為什麼不同人從生成式 AI 中獲益不同

一項 2023 年發表的職業寫作研究，讓四百多名職業人士在線完成兩份二三十分鐘的寫作任務。第一份任務所有人都自己寫；第二份任務，隨機抽出的一半人可以使用 ChatGPT。結果很整齊：用了 AI 的人用時減少約 40%，評分提高 18%，而且第一份任務成績較低的人，第二份的提升更大。[1]

另一項研究跟蹤了一家企業的 5,172 名客服人員。公司分批給他們上線了一個基於生成式 AI 的回覆建議工具。整體上每小時解決的問題多了 15%；技能最低的那五分之一員工提升了 36%，而最有經驗的客服幾乎沒有變快，質量還略有下降。[2]

如果只看這兩項，很容易得出一個簡單的結論：生成式 AI 是拉平差距的工具，幫助落後者，對領先者作用不大。

但再看兩項研究。在肯尼亞，640 位小企業主被隨機分成兩組，一組獲得一個通過 WhatsApp 提供經營建議的 GPT-4 助手，持續約五個月。平均下來沒有檢出顯著收益。拆開看，基線績效高的企業主點估計是正向的，基線低的則顯著變差。兩組收到的建議差不多，過程數據提示差別可能出在實施方式上。[3] 另一項研究裡，16 位有經驗的開源維護者被允許在隨機抽出的一部分任務上使用 2025 年初的 AI 編程工具組合。他們事先預計會快 24%，實際慢了 19%。[4]

同一類工具，為什麼有時縮小差距，有時放大差距，有時讓有經驗的維護者變慢？

這篇文章想回答的就是這個問題。它不是系統綜述，而是一次聚焦閱讀：我挑出 14 項實證研究，它們都以真人為被試、測量了人完成任務的表現；其中 13 項按事前特徵（經驗、基線成績、教育、專長身份、獨立測驗）報告了差異，另一項，也就是開源維護者研究，只報告了平均效應，因為它劃定了執行型工具的證據邊界而被納入。加上一小批關於測量的文獻，我試圖把表面上矛盾的結果放到同一個比較框架裡看：人是誰，做的是什麼任務，人和 AI 怎麼分工，測的是什麼結果。這四個維度是用來組織比較的，不是已經識別出來的因果模型。讀到最後你會發現，這 14 項研究並不支持任何“弱者總是更獲益”或“強者總是更獲益”的規律；但它們確實能說清楚，在哪些具體研究裡、哪種結果、朝哪個方向，以及哪些判斷目前還只能是候選。

顯示差距縮小的研究

先看那些顯示差距縮小的研究。它們各自測的東西並不相同。

寫作研究之外，兩項編程研究分別考察了用時與產出數量。GitHub 的研究者招募了 95 名開發者，一半可以用 Copilot 代碼補全工具，讓他們實現一個 HTTP 服務器。在完成了任務的人裡，用 Copilot 的平均用時少了 55.8%。按自報的經驗年限分層，經驗越長收益越小，不過這只是提示性的結果，沒有達到常規的顯著水平，而且分析只針對完成了任務的人，每組 35 人。[5] 後來這一團隊的部分成員參與了三項企業內部的現場實驗，覆蓋 4,867 名開發者，發現 Copilot 讓完成的任務數增加約 26%。這個數字是在工具變量假設下得到的局部效應，針對的是因隨機分配而改變了使用狀態的那部分人，既不是全部使用者的平均效應，也不是全部被分配者的平均效應。在 Microsoft 的子樣本里，初級開發者的 PR 增幅是 40%，資深者是 7%，看起來差異很大，但這個差異在統計上並不顯著。[6]

再看質量。一項在線實驗把 1,174 名參與者隨機分組，用 GPT-4.1 完成一項商業問題任務。不同學歷的人之間原本有 0.548 個標準差的成績差距，用上 AI 之後縮小到 0.139，大約縮小了四分之三。[7] 另一項實驗讓 293 位寫作者寫八句話的短篇故事，隨機給其中一部分人 0 個、1 個或 5 個 GPT-4 生成的故事創意，再由 600 名讀者評價。給 5 個創意時，新穎性提升 8.1%，有用性提升 9.0%；按一項獨立於任務的創造力測驗（發散聯想任務，DAT）分層，得分低的寫作者新穎性提升了 6% 到 11%，得分高的提升較小。附帶的代價是，用了 AI 的故事彼此更相像。[8] 一項以波士頓諮詢公司顧問為被試的大型實驗裡，前沿內研究共 385 名顧問，在 18 項研究者設計的諮詢任務上，隨機分到 GPT-4 條件的人與對照相比，完成的任務多 12.2%，完成得更快，質量更高；工作論文版本還報告，基線在下半的顧問質量提升 43%，上半的提升 17%。[9]

