1. 工作永遠做不完，但我一點也不希望它結束
用AI把工作做快了，人應該就會變閒。一般人都是這樣想的。
但當調查、腦力激盪、寫規格、開發、修改、測試都能一件接一件交給AI之後，有時候反而會發生完全相反的事。
多出來的時間不是拿去休息，而是開始自己幫自己找事做：「那這個也能做了」「那個也能改善」「把這兩個串起來應該很好玩」。
而且一點都不痛苦。散步時想到一個點子，出去玩時又想到一個。用手機跟AI討論一下，把企劃變成規格，丟給負責寫程式的AI代理。等你回到家，事情已經往前推進了。
與其說工作侵蝕了生活，不如說整個現實世界變成了採集點子的地圖。
最大的不同是：一般遊戲的終局內容是開發商準備好的，但這款遊戲的終局內容可以自己加。
就像一塊永遠嚼不完、一直有味道的口香糖。
2. 連5小時的用量限制，都不是「結束」而是技能冷卻
Claude的付費方案裡，以工作階段計算的用量限制每5小時重置一次，另外還有獨立的每週用量限制。每週額度會在分配給帳號的固定時間重置。[1]
有趣的是，碰到限制不再一定代表「今天到此為止」。
只要事先把工作拆得夠細，一個工作階段停了，就換到另一個互不相關的任務；或者等重置之後再接著做。限制就變得像遊戲裡的體力或冷卻時間。
當然，這不是在教你繞過使用條款或各服務的限制。而是在允許的範圍內把任務拆成互不依賴的小塊，把等待時間拿來整理任務的先後順序，或構思下一個企劃。
結果，人的感覺會從「AI停了」變成「這位員工正在休息，那就先跑另一條線吧」。
3. 帕金森定律從「時間」延伸到「點子」
帕金森定律一般被概括為「工作會自動膨脹，直到填滿所有可用的時間」。這句話最早出自1955年的一篇諷刺文章，後來也有研究在個人層面做過驗證。[2]
到了AI時代，這條規律稍微變了形。
以前有8小時，一件事可能就花8小時做完。現在AI把實際工作時間壓到1小時，剩下的7小時也不一定就整塊空出來。
在這7小時裡，你可能會：
- 發現新問題
- 想到新功能
- 思考怎麼跟其他服務串接
- 提高品質標準
- 把以前因為成本太高而放棄的方案撿回來
也就是說，不只是原本的任務膨脹起來填滿時間，新任務本身也會從多出來的時間裡冒芽。
AI越快，人「想點子」的能力就越像一條新的生產線。
4. 效率越高，工作反而越多：類似傑文斯悖論的「反彈」
這讓人想到傑文斯悖論，還有「反彈效應」。
它原本是能源效率的討論：效率提高後，單位使用成本下降，使用量反而增加，預期的節省就可能被部分甚至全部抵銷。不過，發生到什麼程度會因領域和條件而不同，並不是說強烈的「適得其反」每次都一定會出現。[3]
把它當成科學定律直接套用在AI工作上有點粗暴，但當作比喻相當貼切。
做一個功能要3天的話，10個點子裡要丟掉9個。
做一個功能只要30分鐘的指示加審查，那9個就全都能復活。
於是事情不是「效率提高10倍，所以工作只剩十分之一」，而是「以前不划算的工作現在全部都做了」。
開發成本越低，對點子的需求就越大。
AI是消滅工作的機器，同時也可能是製造工作的機器。
5. 為什麼這麼好玩？自己選、變強、回饋快
自我決定論認為，自主感、勝任感（覺得自己做得到），以及和他人的連結，對人的動機與幸福感都很重要。尤其是「這是我自己選的」和「我正在變強」這兩種感覺，跟高品質的動機息息相關。[4][5]
用AI做個人專案之所以特別容易變成遊戲，原因跟這點高度重疊。
不是填別人丟給你的Excel。
而是你自己決定「這個好像很好玩」。
幾分鐘就能把規格定下來。
幾十分鐘後就有能動的東西。
壞了就修。
修好的機制之後一直有效。
這個循環會頻繁地給你自主感、變強的感覺和清楚的回饋。
遊戲裡的經驗值條是個數字，AI開發的經驗值條卻是實際的東西：「昨天還做不到的事，今天已經自動在跑了。」
這誰受得了。
6. 比遊戲更強的原因：終局內容可以自己做
一般遊戲再大，也是開發商事先打造好的世界。
打倒最終頭目，湊齊裝備，刷高難度副本。總有一天會遇到「沒事可做了」。
而用AI做的個人專案，偏偏在那一刻你可以自己新增任務。
做了一個網站。
那就做多語言版。
多語言版做好了。
那就發出去。
發出去了。
那就統計反應。
