為什麼公司導入 AI 後，開會反而變多
第一，被拿去填補品質要求。以前寫一份提案要三天，所以只寫一份；現在兩小時就能生出五個版本，於是決策者會想「那我們是不是該多比較幾個方向」。產能提升的結果，往往是標準被拉高，工作量回填到原本的水位。
第二，被拿去處理新產生的混亂。AI 生成的內容速度快、數量大，於是出現了大量需要人工把關的中間產物。市場部一次產出二十條文案，誰來選？客服部用 AI 自動回覆，哪些回覆需要升級人工？工程團隊的 PR 數量翻倍，code review 的排程怎麼安排？這些都是新長出來的協調工作。
第三，被拿去開會。這是最諷刺的一種。因為前面兩件事都需要「大家一起看過」，而大家一起看過的最省事做法，就是開會。
所以，「AI 省下的時間」並沒有蒸發，它只是從鍵盤前面，轉移到了會議桌前面。這不是因為員工偷懶或主管愛開會，而是因為組織的協調機制沒有同步升級。
1-2 會議成本的隱形轉移
還有一層更細緻的機制：AI 改變了會議的「成本結構」，而且是把成本往下壓。
過去開一場會，最麻煩的不是開會本身，而是開完會之後的收尾——誰來寫會議紀錄、誰來整理待辦、誰來追蹤進度。這些收尾工作又瑣碎又耗時，所以很多人對開會敬而遠之，能不開就不開。
現在呢？語音轉逐字稿、自動生成摘要、自動抽出待辦事項、自動寄送追蹤信，這些全都可以交給 AI。會議的「事後成本」大幅下降，開會的「心理門檻」也跟著下降。於是出現一個很微妙的結果：因為開會變便宜了，所以大家開始更常開會。
這在交通經濟學裡有個對應的概念，叫做「誘發性需求」：你拓寬了高速公路，短期內塞車會改善，但因為開車變得更划算，更多人選擇開車上路，最後塞車又回來了，甚至更嚴重。AI 對會議的影響，本質上是同一件事——它降低了會議的邊際成本，於是會議的總量不減反增。
更別提現在很多會議室裡，還多了一台筆電正在即時生成摘要，與會者心裡想著「反正有 AI 記」，於是更容易答應參加一些其實不那麼必要的會。工具降低了摩擦，摩擦降低改變了行為，行為改變讓總量上升。這是一條很容易被忽略、卻非常穩定的因果鏈。
二、六個讓會議不斷增殖的組織機制
如果只有「協調沒有變快」這一條理由，還不足以解釋為什麼會議會增加得這麼明顯。實際走進企業觀察，會發現至少有六個機制在同時作用，而且它們彼此還會互相強化。
2-1 決策邊界模糊：AI 可以建議，但不能負責
這是所有機制裡最核心的一條。AI 很擅長提出選項：它會給你三個行銷切角、五種定價策略、兩套架構方案。但 AI 不會告訴你「就用第三個」，更不會在出事的時候站出來說「這是我決定的」。
責任必須由人來承擔，而承擔責任的前提是「我理解、我同意」。於是每一個 AI 產出的重要建議，都必須經過一輪人類的確認。這輪確認在小型團隊裡可能只是一句「我看過了，可以」，但在稍有規模的組織裡，它很容易變成「我們開個會對一下」。
更麻煩的是，AI 的建議通常帶著一種「看起來很合理」的語氣，這反而讓人更難直接否決。以前部屬提的方案，主管可以憑經驗說「這個不對」；現在 AI 給的方案有數據、有邏輯、有結構，主管如果只憑直覺反對，會顯得站不住腳。於是決策從「拍板」變成「討論」，從「討論」變成「再找幾個人一起看」，會議就這樣長出來了。
換句話說，AI 把「決策」從一個人的判斷，變成了一群人的對齊。而對齊，正是會議最擅長的事，也是會議最耗時的事。
2-2 知識翻譯成本：懂 AI 的人與不懂 AI 的人之間