把這幾項放在一起讀，容易得出“基線低的人提升更多”的印象，但要注意它們各自看的東西不同。編程研究裡，經驗年限只給出提示性的斜率，企業裡初級與資深的差異不顯著；寫作研究用的是首任務成績，商業問題研究用的是學歷，短篇創意研究用的是獨立的創造力測驗，諮詢研究用的是基線上下半。基線成績、學歷和創造力測驗不是同一個變量，各自與收益的關係也只在各自的研究裡成立。這些研究的共同之處只是：AI 都把一部分產出直接交到人手上，補全的代碼、生成的草稿、給出的創意、建議的回覆，而結果包括用時、產出數量或評分。至於任務的“標準是否明確”，這些研究並沒有統一的操作化定義，本文不替它們貼標籤。

但這裡要插進兩個謹慎。

第一個是統計上的。“基線低的人提升最大”這種結果，天然帶著一個嫌疑：如果用同一把尺子先測基線再測進步，基線那次恰好發揮失常的人，下次“迴歸均值”本身就會表現為進步。這不是空談。一項關於法學院學生的研究讓 48 名學生先參加真實的無 AI 期末考試，之後經過培訓再用 GPT-4 做舊試卷，發現選擇題平均提升 29 個百分位，論述題沒有明確改善，而且基線越低提升越大。但這項研究沒有隨機對照組，基線分數既用來排序又直接進入提升的計算，原作者自己在腳註裡承認，均值迴歸可能是主要來源。[10] 它仍有描述價值，但不能用來證明 AI 傷害了頂尖學生。相比之下，開頭的寫作研究更可信，因為隨機分出的對照組提供了同一基線位置上的比較。這項研究的工作稿報告，把第二次成績對第一次成績做迴歸，對照組的斜率是 0.49，AI 組是 0.25，差異有統計支持；在有效隨機化下，兩組在首任務上的分佈可比，這個斜率差異就不能簡單歸於均值迴歸。要說明的是，0.49 和 0.25 是迴歸斜率，不是相關係數，也不是總體成績差距縮小了多少。讀這類研究，要看的是有沒有對照臂、量表有沒有天花板、基線測量穩不穩。

第二個謹慎是定義上的。速度不是質量。客服研究是少數同時報告兩者的：最有經驗的客服速度幾乎沒變，質量還略降。兩項編程研究這裡引用的是用時和任務數量，這些結果本身推不出質量改善。當一項研究說“AI 讓新手追上老手”，先問一句：追上的是什麼。

反過來的例子

現在回到肯尼亞。[3] 這項研究的特別之處是任務：企業主要在真實經營中做決定。AI 不替他們做任何事，只給建議。五個月後，高基線的企業主績效提升了約 0.16 個標準差，接近但未達常規顯著水平；低基線的下降了 0.08 個標準差，這個下降是顯著的；兩組之間的差異有交互檢驗的支持。研究者分析了過程數據和事後的文本材料，發現兩組收到的建議內容相似。這提示差別可能出在實施方式上，但這是過程證據提示的解釋，不是已被證明的機制，也不意味著每一位高基線企業主都獲益了。結果本身是自報的績效指數，這是需要記住的邊界。

另一項研究提供了更乾淨的對照，因為它把“AI 怎麼參與”這件事本身隨機化了。[11] 研究者招募了廣告文案的專家和非專家，隨機分配兩種協作方式：一種讓大語言模型直接代寫文案，另一種讓模型對人寫的文案給反饋。文案投放後看真實的點擊。結果是：代寫模式整體沒有顯著收益，對專家甚至有害，作者解釋為專家被 AI 的草稿錨定了；反饋模式則把非專家的點擊率提高到接近專家的水平。同一個任務，換一種協作安排，專家與非專家的結果方向不同。在這 14 項研究裡，這是對“AI 給成品還是給反饋”在同一研究內做了隨機對照的一項，所以它比跨研究的比較更有分量；不過現有已核資料只支持這一方向性的模態比較，專家與非專家各自的具體交互數值仍待正式全文核對。