統計好了。
那就根據反應自動產生下一個企劃。
連產生企劃都自動化了。
那就擴展到音訊、影片、其他市場、其他產品。
每次達成破關條件，玩家就自己開發一個新DLC。
這跟《Minecraft》、《Factorio》那種「打造系統」的玩法非常合拍，只不過在現實中，你做出來的系統會真的影響讀者、客戶、營收、學習和工作時數。
回饋你的不是遊戲幣，而是現實。
所以味道不容易變淡。
7. 職位自己往上升：從專案經理到產品負責人，再到老闆
一開始，你像專案經理一樣工作：
「這個任務要怎麼完成？」 「卡在哪裡？」 「該讓誰做什麼？」
接著，你變得像產品經理或產品負責人：
「該做什麼？」 「要給使用者什麼？」 「先做哪個改善？」
再往後，AI把拆任務、分派、開發、初步驗證都包了，人要想的問題又往上一層：
「資源要給哪個產品？」 「要經營哪個市場？」 「要收掉哪個事業？」 「要把哪些系統串起來？」 「公司下一步要補上什麼功能？」
到了這一步，你在做的已經不是改善某個功能，而更接近設計一家小公司。
| 階段 | 人主要問的問題 |
|---|---|
| 開發者 | 怎麼做？ |
| PM | 怎麼做完？ |
| PdM / PO | 做什麼？ |
| 經營者 | 資源要放在哪？ |
| 產品組合經營 | 要養什麼，要砍什麼？ |
不是AI讓你變厲害了。
只是底層的工作可以交出去，以前要有人力和資金才碰得到的上層，一個人也能動手了。
這才好玩。
8. 明明只有一個人，卻有了組織圖
更有趣的是，人甚至不需要親自管每一個AI員工。
例如可以建立這樣的階層：
- 人：目標、優先順序、好不好玩、最後拍板
- 對話AI：腦力激盪、調查、規格草稿
- 管理AI：拆任務、整理先後順序、分派工作、規劃怎麼整合
- 開發AI：寫程式、測試、修改
- 監控：確認結果、比對差異、偵測失敗
不是「人→AI員工」。
而是人→AI主管→AI員工。
一旦這樣運作起來，人的工作就離事事緊盯的管理更遠，更多是在想「下一步要讓公司做什麼」。
員工0人，組織圖倒是很氣派。
未來的一人公司，真是一種奇妙的生物。
9. 與其「多開幾個」，不如「分好工別撞車」
AI員工一多，新的問題就來了。
10個超快的員工同時去修同一條線，一點也不快。
反而會修壞。
2026年一項關於GitHub上AI代理提交PR（程式碼合併請求）的研究發現，同時運作的代理所提交的PR會發生合併衝突；在研究樣本中，不同代理之間同時作業的組合，文字衝突率高於同一代理內部同時作業的組合。[6]
另一項2026年的研究則針對長時間、複雜的軟體開發，測試一種叫CAID的做法：由中央統一分派任務、各自平行進行不必互相等待、工作區彼此隔離、最後依規則整合。結果它的表現比只用單一代理的基準更好。[7]
重點不在「開幾個AI」，而在於：
- 不讓多個員工同時改同一個檔案
- 劃清各自負責的範圍
- 先看清任務之間的先後關係
- 把工作區隔開
- 最後整合再測試
也就是說，下一個瓶頸不是運算能力，而是組織設計。
等管理AI連這些都開始做了，人就真的被推上老闆的位子。
10. 稀缺的不再是「寫程式的時間」，而是注意力、品味和方向
當AI能大量處理開發工作，最缺的東西就變了。
不是程式碼的量。
連點子，AI也能想出一大堆。
最後稀缺的是注意力和判斷：
- 什麼好玩
- 什麼很遜
- 要做到什麼程度
- 現在該不該做
- 要捨棄什麼
- 什麼不能輕信、要先驗證
- 哪次失敗只是「單次意外」，哪次代表「機制本身有缺陷」
不是AI能做100件，就去做100件。
在能做100件的世界裡，決定其中哪3件有意義，才是經營。
瓶頸換了位置。
從動手做，變成定方向。
11. 無限終局內容唯一的陷阱：Game Over的條件也得自己定
沒有終點是最爽的，但沒有終點本身也可能變成危險。
AI能24小時運作，不代表人也要24小時工作。
因為好玩，就犧牲睡眠。 因為還能改善，就無限擴大範圍。 因為能平行處理，就把沒驗證過的修改大量推上去。 因為員工變多，就搞不清楚誰動過什麼。
這樣一來，「為了更自由而做的自動化」就變成「替自己專屬的血汗公司升級效能」。