每個導入 AI 的組織，幾乎都會出現一條隱形的分界線：一邊是懂模型、懂資料、懂提示工程的人，另一邊是懂業務但不太懂技術的人。這兩邊的人對同一件事的理解差異極大。
技術端說：「這個模型的幻覺率大概是 8%，我們加了 RAG 之後降到 3%。」業務端聽到的是：「所以它還會出錯？」技術端說：「我們用了 few-shot 加上結構化輸出，穩定性提升很多。」業務端聽到的是：「所以到底能不能用？」
這種語言落差不是誰的錯，但它必須被翻譯。而翻譯最有效的方式，就是讓兩邊坐下來，用具體案例一個一個對。這種「翻譯會議」在 AI 導入初期特別密集，因為雙方都還在建立共同的詞彙表。等到詞彙表建立起來，會議才會慢慢減少——但在那之前，它是必要之惡。
更現實的是，很多公司會同時開好幾條 AI 戰線：客服一條、行銷一條、工程一條、財務一條。每條戰線都在做類似的翻譯工作，彼此卻不知道對方已經翻譯過了。於是同一場「什麼是 RAG」的說明會，可能在一個月內開了四次。
2-3 試點專案的橫向協調：跨部門的同步成本
AI 專案很少是單一部門能完成的。一個客服 AI 的導入，至少要牽動客服、IT、法務、資安、資料團隊；一個行銷 AI 的導入，會牽動行銷、品牌、法務、採購。這些部門平常各過各的，只有在專案期間才被迫同步。
同步的方式是什麼？會議。而且不是一場，是一系列：啟動會、需求確認會、進度同步會、驗收會、上線後檢討會。如果是試點性質的專案，還會多一層「要不要擴大」的評估會。
這裡有個很容易被低估的成本：試點專案的本質是「低承諾、高探索」，但它需要的協調密度卻往往接近正式專案。因為大家都在摸索，沒有人能拍胸脯保證方向正確，於是每個決策都要重新對一次。試點越多，這種橫向同步的總量就越大。
有些公司為了管理這件事，會成立「AI 推動小組」或「數位轉型委員會」。立意良善，但這類組織本身就會產生會議：小組內部要開會、小組對各部門要開會、小組對高層要開會。一個新的協調層級，就是一條新的會議生產線。
2-4 治理與風險審查的興起
AI 導入到一定階段，法務、資安、風控、合規這些部門一定會被拉進來。原因很簡單：AI 會產生資料外洩風險、著作權爭議、模型偏誤、監管合規問題。這些風險不是理論上的，而是實際會發生、且一旦發生就很難收拾的。
於是企業開始建立 AI 治理機制：使用規範、資料分級、模型審查流程、供應商評估、生成內容標示。這些機制本身是好事，但每一個機制背後，都是一連串的會議。
「這個工具能不能處理客戶資料？」「哪些欄位屬於敏感資料？」「生成的行銷文案需不需要標示 AI 生成？」「供應商的模型會不會拿我們的資料去訓練？」這些問題沒有標準答案，只能靠跨部門討論出一個當下可接受的共識。而在共識形成之前，會議就是唯一的載體。
值得注意的是，這類治理會議往往具有「一次開完、下次再開」的週期性特質。因為法規在變、模型在變、業務場景也在變，去年的共識今年可能就不適用了。於是治理會議變成常設，會議總量自然往上墊。
2-5 期待管理與「AI 進度報告」的儀式化
還有一種會議，跟實際工作沒什麼關係，卻佔了不少時間：向高層報告 AI 進度。
當公司把 AI 定調為策略重點，高層就會想知道「現在做到哪了」。這個需求本身很合理，但它很容易變成一種儀式：每月一次的策略會議、每季一次的董事會報告、不定期的跨部門觀摩。每一次報告都要準備材料，而準備材料的過程又需要內部先開會對齊數字與說法。
結果就是：為了報告 AI 的成效，團隊花掉的時間，可能比 AI 實際省下的時間還多。這不是說報告不重要，而是說當「證明有效」變成一個獨立的任務時，它會自己長出會議需求。