波士頓諮詢的實驗還有另一半。[9] 除了前沿內的 385 人，另外 373 名顧問做了一項研究者判斷超出當時 AI 能力前沿的任務。分到 GPT-4 條件的這組答對的比例反而更低，工作論文報告低了 19 個百分點。這個結果很容易被讀成“AI 在能力邊界內幫你、邊界外害你”。方向可能是對的，但要留意兩件事：前沿內外是兩組不同的人，不是同一個人在兩類任務上反號；“前沿”是研究者根據對 AI 能力的判斷安排的，AI 在那項任務上單獨表現如何、怎麼評估的，現有已核資料不足以判斷。所以它說明的是“任務不同，結果可以不同”，不能把翻轉歸結到任務這一個維度。

最後是開源維護者的研究。[4] 它的設計是任務級隨機：16 位開發者的共 246 項自選任務被隨機分成允許用 AI 和不允許用 AI 兩類，工具是 2025 年初的 Cursor Pro 搭配 Claude 3.5 和 3.7，聊天、補全和 Agent 功能混用。平均慢了 19%，區間大約從 2% 到 39%。這項研究很容易被讀過頭。它只有 16 個人，全是對自己倉庫極熟悉的資深維護者，沒有低經驗對照組，所以它不能說明“經驗越多 AI 越拖後腿”；它用的是特定時點的工具組合，不能代表所有 Agent 工具或之後的版本。它能說明的是：在這群人、這些倉庫、這套工具下，“AI 肯定能提速”不能作為默認假設，哪怕開發者自己事前篤定會更快。

把這四項放在一起，可以列出幾個候選解釋：任務是否開放到需要人自己篩選和改造 AI 的產出；AI 給的是成品還是反饋；結果是評分、真實行為還是自報；工具的代際。但必須說清楚：這些解釋來自跨研究的對比，每項研究在人群、任務、工具、時期上同時不同，跨研究對比只能提出候選，不能證明某一個維度導致了效果翻轉。“任務開放程度”尤其只是待檢驗的候選，本文也不據直覺給各項研究貼上開放或封閉的標籤。四條裡只有“成品還是反饋”這一條，在廣告文案研究裡得到了同一研究內的隨機對照支持。

輔助下的表現，不是學會

還有一種翻轉更隱蔽：AI 在場時的表現，和 AI 撤走後的表現。

前面提到的商業問題實驗有一個無輔助模塊。[7] 在 AI 輔助的部分，學歷差距縮小了四分之三；但在無輔助模塊裡，用原作者的話說，“一個可觀的學歷差距重新出現”。也就是說，這項研究裡輔助期的拉平主要發生在任務層面，不是人的能力層面，至少在緊接著的即時測驗裡是這樣。

一項高中數學實驗把這一點推到了更尖銳的位置。[12] 約一千名學生按班級隨機分成三組：一組用標準版 GPT-4 做數學練習，一組用帶護欄的“導師版”，它在設計上不直接給出答案，第三組不用 AI。練習階段，兩個 AI 組的成績分別比對照組高 48% 和 127%。隨後的無輔助考試裡，標準版那組比對照組低了 17%；導師版那組和對照組沒有檢出明確差異。這個“沒有檢出差異”要讀準：它既不證明導師版與對照等效或沒有傷害，也不證明導師版帶來了學習增益，它只是說這項研究沒有檢出差異。按學生事前的 GPA 等特徵看異質性，沒有得到明確的統計支持。

第三項研究更接近工程師的日常。[13] 52 名開發者學習一個他們都不熟悉的程序庫（Trio）並完成任務，一半人有 GPT-4o 聊天側欄可用。這些人並不是新手，超過一半有七年以上編碼經驗。AI 組完成任務的用時沒有顯著差別，但隨後的即時測驗成績明顯更低，效應量約 0.74 個標準差。按經驗年限分層，每一層裡對照組都高於 AI 組，不過這是描述性的分層，沒有做交互檢驗。研究者還從對話記錄裡歸納出六種使用模式，其中一些與較好的測驗成績相關，但這是事後識別的，不能據此說哪種模式“已被證明”能保留學習。

三項研究測的都是撤除 AI 後的即時表現，不是幾個月後的技能。它們也不能合併成一個結論。但它們共同指出一件事：一個團隊用 AI 把任務完成得更好，不等於團隊裡的人變強了。對管理者來說，這是兩個需要分開追蹤的指標。

