對客戶／業主
寫進交付說明，不要等對方問
例如：「初稿由 AI 協助整理，事實查證、結構取捨與最終文字由我負責，錯誤我承擔。」重點是最後那半句——責任歸屬講清楚，工具用了什麼就不再是重點。
用了 AI 不敢說，最有效的處理方式是什麼？
減少 AI 使用羞恥的關鍵不是少用 AI，也不是把用量藏起來，而是讓「哪一步是你判斷的」變得可以被指出來。三種證據就夠：判斷紀錄、來源可回溯、修改軌跡。
Step 01
判斷紀錄：留下你否決了什麼，以及為什麼不選。
Step 02
來源可回溯：關鍵事實都能指回原始連結或檔案。
Step 03
修改軌跡：把 AI 第一版另存一份，差異就是參與證據。
FOBO 是什麼？和「工具太多」的焦慮差在哪？
FOBO 是 Fear of Becoming Obsolete 的縮寫——害怕自己的技能或角色逐漸過時、不再被需要。經理人〈2026 職場新焦慮「FOBO」〉把它描述成害怕自己愈來愈無關緊要，而不只是擔心被裁員；文中引述 KPMG 調查，約 4 成美國工作者已把「AI 導致失業」列為主要恐懼之一，另引美國心理學會 2025 年 7 月調查，38% 的工作者擔心 AI 會讓自己的部分或全部職責過時。
這些是美國樣本的調查數字，不能直接套用到台灣，也不代表每個職位都會消失。但它說明一件事：這種不安夠普遍，普遍到值得用方法處理，而不是當成個人心理素質不夠。
關鍵區別
工具焦慮指向外面（要學的東西太多），FOBO 指向自己（我還剩下什麼）。所以解法也不同——工具太多學不完，靠減法和流程可以處理，那部分已經在另一篇寫過，本文不重複。FOBO 需要的是另一件事：把「我判斷了什麼」變得看得見。
「AI 獵巫」：為什麼用了 AI 反而更不敢說？
換日線〈用了 ChatGPT 卻不敢說？〉整理了一種現象：人們偷偷使用 AI，卻害怕被視為偷懶或作弊。文中引述 KPMG 與墨爾本大學橫跨 47 個國家、48,340 位受訪者的研究，57% 的員工表示自己會隱藏在工作中使用 AI 的事實；研究並指出，隱匿與組織政策不清、缺乏訓練、害怕被評價等因素有關。
換句話說，不敢說不是少數人的心虛，而是超過半數人的預設反應。
該文提出兩個概念解釋這件事為什麼會惡化。一是劍橋大學 Advait Sarkar 討論的「AI 貶稱」——「AI」本身變成一種貶低他人的語言，不論對方是否真的使用過，只要作品「感覺像 AI」就可能成為被否定的理由。二是政治大學傳播學院侯宗佑團隊提出的「AI 幻肢效應」：在實驗情境中，當 AI 助理獲得正面回饋時，人們傾向認為功勞屬於 AI；但當它收到負面回饋時，人們卻更容易覺得那份責備是衝著自己來。
結果就是一個很不划算的位置：
做得好，功勞算 AI——「這不是你寫的吧」
做不好，責任算你——「你連 AI 都用不好」
沒說用了，被發現就是隱瞞
說了用了，就被打折
這個不對稱本身是可以拆解的。它之所以成立，是因為產出是唯一的證據——當別人只看得到最後那份文件，他就只能猜那份文件是誰寫的。
所以要拆掉它，不是靠更會辯解，而是靠留下產出以外的東西。
你面對的是哪一種焦慮？先分清楚再處理
三種焦慮常常被混在一起講，但需要的做法完全不同。
| 你的感受 | 這是什麼 | 有效的第一步 | 相關文章 |
|---|---|---|---|
| 工具太多，永遠學不完 | 資訊過載 | 停止收藏，只留會進入日常的工具 | AI 工具太多怎麼斷捨離 |
| 用了 AI，工作卻沒變輕鬆 | 缺少固定流程 | 盤點重複工作，先建一條流程 | 把 AI 變工作助理的 3 個方法 |
| 用了 AI，不敢說、怕被看輕 | FOBO 與使用羞恥 | 留下可交代的判斷證據 | 本文 |
如果你的狀況其實是前兩種，先去處理前兩種；本文提供的方法對它們沒有幫助。
可交代性：被問「這是你做的嗎」，你能拿出什麼？
可交代性不是自我證明，也不是道德表態。它只回答一個很具體的問題：這份成果裡，哪些決定是你做的，而且指得出來。三種證據通常就夠。
1. 判斷紀錄：你否決了什麼
AI 給了五個標題，你選了第三個並改掉後半句——這個「選與改」就是判斷。多數人做完就丟掉了，只留下最後版本。留下來的方式很簡單：在草稿裡保留被否決的選項，加一行為什麼不選。
被問起時，你能說的不是「這是我寫的」，而是「AI 給了五個，我選這個是因為受眾是 A 不是 B」。後者無法偽造，前者可以。
2. 來源可回溯：事實是從哪裡來的
AI 產出裡最容易出事的是事實。只要每個關鍵數字、日期、引述都能指回原始連結或原始檔案，你就不必爭論是誰打的字——你能證明是誰查證的。
反過來說，如果連你自己都回不到來源，那份成果確實不完全是你的，這時候的心虛不是羞恥感作祟，是準確的訊號。
3. 修改軌跡：你改了哪裡