更微妙的是，AI 的效益本來就很難量化。你要怎麼證明「這份文案是 AI 寫的所以比較好」？你要怎麼區分「AI 帶來的效率」與「本來就會發生的效率提升」？當數字說不清楚，大家就會傾向用更多的討論來補足，會議於是成了「不確定性的填充物」。
2-6 誘發性需求：工具變便宜，用量就上升
前面提過，AI 讓會議的事後成本下降，這裡再補一個角度：AI 也讓會議的「內容生產」變便宜了。
以前開會前要準備資料，光是整理數據、做投影片就要半天；現在把資料丟給 AI，十分鐘就能生出一個有模有樣的簡報。準備成本下降，開會的門檻就跟著下降。以前「這個議題不值得開會」，現在「反正資料現成的，開一下也好」。
同樣的邏輯也發生在會議進行中：以前討論到一半發現資料不足，只能下次再議；現在當場叫 AI 查一下、算一下，討論可以繼續深入。這聽起來是好事，但它也讓會議變得更長、更捨不得結束。
工具的成本下降，從來不會讓人「少用」，只會讓人「用得更多、用得更隨便」。這是所有生產力工具的共同命運，AI 也不例外。
三、從工具導入到工作流重寫：會議是必經的過渡成本
如果只把會議變多看成壞事，就會錯過一個更重要的觀點：在 AI 導入的過程中，有一部分會議是「必要的過渡成本」，它代表組織正在重寫自己的工作流。
把 AI 當成「加一個工具」來用，會議確實只會增加不會減少；但把 AI 當成「重寫流程的契機」來用，會議就會從「消耗」變成「投資」。差別在哪裡？在於這些會議有沒有產出可複用的結構。
3-1 AI 揭露了原本被隱藏的流程債
很多公司在導入 AI 之後才發現：原來我們的流程這麼亂。
一個很典型的例子是知識管理。部門主管一直以為「資料都在雲端硬碟裡」，直到要訓練 AI 助手，才發現檔案命名毫無規則、版本混亂、權限設定亂七八糟、重要文件只存在某個人的信箱裡。這些問題平常不會被處理，因為大家靠「問人」就能解決；但 AI 不會問人，它只能讀資料。資料一團亂，AI 就只能給出一團亂的答案。
於是問題浮上檯面：我們得先把資料整理乾淨。而整理資料這件事，需要跨部門定義標準、決定責任歸屬、排定優先順序——這些全是會議的題目。換句話說，AI 不是製造了會議，而是把原本就存在的流程債，逼到了必須開會處理的位置。
這其實是好事。那些債本來就在，只是過去被「人情」與「默契」掩蓋了。AI 的到來，讓它們變成了不能忽視的顯性問題。
3-2 會議作為組織的「同步匯流排」
用一個稍微技術性的比喻：會議是組織的「匯流排」（bus）。所有需要跨角色傳遞的資訊、決策、共識，最後都會擠到這條匯流排上。
AI 導入之後，匯流排上新增了好幾種流量：
模型輸出的品質回饋（哪個回答好、哪個回答爛）
提示詞與流程的版本變更（今天改了什麼、為什麼改）
風險事件與異常處理（AI 說錯話了，怎麼補救）
效益數據與成本追蹤（花了多少、省了多少）
跨部門的依賴協調（誰先做、誰等誰）
這些流量在過去並不存在，現在全部要通過同一條匯流排。而匯流排的頻寬——也就是組織的決策容量——並沒有同步變大。結果就是排隊、塞車、會議時間拉長。
理解這個比喻的好處是：要解決會議過多的問題，不能只是「少開會」，而是要把匯流排上的流量分流出去。有些流量可以改成非同步（例如用文件、看板、錄影），有些流量可以自動化（例如 AI 自動彙整回饋、自動生成週報），只有真正需要即時互動與決策的流量，才該留在會議裡。