代寫、反饋、執行，不是同一種協作

到這裡，“協作方式”這個因素已經反覆出現，值得單獨說。

這 14 項研究裡的 AI 至少有四種參與方式：補全（Copilot 在你打字時續寫）；聊天（你問它答，它可以生成整段產出）；建議與反饋（AI 不執行，只給意見，比如客服的回覆建議、肯尼亞的經營顧問、給寫作者的故事創意）；以及執行型的 Agent（AI 直接在代碼庫裡改動、提交）。一項研究“允許”哪種方式，和參與者實際怎麼用，又是兩回事，本文也沒有逐項登記參與者的實際使用行為。

在同一研究內隨機比較了協作安排的，只有兩項：廣告文案研究的代寫對反饋，高中數學研究的標準版對導師版。兩項的任務、人群和結果都不同，不能合成一個“成品有害、反饋有益”的普遍結論。廣告研究裡，代寫對專家有害，反饋幫了非專家；數學研究裡，標準版損害了無輔助考試成績，導師版與對照沒有檢出明確差異。兩個局部設計共同說明的只是：協作安排本身值得作為一個條件來比較，而不是附屬於工具的細節。在本文的研究集裡，這是關於協作安排僅有的兩項同研究內比較。

執行型工具的證據最新，也最不成熟。除了前面的開源維護者研究，Microsoft 在 2026 年 1 月到 4 月觀察了內部數萬名工程師採用命令行 Agent（Claude Code 和 GitHub Copilot CLI）的情況。[14] 採用者的合併 PR 數量增加了 24%，置信區間大約從 14.5% 到 33.7%。按職級和年資看，增幅呈 C 形：更初級的個人貢獻者和更資深的經理增幅更大，中間較小。但這是觀察研究，採用是自願的，作者自己明確說這是關聯而不是因果；交互項分不清是工具更適合某些人，還是某些崗位的任務本來就更適合 Agent；年資不到一年的人可能還在上手期。而且 PR 數量不是價值，更多的 PR 可以是更小的 PR。另一項觀察研究從另一個角度提醒了這一點：按編碼活躍度分組，AI 工具帶來的編碼活動增益在最不活躍的那組最大，但增益沿著“寫代碼、推進項目、發佈”的鏈條逐級衰減。[15] 活躍度不是能力，衰減也不是因果，但“寫出更多代碼”和“交付更多價值”之間的距離，是每個工程管理者都認得的。

在這組研究裡，執行型工具下已有的隨機證據是維護者研究的平均效應；按事前測得的人的特徵做的隨機或準隨機交互檢驗，此次閱讀尚未確認。Agent 條件下“誰更獲益”，在這組研究裡還沒有可以依靠的異質性證據。

這些研究能證明什麼，不能證明什麼

讀到這裡，需要停下來說清楚一個方法問題，因為它決定了上面每一段的措辭。

當一項研究隨機分配 AI，並且在恰當的分析下得到有統計支持的交互，它能識別的是：基線低的群體和基線高的群體之間，AI 的平均效應不同。這依賴有效的隨機化和恰當的分析，僅有兩個分組均值的差異還不夠。而且它沒有證明“基線低”這個特徵本身導致了更大收益，因為基線不是隨機分配的，基線低的人可能同時在別的方面也不同。它更沒有告訴你任何一個具體的人會獲益多少：兩個群體的平均差異，不等於個體收益的分佈。這就是為什麼這篇文章一直說“不同群體的平均效應不同”，而不說“經驗決定了收益”。

準實驗要再退一步。客服研究依賴“分批上線的時點與結果趨勢無關”這一假設，本文沒有評估這一假設是否成立。Microsoft 的 Agent 研究是觀察關聯，採用者自己選擇了採用，僅憑這項關聯不能把 PR 的變化歸因於工具。法學院研究沒有同期的無 AI 對照組。這些研究都有信息，但信息的性質不同，不能排在同一個座標軸上比大小，尤其是它們的效應單位各不相同：百分位、百分比、每小時解決量、標準差。順帶一提，一項預註冊的元分析發現，編程生產率的合併效應在受控實驗裡比在企業和開源環境裡大，但它針對的是平均效應，推不到誰更獲益的問題上。[16]

