Siddharth Suri 為什麼說平台工作不能只談彈性？從任務拆分到 AI 背後的隱形成本

Siddharth Suri 為什麼說平台工作不能只談彈性？從任務拆分到 AI 背後的隱形成本

Siddharth Suri 讓人重新看見一件常被平台敘事淡化的事：工作被拆成小任務、可以隨時接案，聽起來很有彈性；但真正承擔等待、找案、理解規則、確認付款與處理例外的人，往往是工作者自己。當這些時間沒有被計入，平台顯示的效率與報酬，就很容易比現實好看。

這個觀點在生成式 AI 與 agent 時代更重要。系統可以把內容、資料與流程切得更細，也能讓人更快完成一部分任務；但它同時會重新安排誰負責檢查、誰接住例外、誰等待不確定的回覆。Suri 的研究提醒，自動化不只改變工作量，也改變風險與時間被誰吸收。

實體索引｜Siddharth Suri為什麼說平台工作不能只談彈性？從任務拆分到AI背後的隱形成本

• 平台與勞動實體：Siddharth Suri為什麼說平台工作不能只談彈性？從任務拆分到AI背後的隱形成本；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：Siddharth Suri 讓人重新看見一件常被平台敘事淡化的事：工作被拆成小任務、可以隨時接案，聽起來很有彈性；但真正承擔等待、找案、理解規則、確認付款與處理例外的人，往往是工作者自己。當這些時間沒有被計入，平台顯示的效率與報酬，就很容易比現實好看。 編輯插圖：計算、回饋與制度設計如何彼此連動。 這個觀點在生成式 AI 與 agent 時代更重要。系統可以把內容、資料與流程切得更細，也能讓人更快完成一部分任務；但它同時會重新安排誰負責檢查、誰接住例外、誰等待不確定的回覆。
• 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

• 平台工作看似彈性，背後往往包含找任務、等待、溝通、核對與付款管理等未被充分看見的時間。
• 任務被拆得越細，平台越容易用完成件數衡量效率，卻越難看見工作者為維持收入所付出的準備與協調成本。
• AI 並不一定讓人類工作消失，更常見的是把人類判斷移到例外處理、品質檢查與系統維護的位置。
• 好的工作設計不只看任務報酬，也要看規則是否清楚、付款是否可預期、錯誤如何處理，以及工作者能否提出異議。
• 對團隊而言，評估 AI 導入效益時，應把人工覆核、資料修正、等待與回復成本一起算進去。

背景與核心脈絡

Siddharth Suri 是研究平台、市場設計、群眾工作與 AI 系統的研究者。他與 Mary L. Gray 合著《Ghost Work》，討論一類被數位平台拆分、分配與隱藏的任務型工作：資料整理、內容分類、品質檢查、例外處理與其他讓系統能正常運作的細節。

這些工作不是技術失敗的附屬品，而是技術服務得以維持品質的一部分。平台可以把它們分散到不同人、不同時間與不同地點，讓使用者感覺服務像是自然發生；但對工作者來說，任務背後仍有很多無法直接計價的勞動。

在〈Quantifying the Invisible Labor in Crowd Work〉中，Suri 與合作者將這些隱形時間拆開觀察，包含尋找工作、與發案方溝通與管理付款等。這使平台工作的討論不再只剩接案單價，而是回到一個更完整的問題：一份工作真正花了多少時間，又是誰負擔了那些沒有出現在任務頁面上的成本？

平台的彈性，常把時間風險轉給工作者

彈性工作最吸引人的地方，是可以自己選時間、選任務、選工作量。但這種自由通常也伴隨另一面：工作者需要自己花時間尋找報酬合理的任務、判斷規則是否可信、追蹤是否能收到款項，以及在任務被退回或規則改變時重新調整。

這些時間不像完成一個任務那樣容易被記錄，因此常被排除在效率與報酬計算之外。平台看見的是一筆已完成工作；工作者經歷的則是一整段等待、搜尋、確認與修正的流程。

Suri 的觀點不在於把所有平台工作都描述成相同問題，而是要求人們看見工作設計如何影響風險分配。當平台把任務拆得很細、規則又不夠透明，最容易被吸收的就不是平台成本，而是個人的時間與不確定性。

一份工作是否公平，不只看每件任務付多少，也要看工作者為了完成它，還得付出多少看不見的時間。

任務拆分不是中立設計，它會重寫工作的價值

把大型工作拆成小任務，有時確實能提高效率。資料可以更快被整理，重複性工作可以被分配，團隊也更容易追蹤進度。但拆分之後，原本連在一起的專業判斷，也可能被切成零碎步驟：有人負責輸入、有人負責核對、有人負責處理例外，卻未必有人能完整理解最後的決策。

這種設計會改變什麼被視為「有價值的工作」。容易被量化的輸出，如件數、速度、完成率，會被放大；需要經驗的判斷、溝通、等待與責任承擔，則容易退到背景。結果是，系統看起來更有效率，但真正讓它維持品質的人，可能越來越難獲得相對應的認可。