如果不做這件事，只是單純喊「大家少開會」，會議就會轉入地下——變成走廊上的臨時討論、私訊裡的一對一確認。表面上會議減少了，實際上協調成本並沒有降低，只是變得更不可見、更難管理。
四、規模與產業差異：不是每家公司都會經歷同樣的會議膨脹
「AI 導致會議變多」不是一條普世定律，它跟組織規模、產業特性、導入階段都有關係。理解這些差異，才不會把別人的經驗直接套在自己身上。
4-1 新創與大型企業的差異
新創團隊通常人數少、溝通鏈短、決策集中。在這種環境裡，AI 帶來的協調成本相對低，因為「對齊」本來就不需要開會——轉頭問一句就好。新創的會議增加，多半來自「外部」：跟投資人報告、跟客戶對需求、跟供應商談條件。這些會議跟 AI 的關係不大，主要是業務成長帶來的。
大型企業則相反。層級多、部門牆高、責任界線清楚（有時候清楚到必須靠文件與會議來確認）。在這種環境裡，AI 帶來的每一個變化，都會沿著組織層級被放大。同一件事，小團隊開一次會就解決，大企業可能要開三次：部門內對齊、跨部門對齊、往上呈報。
還有一個關鍵差異是「既有協調負擔」。大型企業原本就有大量的例行會議（週會、月會、季度檢討會），AI 導入等於在既有的會議結構上再加一層。新創的會議基期低，成長幅度看起來大，但絕對數量未必多；大企業的基期高，即使只增加兩成，也是很可觀的時數。
4-2 傳統製造、金融、軟體業的不同節奏
製造業的 AI 導入往往集中在品管、排程、設備預測維護。這類應用的會議特性是「前期密集、後期穩定」：導入前要花很多時間對齊資料定義與現場流程，導入後只要模型穩定，會議量就會降下來。製造業的會議膨脹通常是一次性的，而不是持續性的。
金融業則完全不同。金融業的監管密度高，任何涉及客戶資料、投資建議、風險評估的 AI 應用，都要經過法遵與風控審查。這類審查會議不是「開一次就好」，而是隨著模型更新、法規調整而不斷重啟。金融業的會議膨脹具有明顯的「週期性」與「常態化」特徵。
軟體業的狀況最有意思。軟體團隊本來就有比較成熟的非同步協作文化（issue tracker、code review、文件），理論上應該最能抵抗會議膨脹。但 AI 編碼工具讓 PR 數量暴增，code review 的負擔反而變重；同時 AI 輔助設計讓產品迭代變快，需求討論的頻率也跟著上升。軟體業的會議不是變多，而是「變碎」——大量短會議、快速同步、即時討論。
所以，當你在評估自己公司的狀況時，不能只看「會議時數」這一個指標，還要看會議的性質：是過渡性的、週期性的，還是碎片化的？不同性質需要不同的解法。
五、把會議增量變成投資：三個具體做法
講到這裡，問題已經很清楚了：AI 導入初期的會議增加，有它的結構性原因，無法靠「叫大家少開會」解決。真正該做的，是把這些會議從「消耗」轉化成「投資」。以下是三個比較可操作的方向。
5-1 建立「會議 ROI」的檢視機制
第一步不是減少會議，而是讓會議的成本變得可見。多數人對會議的成本沒有概念，因為它不像採購那樣有發票。但會議是有價格的：把與會者的時薪乘以時數，再加上機會成本，一場八人兩小時的會議，成本往往比一台筆電還高。
具體做法可以很簡單：
在每次會議的邀請上，標註「預估總人力成本」。
會議結束前留三分鐘，確認「這場會產出了什麼決策或下一步」。
每月統計一次：哪些會議是定期召開但沒有明確產出的，優先檢討。
把「是否可以用非同步方式取代」列為開會前的必答題。
