Mary L. Gray、Siddharth Suri《Ghost Work》為什麼讓 AI 自動化不是真的無人？看不見的人類勞動才是系統底座

Mary L. Gray、Siddharth Suri《Ghost Work》為什麼讓 AI 自動化不是真的無人？看不見的人類勞動才是系統底座

AI最容易被誤解的地方，是它看起來像在自己運作：自動辨識、自動推薦、自動回覆、自動審核。但Mary L. Gray與Siddharth Suri在《Ghost Work》提醒人，許多所謂自動化服務，其實依賴大量人類在背後做標註、驗證、分類、修正與例外處理。系統之所以像魔法，往往重點落在因為人的工作被藏得足夠深。

「幽靈勞動」不是一般接案、外送或自由工作者的同義詞。它更接近一種被平台切碎、按任務分配、常常不被客戶看見的數位工作：有人替模型判讀資料、檢查商品、處理異常、審核內容，或把機器無法理解的灰色地帶轉成系統可以繼續運作的答案。真正值得問的重點落在：誰承擔不穩定、誰得到保障、誰又能從「無人化」的想像裡獲利？

實體索引｜Mary L. Gray、Siddharth Suri 與《Ghost Work》

• 人物：Mary L. Gray 與 Siddharth Suri，研究數位平台與看不見的勞動。
• 著作：《Ghost Work》，分析 AI 與自動化背後由人完成的微任務與彈性工作。
• 系統底座：資料標註、搜尋品質評估、內容分類、語音轉錄與例外處理，讓模型與平台看起來像能自行運作。
• 核心主題：自動化不是無人；勞動只是在介面、外包合約與資料流程中被隱藏。

快速抓住這篇文章

• 《Ghost Work》重點落在指出許多自動化系統仍仰賴人類處理機器做不好的細節與例外。
• 幽靈勞動常以微型任務、遠端接案與按件計酬形式存在，工作者的貢獻卻不一定被使用者、客戶或投資者看見。
• 彈性對部分工作者確實有價值，但若收入、任務、申訴與保障完全由平台決定，彈性也可能變成不穩定的另一個名字。
• AI系統背後的人類工作除了包括資料標註，也包括品質檢查、內容審核、例外處理、支付管理與平台規則適應。
• 真正負責的AI，不該只談模型能力，也要讓工作內容、報酬、風險、可見性與集體協商被納入設計。

Mary L. Gray、Siddharth Suri、《Ghost Work》與幽靈勞動

名稱	在作品中的位置	今天仍值得追問的問題
Mary L. Gray	研究數位經濟、勞動與人權的學者	平台如何改變工作、身份與保障條件
Siddharth Suri	研究群眾工作與計算社會科學的研究者	數位任務市場如何組織人類判斷與協作
Ghost Work	2019年出版的重要著作	看似自動化的服務如何依賴被隱形的人類勞動
幽靈勞動	書中的核心概念	人類工作如何被包裝成系統自動完成的流程
微型任務	平台勞動的重要形式	工作如何被切碎、按件分派、計價與評估

《Ghost Work: How to Stop Silicon Valley from Building a New Global Underclass》出版於2019年。Gray與Suri研究大量按任務分配、透過網路完成的工作，指出這些工作者並非自動化的過渡階段，而是許多數位服務長期依賴的基礎。只要系統需要辨認模糊語言、理解情境、處理例外、確認品質或修正錯誤，人類判斷就不會輕易退出流程。

自動化沒有讓人消失，而是把人移到看不見的地方

當使用者看到一個流暢的AI功能，往往很難想像背後還有人參與。系統可能需要人幫忙整理訓練資料、比對結果、分類例外、確認服務品質、處理客訴，或在模型無法判斷時做最後決定。這些任務可能被切成極小單位，分配給不同地區、不同時間帶的工作者。

這種安排讓平台可以維持「快速、可擴張、像自動運作」的形象，但也容易讓人忽略：每一次看似沒有人的判定，可能都建立在某個人曾經投入的注意力與判斷上。幽靈勞動的關鍵重點落在它的存在被系統設計成不必被看見。

幽靈勞動不是一般自由接案，差別在於任務、可見度與控制權

自由工作者、接案者與平台工作者的處境很多元，不能一概而論。有人確實因為彈性工時、遠端工作或額外收入而選擇任務型工作。但Gray與Suri特別關心的是另一種條件：工作被切成極小片段，工作者通常無法看見完整產品、無法與客戶協商，也很難知道自己做出的判斷最後被如何使用。

當平台決定任務價格、任務是否出現、評價是否成立、帳號能否繼續使用，而工作者缺乏穩定收入、申訴管道與集體談判能力時，所謂自由就會變得很脆弱。問題不在於任務工作本身，而在於誰掌握規則、誰承擔空檔與錯誤的成本。

微型任務看似很小，卻把大量看不見的時間留給工作者

平台常以任務完成量計價：標一張圖、判一段文字、檢查一筆資料、確認一個結果。這種計價方式看起來清楚，但它容易忽略任務之外的時間：找工作、理解規則、等待任務、處理拒付、檢查評價、回覆訊息、維持帳號狀態。這些時間未必被算進報酬，卻是工作能持續進行的必要條件。

這也是幽靈勞動最容易被低估的地方。當工作被拆得越細，平台越容易把它描述成簡單、快速、可替換的操作；但對工作者來說，真正的工作常包含大量無法被平台介面承認的等待、學習、風險與自我管理。