能不能事前測出誰會獲益

如果“人如何篩選、核對、改造 AI 的產出”真的是關鍵，而肯尼亞的高基線企業主、被代寫錨定的廣告專家、學新庫時某些使用模式更好的開發者都在暗示這一點，那麼一個自然的問題是：這種能力能不能在用 AI 之前就測出來？

先要把三樣東西分開。一是原本的專業或任務能力：沒有 AI 時你能把這件事做到什麼程度，上面的研究用基線成績、年資、學歷、專家身份當它的粗略代理。二是一般的 AI 知識：你知不知道這類模型怎麼工作、在哪裡容易出錯、該怎麼用。三是實作驗證能力：面對一段 AI 產出，你能不能真的辨出對錯、核對並修正。三者在概念上可以區分，一位領域專家可以完全不懂 AI，一個懂 AI 的人可能在具體任務上辨不出錯，而辨錯本身又依賴領域知識。但它們在實證上是否真的分得開、各自能否獨立預測收益，在此次閱讀的文獻裡尚未見到檢驗。

一般 AI 知識這一項，已經有候選的測量工具。一項發表在《Computers and Education: Artificial Intelligence》上的研究開發了 GLAT（生成式 AI 素養測驗）：20 道知識型選擇題，在 355 人的樣本中內部一致性良好。[17] 在一項 83 人的小型效標研究裡，參與者先不用 AI 完成任務，再用一個基於 GPT-4o 和檢索增強的聊天工具完成任務；控制領域素養和無 AI 基線後，GLAT 得分對輔助下的成績有小幅但顯著的預測力。這個結果有用，但要讀準：它預測的是“用 AI 時表現如何”，不是“AI 給你帶來了多少因果收益”。前後兩次是固定順序，差值裡混著練習效應和任務差異；它也不是隨機分配 AI 下的交互檢驗。此外，355 人樣本的信度不能自動套到 83 人的樣本上，施測時是否禁止使用 AI，現有已核資料不足以判斷。

GLAT 已經有獨立應用，但跨樣本的證據還在積累。一項針對 531 名本科生的研究用它預測學生對假設情境中 AI 使用是否合乎學術倫理的判斷，發現剔除 5 道倫理題後的 15 題得分與判斷準確率有小幅正相關，Spearman 係數約 0.23。[18] 效標是假設情境的判斷，不是真實行為，更不涉及 AI 收益。另一項面向 543 名畢業班學生的碩士論文，目前能看到的只有倉儲摘要：它先篩除低質量題目，再評價剩餘題目的分數，報告這一篩題後的分數為單維結構，但信度未達通常閾值。[19] 這一結果針對的是該研究篩題後的分數，不泛指 GLAT 的所有版本；全文細節未核，本文不據它否定 GLAT，也不引用它的任何係數。總之，GLAT 是“一般 AI 知識”的一個有正式發表、有獨立應用的候選測量，不是公認標準，更不是實作驗證能力的測量。

實作驗證能力方面，一個相鄰的範式來自人機協作研究裡的“適當依賴”：人在 AI 對的時候採納、錯的時候拒絕的程度。一項針對預測型 AI（分類器）的研究提出了兩個指標，分別看“人初判錯、AI 對時轉向 AI 的比例”和“人初判對、AI 錯時堅持自己的比例”，兩者都定義在人先有初判並且與 AI 不一致的那部分題目上，不是對所有題目的一般接受率。[20] 在生成式場景下，一項 2026 年的研究讓 432 名本科生做 Python 題目，14 道題預設了 AI 的初始建議，8 道對、6 道錯，再按最終答案是否與建議一致來判定接受或拒絕。[21] 結果之一是 AI 素養與適當依賴幾乎沒有相關。但更值得注意的是測量方式本身：按最終答案一致性判定的“接受”或“拒絕”，是一個可觀察的選擇結果，它不能證明人實際經歷了辨別過程，答對可能是碰巧，拒絕也可能是沒看。此次閱讀的文獻裡，尚未確認有研究把實作辨錯作為事前變量測量，並檢驗它與隨機分配 AI 下質量收益的關係。