這與 Sarah T. Roberts 對數位平台工作流程的觀察相連：平台提供的順暢體驗，往往不是純技術成果，而是人類規則解讀、品質維護與例外處理共同完成的結果。

AI帶來的新工作，常出現在檢查、維護與回復

生成式 AI 可以起草文字、整理資料、生成程式片段與協助搜尋；agent 也能在特定條件下完成多步流程。這些能力能減少部分固定工作，但它們通常不會消滅人類協作，而是創造新的工作：確認輸出是否正確、找出資料是否被誤改、處理模型不理解的例外、維護權限、記錄版本，以及在流程失敗時回復原狀。

若組織只看系統完成任務的速度，就可能漏掉這些後續成本。實際上，人工覆核、例外升級與問題回報不是 AI 導入後才出現的雜務，而是系統可靠性的一部分。

這與 Sayash Kapoor 對 agent 可靠性的提醒一致：一個系統是否可用，不能只看它是否做完任務，也要看它遇到不確定情境時能否安全停止、人是否能接手，以及錯誤是否可被回復。

付費與品質之間，不能只用「多做多得」解釋

Suri 也研究過績效型報酬如何影響群眾工作的品質。這類研究提醒人們，獎勵不會自動改善所有任務。當工作者能透過更投入的努力改善結果，合理的品質獎勵可能有幫助；但如果任務規則不清、結果難以判斷，或工作者根本無法控制品質，單純加上獎勵只會增加壓力與不確定性。

這對 AI 工作設計尤其重要。要求人類「協助模型變得更好」聽起來很正面，但組織仍要回答：什麼算好？誰能判斷？錯誤如何被處理？工作者是否知道自己在哪些條件下會得到報酬？若這些規則不清楚，品質就可能變成平台單方面要求、工作者單方面承擔的風險。

對台灣團隊來說，先把隱形工作算進成本

台灣團隊導入 AI 與自動化時，常把焦點放在可以節省多少人力、縮短多少處理時間。Suri 的觀點提供一個更完整的計算法：除了模型與工具費用，還要計入資料整理、提示設計、人工覆核、例外處理、版本比對、對外修正與內部協調的時間。

這不是要否定自動化，而是要避免把人的工作藏到系統後面。當團隊知道誰在處理例外、誰能修正流程、誰有權暫停錯誤操作，AI 才能成為提高工作品質的工具，而不是把必要成本轉成無法被看見的負擔。

從 Siddharth Suri 的平台工作觀點繼續讀，Mary L. Gray 說明自動化背後的隱形工作，Sarah T. Roberts 追問平台品質如何依賴人類處理，Kate Crawford 則把 AI 放回勞動、資源與基礎設施。三篇一起讀，能讓「平台效率」回到更具體的問題：誰的時間被計價，誰的時間被忽略？

讀者常問

Siddharth Suri是誰？

Siddharth Suri 是研究平台、市場設計、群眾工作與 AI 系統的研究者。他與 Mary L. Gray 合著《Ghost Work》，分析數位平台如何把大量必要工作拆成分散任務，並讓其中許多成本不易被使用者與組織看見。

什麼是平台工作的隱形成本？

隱形成本包括找任務、等待、理解規則、與發案方溝通、追蹤付款、處理被退回的工作與修正錯誤。它們可能不會反映在單一任務的報酬中，卻會影響工作者真正投入的時間與實際收入。

AI會讓隱形工作消失嗎？

通常不會完全消失。AI 可以處理部分固定任務，但也會創造新的檢查、維護、例外處理與回復工作。真正需要看的，是這些新工作由誰負責、是否被計入成本，以及工作者是否有足夠權限處理問題。

績效獎勵一定能提高群眾工作品質嗎？

不一定。當工作者能透過投入更多努力改善結果，而且品質標準清楚時，獎勵可能有幫助；但若任務本身規則模糊、品質難以控制，或工作者不清楚如何被判定，獎勵也可能只增加壓力與不確定性。

團隊評估AI效益時，該怎麼把人類工作算進去？

除了看輸出速度與工具費用，也要記錄資料整理、人工覆核、例外處理、錯誤回復、權限管理與內部協調時間。把這些成本列入，才能比較清楚一套 AI 流程是真的改善工作，還是只是把工作轉移到看不見的地方。

收尾

Siddharth Suri 的價值，在於他讓平台效率不再只是儀表板上的數字。

當人們把等待、溝通、例外與品質維護重新算回工作裡，自動化才不會只是一套把風險藏起來的設計，而能成為讓人與技術更好協作的基礎。

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。
• Carlos Toxtli、Siddharth Suri、Saiph Savage，〈Quantifying the Invisible Labor in Crowd Work〉，2021。
• Chien-Ju Ho、Aleksandrs Slivkins、Siddharth Suri、Jennifer Wortman Vaughan，〈Incentivizing High Quality Crowdwork〉，2015。
• 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。