Mary L. Gray 為什麼說 AI 看似自動，背後仍有大量人？從隱形工作看平台與生成式 AI

Mary L. Gray 為什麼說 AI 看似自動，背後仍有大量人？從隱形工作看平台與生成式 AI

Mary L. Gray 最重要的提醒是，許多看起來「自動完成」的數位服務，背後其實仍有大量人力在整理資料、處理例外、維護品質與補上系統看不懂的地方。AI 能把部分工作流程加速，卻不會因此讓人類判斷消失；它往往只是把這些判斷移到使用者看不見、組織也不一定計入成本的位置。

Gray 與 Siddharth Suri 所說的 ghost work，真正值得注意的不是「人類還在幫機器做事」這個反差，而是自動化的承諾如何改變工作的可見性。當一項任務被拆成零碎、按件、隨時待命的工作，企業很容易只看見系統輸出的速度，卻忽略那些讓系統能正常運作的人，是否擁有足夠的時間、報酬、資訊與協商空間。

實體索引｜Mary L. Gray為什麼說AI看似自動，背後仍有大量人？從隱形工作看平台與生成式AI

• 平台與勞動實體：Mary L. Gray為什麼說AI看似自動，背後仍有大量人？從隱形工作看平台與生成式AI；核對平台、發案方、工作者、任務、演算法、資料、報酬、規則與研究來源。
• 原文錨點：Mary L. Gray 最重要的提醒是，許多看起來「自動完成」的數位服務，背後其實仍有大量人力在整理資料、處理例外、維護品質與補上系統看不懂的地方。AI 能把部分工作流程加速，卻不會因此讓人類判斷消失；它往往只是把這些判斷移到使用者看不見、組織也不一定計入成本的位置。 編輯插圖：計算、回饋與制度設計如何彼此連動。 Gray 與 Siddharth Suri 所說的 ghost work，真正值得注意的不是「人類還在幫機器做事」這個反差，而是自動化的承諾如何改變工作的可見性。
• 權力脈絡：把任務拆分、評分、資訊可見度、彈性、隱形工作、議價與申訴分開，說明自動化如何重新分配成本。
• 編輯界線：區分平台宣稱、工作者經驗、研究證據與評論，不把「自動」或「彈性」直接寫成中立結果。

快速抓住這篇文章

• AI 與平台服務常依賴大量人類完成資料整理、品質檢查、例外處理與工作流程維護。
• 「自動化」通常不等於人力消失，更常見的是工作被拆散、移轉，或從產品表面被隱藏。
• 若企業只計算模型或平台的速度，卻忽略人類協作、監督與回復成本，就容易高估自動化效益。
• 真正成熟的 AI 導入，應把人的角色設計成有判斷權、能回報問題、能處理例外的工作，而不是把人當成隨時可替換的背景。
• 對台灣團隊來說，導入生成式 AI 或 agent 前，先盤點「誰在處理例外」比先追求全自動更重要。

背景與核心脈絡

Mary L. Gray 是研究數位經濟、勞動與科技文化的學者。她與 Siddharth Suri 合著《Ghost Work》，把一種常被科技敘事遮住的現象帶到檯面：許多平台與 AI 系統之所以看起來順暢，往往不是因為機器已經完全理解世界，而是因為有人在後面處理機器無法處理的細節。

這些工作可能包括資料分類、內容整理、品質核對、回覆例外、修正格式、確認結果，或在系統卡住時完成最後一段人類判斷。它們不一定是固定職位，也未必會被產品使用者看見；但只要系統要面對不完整資料、模糊指令或變動環境，這類工作就會變得不可或缺。

Gray 的觀點和 Kate Crawford 對 AI 物質與勞動系統的提醒相連，也能補充 Meredith Whittaker 對 AI 基礎設施與權力集中的分析：AI 並不是一個漂浮在雲端的抽象能力，而是一整套由資料、硬體、平台、流程與人共同維持的系統。

自動化最常被忽略的，不是技術，而是例外

系統最容易處理的是重複、格式固定、答案明確的任務。但真實工作很少永遠保持固定：客戶會提出模糊問題，資料會缺欄位，文件會有錯字，網頁會更新，規則之間也會出現衝突。這些例外不會因為模型能力提升就完全消失，而是需要有人判斷應該如何處理。

因此，很多所謂全自動流程，實際上更接近「自動處理大部分情況，再由人接住剩下的部分」。問題不在於這樣的分工本身，而在於組織是否誠實承認它。若例外工作被當成隱形成本，前線人員就可能承受更高壓力，使用者也不知道系統其實並沒有像宣傳那樣獨立運作。

一套系統是否真的成熟，不只看它能自動完成多少事，也要看它遇到例外時，誰能接住、怎麼接住。

隱形工作會讓效率看起來比實際更高

當工作被拆成零碎任務，平台或組織很容易只計算可見的一段：一筆任務完成要多久、一個輸出成本多少、一個流程縮短了幾分鐘。但工作者實際投入的時間，往往還包括找任務、理解規則、確認付款、處理工具問題、等待回覆、比對格式與修正錯誤。

這些準備與維護工作未必會出現在儀表板上，卻會直接影響真實成本。若它們沒有被算進去，組織就可能誤以為自動化帶來了更高效率，實際上只是把必要的時間與風險轉移到比較沒有議價能力的人身上。