有效糾錯：一個值得拆開的候選

於是回到那個直覺：一個人能不能對 AI 提出反對意見並糾正它，是不是“會不會用 AI”的核心指標？

我認為這是一個值得認真對待的候選方向，但前提是把它拆開。至少有五件事混在“糾錯”這個詞裡。願不願意質疑，不管質疑得對不對。能不能辨出哪些輸出是錯的，這需要有標準答案的任務才能測，而且辨出來和採取行動是兩回事，行動還受成本和目標影響。能不能把錯誤修好，並且不把原本正確的內容改壞，衡量的應該是淨錯誤減少，不是改動次數。誤改，也就是對正確內容的無根據改動，要作為負向指標單列。還有成本：達到同樣的修正，花了多少時間、多少輪對話。一個愛反駁但辨別力差的人，會頻繁引入新錯誤；一個辨別力強但改不對的人，能指出問題卻交不出正確結果；在“有沒有糾正 AI”這一個指標上，兩人可能得分相同。

還有幾條邊界。糾錯是雙方的事：模型是否附和、是否堅持正確答案，影響最終結果，所以“AI 接受了我的異議”不等於我糾對了，成敗要用任務的真值判定，不能用 AI 的態度判定。AI 正確的時候，人仍然可以核驗，但不應該無根據地改動，驗證行為和改動行為要分開記。開放任務裡的“不同意見”常常是對目標和偏好的補充，不是對錯的糾正，兩者得分開。另外要說明，有效糾錯不是實作驗證能力的全部：對沒有植入錯誤的真實輸出做獨立核驗，同樣屬於實作驗證能力，測量也不必都依賴植入錯誤。最後，也是最重要的：任務過程中觀察到的核驗行為，既可能是原因，也可能只是任務難度或已有能力的反映，不能倒推出一種穩定的事前能力。要把它變成事前變量，需要獨立於任務的測量，以及穩定性、區分效度和增量預測的證據，一個內部一致性係數不夠。目前，它是協作過程層面的候選變量，不是已被證實的“誰會獲益”的預測器。

回到開頭的問題

同一類工具，為什麼有時拉平，有時放大？讀完這 14 項研究，我的回答是：這組研究不支持任何一條統一的規律；但按人、任務、協作安排和結果四個維度去組織比較，表面上的矛盾可以變成一組可以分別核對的結論。

在寫作、商業問題和短篇創意這幾項隨機研究裡，首任務成績、學歷或創造力測驗得分較低的人，即時的質量收益更大；在客服和代碼補全的研究裡，經驗或技能較低者的速度收益更大，其中有的只是提示性的或不顯著的。在肯尼亞的經營研究裡，方向相反：高基線者的點估計為正，低基線者顯著變差。協作安排有兩項同研究內的局部比較，提示“給成品還是給反饋、是否帶護欄”值得單獨作為條件來看。撤除 AI 後的即時表現，在商業問題研究裡學歷差距重新出現，在數學研究的標準版組和學新庫研究的 AI 組，無輔助成績更低；這些是具體研究裡的結果，不能籠統推成“撤走之後差距總會回來”。執行型工具下，已有的隨機證據是維護者研究的平均效應，另有企業內的觀察關聯；按事前特徵的隨機異質性，此次閱讀尚未確認。

對一個懂技術的管理者或研發負責人，這些結果可以轉化成幾個直接的問題。你測的是速度、質量，還是人的能力？你的工具是補全、代寫、反饋，還是執行？你的任務有沒有明確的對錯標準，還是需要人自己篩選？你看到的“新人追上老手”，是評分追上了，還是真實結果追上了？這些問題沒有通用答案，但每一個都有具體研究可以參照。

對研究者，最清楚的缺口是：在此次閱讀的文獻裡，尚未確認有研究在事前、獨立於任務地測量“誰能有效篩選和糾正 AI 的產出”，並檢驗它與隨機分配 AI 下收益的關係。現有的局部發現值得保留；若要據此提前判斷某個人將如何獲益，仍需要更直接的測量和驗證。

文獻範圍說明

這是一篇敘述性、非系統的綜述。核心研究按以下標準選入：以真人為被試，測量人完成任務的表現，AI 為生成式語言模型工具，並報告了按事前測得的人的特徵所做的分組或交互結果；另納入一項只報告平均效應、但對執行型工具證據邊界有定義意義的隨機研究 [4]。14 項不代表全部文獻，而且“報告了事前差異”這一篩選標準本身有偏。檢索以英文文獻為主，核心檢索截止 2026 年 10 月 3 日，測量文獻補核截止 2026 年 10 月 4 日。部分研究只核到摘要或工作論文版本，正文與參考文獻中已註明；數字以可獲取的最新版本為準。文中凡說“尚未確認”或“不足以判斷”，均指這一範圍內的已核資料，不是對原研究或整個領域的斷言。

