka akan kurang bersedia bekerja dengan individu itu lagi, dan 53% melaporkan berasa jengkel. Sumber: Harvard Business Review, September 2025
• Workslop sebahagian besarnya masalah pengurusan, bukan masalah individu: kajian mengesan puncanya kepada mandat AI yang tidak jelas dan pasukan yang terbeban diminta "gunakan AI lebih banyak" tanpa sebarang piawaian tentang rupa output yang baik. Sumber: Harvard Business Review, Januari 2026
• Kajian KPMG dan University of Melbourne terhadap lebih 48,000 responden mendapati 57% pekerja mengaku menyembunyikan penggunaan AI mereka di tempat kerja; dalam tinjauan HBR yang berasingan terhadap 604 pengguna AI harian, hampir satu daripada tiga mengatakan mereka sengaja menyembunyikan kaedah berkaitan AI daripada rakan sekerja. Sumber: Harvard Business Review, Jun 2026
• Pekerja dalam kuartil terendah kepercayaan organisasi hampir empat kali ganda lebih cenderung menyembunyikan penggunaan AI mereka berbanding kuartil tertinggi (47% berbanding 14%), bermakna pendedahan mengikut kepercayaan, bukan dasar. Sumber: Harvard Business Review, Jun 2026

Mengapa Workslop Terus Berlaku

Mandat yang Kabur, Pasukan yang Terbeban

Penyelidikan susulan daripada Jeffrey Hancock dari Stanford, yang diterbitkan dalam HBR pada Januari 2026, mengesan workslop kembali kepada sesuatu yang biasa dan boleh dibaiki: pemimpin mengeluarkan arahan luas untuk "gunakan AI lebih banyak" tanpa pernah menentukan rupa output berbantukan AI yang boleh diterima. Gabungkan itu dengan pasukan yang sudah tertekan, dan insentif condong kuat ke arah menghantar sesuatu dengan pantas dan bukannya sesuatu yang disahkan. Tiada sesiapa berniat menghasilkan workslop. Keadaan yang menghasilkannya, piawaian yang tidak jelas ditambah tekanan masa yang nyata, sememangnya sangat pandai menjananya juga.

Inilah sebabnya menyalahkan pekerja individu atas workslop lazimnya terlepas pandang perkara pokok. Orang yang berada di bawah tekanan tarikh akhir, tanpa isyarat jelas tentang maksud "cukup baik," secara munasabah akan memilih apa sahaja yang menyiapkan sesuatu. Penyelesaiannya mesti berlaku di hulu keputusan itu, bukan selepasnya.

Perangkap Pendedahan

Kajian HBR kedua, yang diterbitkan pada Jun 2026, mendapati pekerja kerap menyembunyikan sejauh mana AI membentuk kerja mereka, dan bukan kerana tidak jujur. Tinjauan KPMG dan University of Melbourne terhadap lebih 48,000 responden mendapati 57% mengaku menyembunyikan penggunaan AI mereka di tempat kerja. Tinjauan HBR sendiri terhadap 604 pengguna AI harian mendapati hampir satu daripada tiga sengaja menyembunyikan kaedah berkaitan AI daripada rakan sekerja, dan coraknya mengikut kepercayaan organisasi hampir tepat: pekerja dalam kuartil kepercayaan terendah menyembunyikan penggunaan AI mereka pada kadar lebih tiga kali ganda berbanding pekerja dalam kuartil tertinggi.

Itu penting secara langsung untuk workslop, kerana pendedahan ialah cara paling pantas untuk menentukur seberapa banyak penelitian yang diperlukan sesuatu kerja. Apabila orang menyembunyikan penglibatan AI kerana takut kelihatan kurang berkebolehan atau diberi lebih banyak kerja, penyemak kehilangan satu-satunya isyarat yang akan memberitahu mereka supaya menyemak dengan lebih teliti. Berdiam diri tentang penggunaan AI tidak mencegah workslop. Ia hanya menjamin workslop ditemui dengan cara yang mahal, selepas ia sudah menelan masa dua jam seseorang. Kami membincangkan dengan lebih mendalam rupa pendedahan yang sihat dalam amalan dalam etika AI dan norma tempat kerja.

Norma Budaya yang Benar-benar Mencegah Workslop

Workslop tidak diselesaikan dengan mengharamkan alat AI atau dengan mempercayai setiap dokumen berbantukan AI secara lalai. Ia diselesaikan cara kebanyakan masalah usaha dan pemilikan diselesaikan: dengan menjadikan piawaian itu eksplisit dan bukannya diandaikan.

Tiada satu pun daripada ini memerlukan penggunaan AI diperlahankan. Ia memerlukan "apakah rupa yang baik di sini" dianggap soalan yang wajar dijawab sebelum alat dilancarkan, bukan selepas pengalaman buruk pertama. Piawaian bertulis yang ringkas untuk jenis tugas berulang, disemak dan dikemas kini apabila kerja berubah, berbuat lebih banyak untuk mencegah workslop daripada mana-mana dasar yang mengharamkan alat tertentu. Membina penetapan piawaian eksplisit seperti ini ke dalam rentak operasi pasukan ialah isi membina budaya sedia-AI: ia kurang tentang AI dan lebih tentang akhirnya menuliskan jangkaan yang dahulu selamat dibiarkan tersirat.

