觀點｜別再比誰產出多，蓋洛普：美國Z世代對AI憤怒攀升至31%！4方針補上規範與識讀

• 頁面標題：蓋洛普調查：美國Z世代對AI憤怒攀升至31%，社會需4方針補規範與識讀
• 原文標題：觀點｜別再比誰產出多，蓋洛普：美國Z世代對AI憤怒攀升至31%！4方針補上規範與識讀
• 作者：數位時代 BusinessNext（JSON-LD author）
• 發布時間：2026-08-10T12:00:00+08:00
• 來源：數位時代 BusinessNext
• 擷取方式：BusinessNext NewsArticle.articleBody JSON-LD；正文依原文語意段落整理，未加入衍生摘要。
• Canonical URL：https://www.bnext.com.tw/article/91789/gallup-gen-z-ai-anger-literacy-gap

原文擷取

近期一場重量級國際機器學習研討會 ICML 在送出審稿的論文中嵌入提示注入（prompt injection）指令，藉此識別出哪些審稿人違反承諾、擅自使用 AI 撰寫審查意見。遭查獲的審稿人，其在同屆研討會中投稿的論文一律遭到直接拒絕，不予審查。學術界幾乎都同意，既然承諾不用 AI，就應信守承諾；爭議焦點則是主辦方採用提示注入是否恰當、是否構成誘捕。文章指出，長期深耕 AI 研究的學者，仍可能對日常中的提示注入攻擊渾然不覺。

別再比誰產出多，防止空燒 token

AI 的廣泛應用帶來學術社群借助 AI 的後遺症：研究人員可以更輕鬆地大量產出論文投稿，投稿量也讓審稿工作不堪負荷。以 ICML 為例，投稿量從 2022 年的 5,630 篇增加到 2026 年的 23,918 篇。類似情況也出現在大學；過去學術誠信主要是逐字抄襲，如今教授還要判斷學生提交的文章是否由 AI 代勞。美國也發生律師未核查 AI 生成的法律摘要、引用不存在先例的案例，最後案件遭撤銷，律師被罰款並禁止在法庭代理當事人兩年。

過去大型科技公司一度把工程師使用的 token 數量列為績效指標，結果 token 用量上升、AI 預算燒光，生產力與客戶服務品質卻沒有同步提升。文章以「空燒 token」的例子指出，若只用文件長度或 token 數量展示努力，最後可能變成 AI 先把簡潔周報擴寫成三頁，再由另一個 AI 壓縮回幾條重點，雙方消耗資源卻沒有增加意義。

蓋洛普調查與 AI 觀感轉變

文章引用蓋洛普針對美國 Z 世代的最新調查：2025 至 2026 年間，受訪者對 AI 感到興奮的比率從 36% 降至 22%，抱有期待的比率從 27% 降至 18%，感到憤怒的比率則從 22% 升至 31%。AI 使用頻率愈低的受訪者，對 AI 感到憤怒的比率愈高。

作者認為，憤怒與不滿部分源於 AI 使用標準不一致。當學生看到同學用 AI 生成作業蒙混過關並取得好成績，對制度的信任可能動搖，不公平感也會加深。這些調查數字與因果解釋是文章對蓋洛普資料的轉述，應回查原始調查，不視為本 wiki 的獨立社會科學結論。

四項補規範與識讀的方針

1. 明確訂定 AI 使用規範：學校、企業與組織應界定何時、如何使用 AI，建立透明且共同遵循的準則；文章以 NeurIPS 對語言模型在研究與發表流程中的揭露規範為例。
2. 落實 AI 濫用教育訓練：避免盲目依賴導致錯誤結論、聲譽損害與社會傷害，並培養主動查核習慣。
3. 更新評量指標：AI 時代應更重視產出品質與影響力，而不是單純追求數量。文章以部分一流大學要求教職候選人聚焦最具代表性的五篇論文作為例子。
4. 提升全民 AI 素養：讓社會理解 AI 生成假圖、影片、聲音與詐騙風險；即使個人不主動使用 AI，也難以置身於 AI 影響之外。

制度與信任的壓力測試

文章以普林斯頓大學可能廢除沿用超過 130 年的無監考榮譽考試制度為例，指出生成式 AI 與行動裝置讓作弊更難察覺，社群媒體與 doxxing 又削弱學生相互監督的意願，傳統榮譽制度因此面臨壓力。

對 AI 使用者而言，作者主張真正的生產力指標不是能產出多少文章，而是能為個人、組織、品牌或社群累積多少信任。若沒有品質、查核、規範與責任邊界，大量產出可能只是 AI-slop 與空轉的內卷；文章將這視為 AI 時代需要補上的社會識讀與制度設計問題。

Source notes

• This raw capture preserves the BusinessNext title, publication metadata, extracted NewsArticle.articleBody, the attributed Gallup figures, and the article’s four governance / literacy recommendations.
• The source is an opinion and media-synthesis article. Survey figures, ICML / Princeton examples, and causal interpretations remain attributed claims; they are not independent benchmarks or verified causal findings in this raw capture.
• The reusable extraction is the shift from output-volume metrics to quality, trust, verification, transparent usage rules, and AI literacy.