AI 與人的判斷
AI 時代的認知負荷：Decision Pulse 讓你釐清工作節奏與決策壓力
約 3 分鐘AI、認知負荷、決策、AI 導入、HR
重點摘要
- 用 AI 工作後更累，可能不是因為事情變多，而是一天之內要做的判斷變多了。
- AI 交出初稿和多個版本之後，檢查、比較、修改和拍板仍然落在人身上，導入 AI 時算效益很容易漏掉這一段。
- 決策密度上升、恢復窗口縮短、認知疲勞累積、判斷變吃力，是一條值得留意的連鎖反應。
- Decision Pulse 分析電腦上的 AI 對話紀錄，把回應密度、對話切換和連續工作時間做成一頁儀表板，讓平常察覺不到的節奏變得可見。
- 這些數字是觀察節奏的訊號，不能用來評斷決策品質，適合當成個人和團隊討論工作量的起點。
為什麼用 AI 之後反而更累？
用 AI 工作後更累，可能不是因為事情變多，而是一天之內要做的判斷變多了。好幾個朋友都問過同一句話：「用了 AI 之後，怎麼反而更累？」我也有同感，事情做得更快，一天結束腦袋卻像沒停過。後來我發現，累不只來自做了多少事，也來自一天要判斷多少次。
現在 AI 幾分鐘就給出初稿，甚至一次好幾版，每份後面都跟著一串問題：對不對、能不能用、哪版比較好、要改到什麼程度。單看都是小決定，放進一整天就是一個接一個。AI 很快交出下一份，人卻得持續檢視、選擇、拍板。
一位前輩在 HR AI 交流群組分享的簡報，畫出一條連鎖反應：決策密度上升，恢復窗口縮短，認知疲勞累積，判斷變得吃力。簡報裡那句「要管的是進出水，不是罵水庫」，讓我開始問：導入 AI 時大家會算省下多少時間，那些要人來審的工作有沒有被算進去？
先看見自己的節奏
帶著這個問題，我做了 Decision Pulse。它讀取電腦上當天的 AI 對話紀錄，整理成一頁儀表板，顯示哪些時段密集回應 AI、在幾個對話之間切換、多久沒有停下，以及是否常在 AI 長篇回覆之後很快接著下指令。
我用自己 9/22 的紀錄試了一次：那天跟 AI 對話約三小時，發出 144 則訊息，平均每活躍小時約 47 則。下午兩點到三點最密集，一小時 49 則；14:15 到 14:28 這 13 分鐘，我在 5 個對話之間切換了 11 次。看完紀錄我才發現，那天的事情並不是一件做完再做下一件，我一直帶著好幾件沒結束的事，回頭檢查、再下判斷。
這些數字有它的限制：一則訊息不等於一次決策，快速回覆也不代表判斷錯誤。我無法從數字推論自己的判斷品質有沒有下降，工具做的是讓難以察覺的密集回應和切換被看見。
導入 AI 之後，工作量該怎麼算？
除了產出數量，檢查、比較、修改和承擔結果的時間也要算進工作量。身為 HR，我希望把這個問題帶進 AI 導入的討論。AI 幫忙產出更多版本，製作時間或許少了，檢查、比較、修改和承擔結果的工作卻還在人身上，只看產出數量就會漏掉。Decision Pulse 是我先從自己開始觀察的方式，也是一個起點，讓個人和團隊具體討論：哪些判斷真的需要人做？檢視 AI 產出的時間，有沒有算進工作裡？
工具目前讀取電腦上的 Claude Code 與 Codex 對話紀錄，Skill 可裝在 Claude Code、Codex、GitHub Copilot、Gemini CLI 和 Cursor，資料留在自己的電腦上。
你可以帶走的 3 件事
- 回想最近覺得特別累的一天，數數 AI 交出結果後你要判斷幾次，而不是只看完成了幾件事。
- 評估團隊導入 AI 的效益時，把檢查、比較、修改和承擔結果的時間一起算進工作量。
- 用 Decision Pulse 這類工具看一次自己的回應密度和對話切換，把結果當成跟團隊討論「哪些判斷一定要人做」的起點，不拿來評斷個人表現。