參考文獻

[1] Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192。原文；453 人、時間 −40% 和質量 +18% 據正式版摘要；斜率差據 MIT 工作稿（2023-03-10，N = 444）：原文

[2] Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889–942。原文；工作論文 NBER w31161：原文

[3] Otis, N. G., Clarke, R., Delecourt, S., Holtz, D., & Koning, R. (2026). The Uneven Impact of Generative Artificial Intelligence on Entrepreneurial Performance: Evidence from a Field Experiment in Kenya. Management Science，online 2026-07-10。原文

[4] Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv:2507.09089 v2（2025-07-25）。原文

[5] Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590 v1（2023-02-13）。原文

[6] Cui, K. Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., & Salz, T. (2026). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Management Science，online 2026-02-27。正式版；IV 與異質性細節據 2025 年 6 月作者全文

[7] Cruces, G., Fernández Meijide, D., Galiani, S., Gálvez, R., & Lombardi, M. (2026). Does Generative AI Narrow Education-Based Productivity Gaps? Evidence from a Randomized Experiment. NBER Working Paper w34851（2026-02）：原文；作者版 arXiv:2608.04198 v1（2026-08-04）：原文

[8] Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290。原文；全文（PMC11244532）：原文

[9] Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 37(2), 403–423。原文；基線上下半 43%/17% 與前沿外 19 個百分點據工作論文 SSRN 4573321（2023-09，last revised 2026-03）：原文

[10] Choi, J. H., & Schwarcz, D. (2025). AI Assistance in Legal Analysis: An Empirical Study. Journal of Legal Education, 73(2), 384–420。期刊原文；設計與圖 4 另據 2023 年原作者論文：全文鏡像

[11] Chen, Z., & Chan, J. (2024). Large Language Model in Creative Work: The Role of Collaboration Modality and User Expertise. Management Science, 70(12), 9101–9117。原文

[12] Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakçı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122。原文；全文（PMC12232635）：原文

[13] Shen, J., & Tamkin, A. (2026). How AI Impacts Skill Formation. arXiv:2601.20245 v2（2026-02-01）。原文

[14] Murphy-Hill, E., Butler, J., & Savelieva, Y. (2026). Adoption and Impact of Command-Line AI Coding Agents: A Study of Microsoft’s Early 2026 Rollout of Claude Code and GitHub Copilot CLI. arXiv:2607.01418 v1（2026-07-01）。原文

[15] Demirer, M., Musolff, L., & Yang, L. (2026). Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools. NBER Working Paper w35275（2026-05，檢索於 2026-10-03）。原文

[16] Maier, S., Gunzenhäuser, M., Schweisthal, J., Schneider, M., & Feuerriegel, S. (2026). A meta-analysis of the effect of generative AI on productivity and learning in programming. arXiv:2605.04779 v1（2026-05-06）。原文

[17] Jin, Y., Martinez-Maldonado, R., Gašević, D., & Yan, L. (2025). GLAT: The Generative AI Literacy Assessment Test. Computers and Education: Artificial Intelligence。正式版；預印 arXiv:2411.00283 v2（2024-11-19）：原文

[18] Reed, J. M., Ferdig, R. E., Dodson, T. M., Gunstad, J., & Hughes, J. W. (2026). AI Literacy and Scenario-based Ethical Judgment About Generative AI Among Undergraduate Students. Journal of Academic Ethics, 24(3), Article 82（2026-08-19 在線）。原文

[19] Castleton, H. R. (2026). Examining the GLAT as a measure of AI literacy. 碩士論文（MA, Graduate Psychology），James Madison University，倉儲記錄畢業日期 2026-05-16。僅據知識庫摘要。摘要頁

[20] Schemmer, M., Kühl, N., Benz, C., Bartos, A., & Satzger, G. (2023). Appropriate Reliance on AI Advice: Conceptualization and the Effect of Explanations. Proceedings of the 28th International Conference on Intelligent User Interfaces (IUI 2023)。DOI 10.1145/3581641.3584066；arXiv:2302.02187 v3（2023-04-13）：原文

[21] Pitts, G., Rani, N., & Mildort, W. (2026). Trust and Reliance on AI in Education: AI Literacy and Need for Cognition as Moderators. AIED 2026（全文錄用）；arXiv:2604.01114，文中數字據 v3：原文