這也是為什麼討論 AI 勞動時，不該只問「會不會取代工作」。更值得問的是，工作會如何被重新拆分？哪些人得到更有創造性的任務？哪些人留下來處理最零碎、最難被認可、卻最關鍵的部分？

AI不會取代所有判斷，它會重新安排誰有判斷權

Gray 的分析可以幫助人們看見，自動化不是單純的「人被機器取代」，而是判斷權被重新配置。系統可能先替人做初步分類、排序與建議；但當情況不符合預設規則時，仍需要有人決定是否例外、如何調整、誰可以被優先處理。

這些判斷如果被集中在少數管理者或平台規則裡，前線工作者就可能只能按指令處理，卻無法回報系統的盲點。反過來說，若組織願意保留人類回饋、例外標記與流程修正的權限，AI 才能成為讓人更有效工作的工具，而不是把人困在系統缺口裡的機制。

Sarah T. Roberts 對數位內容處理工作的研究，正好提供另一個角度：平台看似流暢的使用體驗，常依賴一套人類審核、規則解讀與品質維護的流程。把這些人看見，才能理解技術系統真正靠什麼維持。

生成式AI與agent時代，隱形工作只會換形，不會消失

生成式 AI 能協助寫初稿、整理會議、翻譯內容與產生程式範例；agent 也能串接工具、完成多步任務。這些能力確實可能減少部分重複工作，但它們同時會創造新的檢查需求：誰確認輸出正確？誰追蹤資料是否被改錯？誰處理例外？誰決定系統可以做到哪一步？

若這些工作沒有被設計進流程，團隊常會在導入後才發現：原本省下的時間，變成更多人工覆核、版本比對、權限管理與對外補救。這不是生成式 AI 沒有價值，而是任何工具的效益都必須連同它帶來的新工作一起計算。

這和 Sayash Kapoor 對 agent 可靠性的提醒相呼應。判斷一個 agent 能否進入工作流程，不能只看它是否完成任務，還要看系統出錯後是否能安全停止、能否回復，以及人是否仍能接手。

對台灣團隊來說，先把人的位置設計好，再談全自動

台灣企業與內容團隊正在快速導入生成式 AI、客服工具與流程 agent。真正有價值的起點，不是把人從流程中拿掉，而是先畫出完整工作地圖：哪些任務適合工具處理、哪些需要人類確認、哪些例外必須升級處理、誰能修改規則、誰能對外負責。

對內容工作來說，AI 可以協助列題、摘要、整理訪談、產出初稿與建立檢查清單；但事實判斷、脈絡取捨、品牌語氣、敏感議題與正式發布，仍需要清楚的人類責任。把人放在真正需要判斷的位置，通常比追求看起來漂亮的全自動更可靠。

從 Mary L. Gray 的觀點繼續讀，Sarah T. Roberts 解釋數位平台如何依賴人類處理與判斷，Kate Crawford 把 AI 放回勞動、資源與基礎設施，Sayash Kapoor 則提醒 agent 的成功率不能取代可回復的工作設計。三篇一起讀，能讓「AI 自動化」回到一個更準確的問題：它重新安排了誰的工作、誰的時間與誰的責任？

讀者常問

Mary L. Gray是誰？

Mary L. Gray 是研究數位經濟、勞動與科技文化的學者。她與 Siddharth Suri 合著《Ghost Work》，討論平台與 AI 系統背後那些經常不被使用者看見、卻讓服務得以維持的人類工作。

什麼是ghost work？

Ghost work 指一類常被隱藏在自動化服務背後的任務型工作，例如資料整理、標註、品質檢查、例外處理與流程維護。使用者可能以為服務完全由系統完成，但實際上仍有大量人力支撐它的穩定運作。

AI自動化是不是一定會減少工作？

不一定。AI 常會減少某些固定任務，同時增加新的工作，例如檢查輸出、處理例外、維護資料、管理權限與修正流程。更重要的不是工作總量是否下降，而是工作如何被重新分配，以及誰承擔那些不容易被看見的部分。

為什麼隱形工作會影響AI效益評估？

若組織只計算模型速度或任務輸出，卻不計入人類準備、監督、修正與回復的時間，就會高估自動化效益。完整評估應把人類協作與例外處理也算進成本與流程設計。

導入AI agent時怎麼避免把人變成隱形成本？

先明確定義誰負責檢查、誰能處理例外、誰能調整規則，以及哪些操作需要人工確認。把人工覆核、回報機制與可回復流程設計進工作本身，才能避免系統把必要工作轉成沒有被承認的額外負擔。

收尾

Mary L. Gray 的價值，在於她讓人看見自動化背後仍存在的人。

真正值得追求的，不是讓人類從畫面裡消失，而是讓每一個仍然必要的判斷、維護與例外處理，都有合理的位置、清楚的責任與被看見的價值。

參考資料

• Mary L. Gray、Siddharth Suri，《Ghost Work: How to Stop Silicon Valley from Building a New Global Underclass》，Houghton Mifflin Harcourt，2019。
• Mary L. Gray、Siddharth Suri，〈The Ghost Workers Behind the AI Revolution〉，相關公開研究與訪談。
• Carlos Toxtli、Siddharth Suri、Saiph Savage，〈Quantifying the Invisible Labor in Crowd Work〉，2021。
• Sarah T. Roberts，《Behind the Screen: Content Moderation in the Shadows of Social Media》，Yale University Press，2019。
• Kate Crawford，《Atlas of AI》，Yale University Press，2021。