對策也可以當成遊戲設計來想：
- 無法回頭的大改動前設一道關卡
- 同一塊職責不要同時修改
- 回頭讀取結果，確認真的生效
- 重要的東西要測試
- 準備好出錯時的復原路線
- 把人的睡眠和生活也算進任務的先後順序
- 留一份「好玩但現在不做」的待辦清單
目的不是減少工作。
而是別把快樂的狀態玩壞，讓自己能玩得久一點。
12. 結論：好玩的不是工作本身，而是「能自己擴展世界的工作」
當你覺得「工作說不定本來就很好玩」時，好玩的大概不是勞動本身。
不是長時間完成別人決定好的工作。
而是自己發現問題。 自己決定下一個目標。 把開發交給AI。 現實中真的做出了東西。 看到結果，又想到下一個。
這個循環才好玩。
以前身為PM思考「要怎麼改善」的人，把拆任務和開發交給AI之後，就會轉而思考「要把公司做成做什麼的公司」。
等管理AI開始替AI員工分派工作，人又會再往上一層。
最後剩下的問題非常簡單：
下一個，做什麼會好玩？
在一般遊戲裡，回答這個問題的是開發商。
在這款遊戲裡，是玩家自己。
所以停不下來。
而這正是它最好玩的地方。
參考資料（7筆）
- Anthropic Help Center, “What is the Max plan?” / “How do usage and length limits work?” – Zurücksetzen der Sitzungslimits alle fünf Stunden und separate Wochenlimits. und https://support.claude.com/en/articles/11647753-how-do-usage-and-length-limits-work support.claude.com
- Brannon, L. A., Hershberger, P. J., & Brock, T. C. (1999). “Timeless demonstrations of Parkinson's first law.” Psychonomic Bulletin & Review, 6(1), 148–156 pubmed.ncbi.nlm.nih.gov
- Sorrell, S. (2009). “Jevons’ Paradox revisited: The evidence for backfire from improved energy efficiency.” Energy Policy, 37(4), 1456–1469; siehe auch spätere Übersichtsarbeiten zu Rebound-Effekten sciencedirect.com
- American Psychological Association, “Self-determination theory: A quarter century of human motivation research. apa.org
- Gagné, M., & Deci, E. L. (2005). “Self-determination theory and work motivation.” Journal of Organizational Behavior, 26(4), 331–362 selfdeterminationtheory.org
- Xu, G., Subramanian, A., & Karthik, N. (2026). “AI Agent Pull Requests on GitHub: Frequency, Structure, and Merge Conflict Rates.” arXiv:2607.04697 arxiv.org
- Geng, J., & Neubig, G. (2026). “Effective Strategies for Asynchronous Software Engineering Agents.” arXiv:2603.21489 arxiv.org