這個機制真正的作用不是省錢，而是改變心態。當大家開始意識到「開會是有成本的」，就會自然篩選掉一些不必要的會議。而對於那些確實必要的會議，也會更願意事前準備，讓會議時間被好好利用。
5-2 重新設計角色與決策權
前面提過，AI 導致會議增加的核心原因之一，是「決策邊界模糊」。要解決這個問題，不能靠開更多會，而要靠在事前就把決策權說清楚。
可以針對每一個 AI 應用場景，明確定義三件事：
誰提議：誰負責產出 AI 的建議方案，包含模型輸出、資料來源、風險評估。
誰決定：誰有權拍板採用哪個方案，並且承擔後果。這個人必須是「一個人」，不能是「一個委員會」，否則決策會無限迴圈。
誰諮詢：哪些角色必須被諮詢，但沒有否決權。這可以避免「每個部門都要同意」的癱瘓。
把這三件事寫下來，會議的數量會明顯下降。因為很多會議之所以召開，不是因為真的需要討論，而是因為「不知道該誰決定」。一旦決策權明確，會議就會從「討論」轉變成「告知」，而告知可以用文件完成。
當然，這個做法有個前提：主管願意授權，也願意承擔。如果組織文化是「出事大家都有責任」，那決策權永遠無法下放，會議也永遠不會減少。
5-3 用 AI 治理 AI：把重複性同步自動化
最後一個做法，是用 AI 本身來消化會議帶來的行政負擔。這聽起來有點繞，但邏輯很簡單：既然 AI 讓會議變多，那就讓 AI 也承接一部分會議的後續工作。
可以考慮的方向包括：
這些做法的共同點是：把會議中「資訊交換」的部分自動化，只留下「判斷」與「承諾」給人。資訊交換是會議最耗時、也最不需要人腦的部分；判斷與承諾則是會議真正的價值所在。把兩者分開處理，會議的品質與數量才有機會同時改善。
六、結語：會議變多，是組織正在長出新神經
回到最初的問題：為什麼公司導入 AI 後，開會反而變多？
答案可以濃縮成一句話：因為 AI 改變了工作的產出方式，卻沒有同步改變組織的協調方式。當生產變快、變多、變複雜，而協調還停留在「把大家找進會議室」的階段，會議當然會膨脹。再加上 AI 讓會議的事後成本下降、讓準備成本下降，誘發性需求進一步放大了這個趨勢。
但這不代表 AI 導入失敗了。從組織演化的角度來看，會議變多更像是「長神經」的過程。一個原本只靠少數人協調的組織，在導入新技術之後，必須長出新的溝通路徑、新的決策規則、新的治理機制。在這些新神經還沒長好之前，舊的協調方式（會議）就會被過度使用，就像傷口癒合前，身體會用發炎來填補空隙。
真正該問的問題不是「怎麼把會議變少」，而是「我們正在開的這些會，有沒有在幫組織長出新的協調能力？」
如果一場會只是讓大家確認「AI 好像還堪用」，那它是消耗；如果一場會讓團隊釐清了決策權、建立了資料標準、寫下了可複用的流程，那它是投資。同樣是兩小時，前者讓會議繼續增加，後者讓會議逐步退場。
所以，下次當你發現公司的會議變多了，先別急著檢討「是不是 AI 沒用」。更值得問的是：這些新增的會議，有沒有產出可複用的結構？有沒有人在會後把共識寫下來？有沒有明確的決策權與負責人？如果答案是肯定的，那這些會議就是轉型過程中的必要成本，時間到了自然會減少。如果答案是否定的，那問題不在 AI，而在組織還沒有準備好迎接它。
AI 不會自動讓組織變得更有效率。它只會把組織原本的樣子，放大給你看。會議變多，正是那個被放大的樣子。
—— 本文同步刊登於「雅寶社區 · 頂客論壇」🤖 AI 趨勢分類，歡迎在下方討論區分享你所在公司的實際狀況：你們導入 AI 之後，會議是變多還是變少了？
```
💬 想說點什麼？
歡迎到留言板分享你的想法、心得或疑問。
💬 前往留言板 →