接案工作者何時把決策權從 AI 拿回來

1. 基本資訊

作者為 Lars Andraschko 與 Pauline Weritz，2026 年發表於 Electronic Markets，DOI 為 10.1007/s12525-026-00894-z。本文聚焦生成式 AI 進入線上勞動平台後，工作者如何在高度委派之後重新奪回主導權。就主題而言，它明確落在 management 與 AI applications 的交界，與人機協作、平台治理、數位勞動、工作者能動性都高度相關。期刊品質方面，本文出自 Springer 旗下的 Electronic Markets，可合理視為資訊系統與數位平台研究中的成熟期刊；但我這次沒有從官方索引頁面直接核對到最新 SSCI/Scopus 分區，因此只能保守標示為「高品質期刊、索引細項未在本輪完全獨立確認」。

2. 研究問題

這篇文章真正想問的是：當平台工作者把部分工作判斷與產出委派給 GenAI 後，什麼情境會讓他們開始感到不對勁，進而重新把決策權抓回自己手上？作者不只關心「人會不會用 AI」，而是進一步追問「人在用了 AI 之後，何時會重新介入、為什麼要重新介入」。這個問題比一般技術採用研究更深，因為它觸及工作控制權、責任歸屬與人類主體性的變化。

3. 理論基礎

理論上，本文主要結合兩條線。第一條是 Leonardi 提出的 human agency loop，用來說明人在與技術互動時，會經歷委派、歸因、控制感變動，以及在某些偶發情境下重新配置權力。第二條是 Festinger 的認知失調理論，用來解釋當工作者發現 AI 產出與自己的信念、專業責任或外部規範衝突時，會產生心理不一致與不適感。作者的關鍵創見是把這種「不舒服」從負面副產品改寫成一種驅動機制，認為它可能正是人類重新主張 agency 的起點。

4. 研究架構

整體架構是「環境觸發因素 -> 認知失調 -> agency 與 deliberate reassertion」。前段的環境觸發因素包含技術失效、倫理疑慮、法律挑戰與公共爭議等，這些事件會讓工作者意識到單純依賴 GenAI 並不安全。中段的核心中介是 cognitive dissonance，也就是工作者感受到自己原本的期待、價值與實際使用經驗出現矛盾。後段則分成兩個結果，一個是既有的人類 agency 受到壓縮，另一個是工作者反而因為這種壓力而採取 deliberate reassertion，重新把監督、修正與最終判斷收回自己手中。

5. 假設邏輯

作者的邏輯不是單純說「AI 越差，人越不用」，而是更細地主張：外部衝突事件會先製造心理失調，這種失調會同時帶來兩種看似相反的結果。第一，它讓人感到控制感下降，因而削弱當下的主體感。第二，它又會刺激人採取補救動作，例如提高審查密度、減少盲目委派、重新確認責任邊界。換句話說，認知失調在這裡不是純負面，而是一種讓人從「自動依賴 AI」轉向「有意識重新接管」的觸發器。這也是本文最值得記住的命題：GenAI 使用中的張力不只是風險，也可能是重新激活人類 agency 的必要條件。

6. 方法

本文採量化研究設計，以 232 位英國線上勞動平台工作者為樣本，對象皆有在工作情境中使用 GenAI 的經驗。研究透過問卷蒐集工作者對技術、倫理、法律與社會爭議等觸發因素的感受，並測量其認知失調、人類 agency 感知與 deliberate reassertion 傾向。從摘要與 note 可知，作者以實證模型檢驗這些路徑關係，目的是把環境條件、心理張力與後續行為反應串成一個完整機制。這種設計適合建立理論模型，但也保留了典型問卷研究的限制，例如時間序列不足與自陳偏誤。

7. 結果

研究結果支持作者的整體推論。四類環境觸發因素都會提高平台工作者的認知失調，而認知失調一方面壓縮了工作者原本穩定的人類 agency 感，另一方面也與 deliberate reassertion 顯著相關。也就是說，工作者越覺得 AI 使用帶來不一致、風險或責任壓力，就越可能重新介入決策、修正輸出、收回部分控制權。這個結果說明人機互動不是線性走向「更多自動化、更多放手」，而是可能出現反身性反彈，讓人重新建立判斷邊界。

8. 理論貢獻

理論上，本文最重要的貢獻有三點。第一，它把 agency loop 從偏概念性的討論往前推進到可驗證的實證模型。第二，它用認知失調把「偶發事件」與「重新主張 agency」之間缺失的心理機制補上，讓理論不再只停留在描述層次。第三，它指出 GenAI 不是只會造成 automation dependence 或 algorithmic aversion，而是可能誘發更複雜的動態循環：人先依賴，後來因失調而重新接管。這對 management、IS 與 platform governance 研究都很有價值，因為它重新定義了人機協作中的張力角色。

9. 實務意涵

對平台、企業與管理者來說，這篇最可用的啟示是：不要把重新人工介入視為員工抗拒技術，而要把它看成系統治理中的必要設計。若 GenAI 已被導入工作流程，就應該同時設計讓人能「安全地收回控制權」的機制，例如人工覆核節點、責任標示、輸出可追溯性、爭議升級流程與介面上的再確認提示。尤其在平台工作場景中，AI 的錯誤不只影響效率，還會影響收入、信譽與法遵風險，因此 deliberate reassertion 其實可以被視為健康的風險治理能力，而不是低效率訊號。

10. 研究限制

本文的主要限制首先是橫斷式調查，因此難以真的捕捉 agency 在時間中的循環變化；理論講的是動態過程，但資料仍是單一時點。第二，樣本集中於英國的線上勞動平台工作者，對一般企業員工、正式組織內部流程或不同法規環境能否同樣成立，還需要更多比較。第三，問卷設計可以驗證變項間關聯，但較難細緻呈現工作者何時決定「不再信任這一步 AI」、或不同類型 GenAI 任務是否會觸發不同強度的 reassertion。這些都是後續研究可以補強的地方。

11. 對我研究的啟發

這篇對我的研究最有價值的地方，在於它提供了一個很可重用的中介邏輯：不是直接討論 AI 是否提升績效，而是先看 AI 使用情境如何製造心理張力，再看這種張力如何改變人的判斷、依附、介入與學習行為。如果我之後做教育、組織學習、AI adoption 或 human-AI collaboration 研究，這個框架都能轉寫成新的模型。比如在教育場景裡，可以把「deliberate reassertion」改成學生或教師的主動驗證、反思修正或重新掌握學習主導權；在組織場景裡，則可改成員工對 AI 建議的覆核、拒用或再設計行為。更重要的是，它提醒我不要把負面感受只當控制變項，因為像認知失調這種看似負面的心理狀態，反而可能是驅動更高層次 agency 與反思性學習的核心機制。

12. 整體評價

我會把這篇評為今天非常值得讀的一篇新文。原因不是它的方法最複雜，而是它精準切中當前 GenAI 工作研究最關鍵的一個缺口：人不是只會採用或拒絕 AI，而會在使用過程中反覆協商控制權。本文的理論組裝很聰明，把 agency 與認知失調接起來後，能同時解釋依賴、焦慮與重新接管三件事。對管理與 AI 應用研究者而言，它的可重用性很高，因為我可以把同樣機制搬到平台工作、知識工作、教育科技、甚至 AI 輔助決策等多種脈絡。若要挑缺點，則是目前證據仍偏單一國家、單一方法，對長期演化與跨情境比較還不夠。但整體來說，這篇兼具新穎性、理論連結性與研究延展性，是很適合拿來當後續 human-AI collaboration 研究底稿的文章。