AI的「例外」為什麼常常是人類勞動的日常

自動化系統最擅長處理重複且規則清楚的事情，但真實世界充滿例外。語言會有雙關，影像會有模糊情境，交易會有爭議，內容會有新聞價值與文化脈絡，使用者也會遇到系統沒預期到的問題。這些例外通常重點落在服務能不能被信任的關鍵。

平台把例外交給人處理，並不必然有問題。真正需要警覺的是，企業是否把人類判斷當成可隨時壓低成本的補丁，卻仍以「全自動」「AI驅動」作為產品形象。當人只在系統出錯時被叫進來，卻沒有相應的報酬、權利與認可，AI的效率就建立在不對稱的勞動關係上。

幽靈勞動和內容審核有什麼關係

Sarah T. Roberts關心的內容審核，是幽靈勞動最具衝擊力的一部分：工作者必須處理暴力、剝削、仇恨與令人不安的內容，讓平台看起來安全。Gray與Suri的視角更廣，還包括資料標註、驗證、分類、商品檢查與服務例外處理。

• Roberts：誰承擔維持平台安全的心理與勞動成本。
• Gray、Suri：誰替自動化系統完成被切碎、不可見且難以談判的日常判斷。
• Crawford：AI如何依賴更廣的資源、資料與勞動供應鏈。
• Srnicek：平台如何透過入口、規則與資料重組市場與勞動。

把這些觀點放在一起，會看見AI並不是只有工程師、模型與使用者。它也是一個由不同層次的人類勞動支撐的系統，而最靠近風險與例外的人，往往最不容易被看見。

彈性和保障不必二選一，問題是工作者能不能談條件

批評幽靈勞動，不應變成替所有工作者決定他們不需要彈性。對照顧者、身心狀況不穩定的人、居住在工作機會較少地區的人，任務型工作可能確實提供重要選項。Gray與Suri的核心重點落在要求彈性不能以沒有保障為前提。

較合理的問題是：工作者能否知道報酬如何計算？能否對不合理的拒付提出異議？能否累積可帶走的評價與技能？平台是否承認等待、溝通與管理任務的時間？工作者能否建立協作與談判的管道？彈性若沒有這些條件，很容易只剩企業把風險下放的方式。

AI時代，幽靈勞動不會消失，只會換成更難辨認的形式

生成式AI讓許多人以為人類工作會迅速退場。但模型越廣泛進入內容、客服、翻譯、教育、商業與公共服務，越需要有人處理資料品質、風險案例、偏差回報、使用者申訴與模型輸出造成的例外。自動化可以改變工作內容，不等於自動消除人類勞動。

更值得注意的是，AI可能讓幽靈勞動更難辨認。工作不一定再被叫作標註或微任務，它可能以品質保證、紅隊測試、資料清理、內容核對、客服升級與平台運營等名稱出現。無論名稱怎麼變，核心問題仍然一樣：誰讓系統看起來聰明，誰又能分享它所創造的價值？

對台灣讀者來說，AI工作不只是在學會用工具

台灣談AI工作時，常集中在會不會被取代、要學什麼提示詞、怎麼提高個人生產力。這些問題重要，但《Ghost Work》提醒人，還要看見另一面：當企業把工作拆成更細的驗證、校對、審核與資料任務時，誰會接手？工作條件是否透明？本地語言與文化脈絡的處理，是否被合理計價與承認？

對內容工作者、接案者與平台勞動者來說，真正重要的除了是學會跟AI協作，也要保有對工作成果、報酬、信用與流程的談判能力。若所有人只被當成隨時可替換的「人工補丁」，AI帶來的重點落在更精細的不穩定。

對讀者的實際意義

讀《Ghost Work》最實用的地方，是在看到「全自動」「AI驅動」時多問一句：這套系統裡誰仍在做判斷？他們的工作是否被看見、合理計價、保護與尊重？這個問題不會否定技術，而是讓人不再把無人化想像建立在對人類勞動的遺忘上。

讀者常問

Ghost Work是什麼？

Ghost Work指大量被隱形的人類數位勞動：工作者透過平台完成標註、分類、驗證、修正與例外處理，讓使用者以為服務是由系統自動完成。它不等於所有自由接案或零工工作。

AI背後為什麼還需要人類工作者？

因為真實世界有大量模糊情境與例外。資料需要整理與檢查，模型輸出需要驗證，內容需要處理脈絡與風險，使用者問題也需要有人接手。自動化通常改變人類工作的位置，而非完全取代它。

幽靈勞動都是剝削嗎？

不能一概而論。任務型工作可能提供部分人需要的彈性與收入來源；但若報酬不透明、任務不穩定、帳號缺乏保障、申訴困難且風險由工作者承擔，彈性就可能變成不穩定的包裝。

平台應該如何改善幽靈勞動條件？

基本方向包括清楚報酬與規則、合理計入等待與管理時間、提供申訴與帳號保障、保護高風險工作者、讓技能與評價可被累積，以及建立工作者能協作與談判的機制。

Gray與Suri留下的，不是反對自動化

《Ghost Work》真正留下的，是一個關於誠實的問題。自動化可以很有用，但它不該靠假裝人已經不存在來創造價值。當人類判斷仍是系統底座，工作者就不該只在出錯時被看見，而應在規則、報酬與未來設計裡擁有位置。