Perisian mempunyai peranan yang sempit tetapi berguna di sini. Langkah workflow yang bertanya "apa yang dibantu AI di sini" sebelum dokumen bergerak ke semakan, atau peringkat kelulusan yang menjadikan pemilikan dakwaan akhir eksplisit, ialah jenis konsistensi yang tidak glamor yang dibina untuk disokong oleh alat Work Ops Rework. Ia tidak menentukan apa piawaiannya. Ia hanya memastikan piawaian itu, setelah pasukan bersetuju dengan satu, benar-benar diterapkan setiap kali dan bukan hanya apabila seseorang teringat.

Kes yang Munasabah untuk Bersikap Skeptikal

Wajar menyanggah sedikit bingkai ini sebelum menganggapnya muktamad. "Workslop" ialah istilah melekat daripada satu kerjasama penyelidikan, bukan kategori yang disemak rakan sebaya dengan beberapa dekad replikasi di belakangnya, dan terdapat risiko sebenar menggunakannya untuk memburukkan penggunaan AI secara umum dan bukannya mod kegagalan khusus yang dihuraikannya. Banyak kerja berbantukan AI pantas, disahkan dan benar-benar baik, dan menganggap setiap dokumen yang dirangka AI dengan syak wasangka automatik hanya memperkenalkan semula cukai kesangsian dalam bentuk lain, kali ini disasarkan tanpa memilih dan bukannya kepada masalah sebenar.

Pembacaan yang lebih berguna terhadap kajian itu, termasuk susulan Hancock pada Januari 2026, ialah workslop kegagalan pengurusan dengan penyelesaian pengurusan: piawaian yang tidak jelas ditambah tekanan masa, bukan sesuatu yang wujud dalam teknologi itu sendiri. Organisasi yang bertindak balas dengan menuliskan jangkaan dan menentukur semakan cenderung melihat masalah itu mengecil. Organisasi yang bertindak balas dengan mengharamkan alat atau memalukan pekerja individu cenderung hanya menolak tingkah laku yang sama ke bawah tanah, yang menurut kajian pendedahan sudah pun berlaku pada skala yang bermakna. Pengajaran yang kekal bukan "AI menghasilkan kerja yang buruk." Ia bahawa mana-mana alat yang cukup murah untuk menghasilkan draf yang meyakinkan dalam beberapa saat memerlukan piawaian yang sama sengajanya untuk apa yang berlaku selepas draf, atau usaha yang dijimatkan di satu hujung akan muncul semula, lebih besar, di hujung yang lain.

Di Mana Ini Terletak

Workslop ialah satu gejala yang kelihatan daripada peralihan lebih luas yang sudah membentuk semula cara organisasi memikirkan usaha, kredit dan kepercayaan apabila AI berada di dalam kerja harian. Ia berkait langsung dengan hutang budaya AI, kos terkumpul melancarkan AI tanpa mengurus kesan sampingan manusianya, dan dengan penstrukturan semula lebih besar yang dihuraikan Microsoft sebagai Frontier Firm dan kebangkitan bos ejen, di mana pasukan hibrid manusia-AI menjadikan soalan pemilikan lebih penting lagi. Mod kegagalan berkaitan, kandungan AI berusaha rendah yang beredar lebih meluas, dibincangkan dalam apa itu AI slop dan mengapa ia merebak.

Tiada satu pun daripada ini diselesaikan dengan satu memo dasar. Ia diselesaikan seperti cara apa itu budaya perniagaan menghuraikan budaya dibina secara umum: melalui norma yang benar-benar dikuatkuasakan pasukan setiap hari, bukan yang tertulis pada slaid. Menamakan workslop dengan tepat, dan membina tabiat kecil, pendedahan, semakan berskala, kredit untuk pengesahan, yang menghalangnya daripada berakar, ialah langkah pertama yang konkrit ke arah rupa budaya asli-AI dalam amalan dan bukannya dalam teori.

Mudah untuk memandang remeh workslop sebagai label bijak bagi sesuatu yang sentiasa wujud: seseorang menyerahkan kerja yang lemah, dan orang lain perlu membersihkannya. Yang berbeza sekarang ialah kelajuan dan penyamarannya. Draf manusia yang lemah dahulu mengambil masa untuk dihasilkan, yang menghadkan berapa banyak yang boleh dijana seseorang. AI menghapuskan had itu, jadi jalan pintas yang sama yang dahulu menelan satu petang seseorang kini boleh menelan berjam-jam seminggu seluruh pasukan, diselubungi dengan cukup baik sehingga tiada sesiapa perasan sehingga coraknya berulang. Mendahului masalah ini tiada kaitan dengan menggunakan AI kurang. Ia bergantung pada pasukan bersetuju, dengan sengaja, tentang maksud "benar-benar siap" yang masih kekal, kemudian saling memastikan ia dipatuhi.