原稿與定稿之間的差異，是最直接的參與證據。不必做版本控制，把 AI 第一版另存一份就夠。差異大，代表你做了很多判斷；差異小而你也認可，那就大方說「這次 AI 的初稿品質不錯，我確認過事實與語氣」。
共同點
這三種證據都在成果之外。獵巫之所以有效，是因為只看成果；一旦你手上有成果以外的東西，那個問句就失去殺傷力。
怎麼揭露你用了 AI？三種情境的說法
揭露不是懺悔。目的是把對話從「你有沒有用」轉到「你負責什麼」。
對同事或主管
先講流程，不講工具
「我用 AI 做了初步整理，這幾個判斷是我下的，這幾個地方我還不確定。」把不確定的地方主動標出來，比宣稱全部自己做更能建立信任，也讓對方知道要複查哪裡。
對讀者或觀眾
寫一次原則，不必逐篇聲明
在關於頁或工作說明寫清楚哪些內容會用 AI 協助、哪些一定人工、事實怎麼查證。本文引用的經理人那篇報導，文末就寫了「本文初稿由 AI 協助整理，編輯：支琬清」——一句話，工具與責任都交代完了。
對團隊
該討論規則，不是要個人扛
如果團隊對 AI 使用有疑慮，該討論的是資料界線、署名與核准規則。資料能不能交出去是另一個獨立問題，三家官方規則的整理在這裡。
判斷歸屬紀錄：一頁表
這張表只記錄一件事：這一步是誰判斷的。它不是驗收清單，也不是工作流程表。用在你最近一次會被別人檢視的成果上，填完一次通常不到十分鐘。
Markdown · Attribution Record
# 判斷歸屬紀錄｜________________
- 成果名稱：
- 交付對象：
- 完成日期：
## 1. AI 做了什麼（動詞就好，不必美化）
-
-
## 2. 我否決了什麼
| AI 提供的選項 | 我沒選的理由 |
|---|---|
| | |
| | |
## 3. 我親自查證的事實
| 事實／數字 | 來源連結或檔案 | 查證日期 |
|---|---|---|
| | | |
## 4. 原稿與定稿的主要差異
- 我改動最多的一段：
- 為什麼改：
## 5. 我還不確定的地方
- （主動標出來，交付時一起說）
## 6. 如果被問「這是你做的嗎」
- 我會指出的一個具體判斷：
它的價值不在表格本身，而在你會發現：有些成果你確實答不出第 2 欄和第 6 欄——那是真正需要調整的地方，不是需要隱瞞的地方。
什麼情況下你不必揭露？
過度揭露會變成另一種焦慮。以下情況通常不需要特別聲明：
這些不必說
- 拼字檢查、格式轉換、翻譯草稿等不改變判斷的輔助
- 只是幫你想關鍵字、查詢起點，最後由你自己重寫的內容
- 內部草稿、還沒有交付對象的階段性檔案
- 對方已經知道你的工作方式，並且已有共識
判準
如果對方知道了會改變他對這份成果的評估，就該說；不會改變的，就不必。
FOBO 與 AI 使用羞恥常見問題
FOBO 是什麼？和 FOMO 有什麼不同？
FOMO 是害怕錯過（Fear of Missing Out），焦點在外面發生的事；FOBO 是 Fear of Becoming Obsolete，害怕自己變得不再被需要，焦點在自己。FOBO 不等於一定會失業，但它比 FOMO 更難靠「多學一個工具」緩解。
被說「這是 AI 寫的」，該怎麼回應？
不要爭論字是誰打的，直接給出一個具體判斷：為什麼選這個角度、為什麼刪掉那一段、某個數字你查了哪裡。判斷無法被 AI 代替，也無法被旁人猜測。如果你當下答不出來，那是流程問題，不是回應技巧問題。
主動說用了 AI，會不會反而被扣分？
短期可能會遇到，尤其在還沒有共識的環境。但被動被發現的代價通常更高，而且你會一直處在防守位置。比較務實的做法是把揭露和責任綁在一起講——說明工具的同時說明你承擔什麼，重點就會移動。
不會寫程式，也能做到可交代嗎？
可以。三種證據都不需要技術：保留被否決的選項、留下來源連結、把 AI 第一版另存一份。用文件、表格或筆記工具就能完成。
這套做法能消除 FOBO 嗎？
不能，本文也不作這個宣稱。它處理的是 FOBO 裡可操作的那一塊——當你的貢獻可以被指出來，「我是不是不再被需要」這個問題至少有了具體的討論對象，而不是一團模糊的不安。若焦慮已經影響睡眠、情緒或日常功能，那是需要專業協助的範圍，不是工作方法能處理的。
下一步：挑一份最近的成果，回答第 6 欄。
不要從整套流程開始。挑一份你最近交出去、而且有點在意的成果，只回答一個問題：如果現在有人問「這是你做的嗎」，你要指出哪一個具體判斷？答得出來，你的問題其實不是 FOBO，是還沒習慣把判斷講出來。答不出來，那就是下一次要補的東西——補的方式是留紀錄，不是少用 AI。工具會換，模型會換；別人記得的是你在哪裡做了決定。
來源與引用範圍（兩篇皆於 2026 年 8 月重新核對）：
FOBO 定義與 4 成／38% 兩組數據引自 經理人〈2026 職場新焦慮「FOBO」〉（2026-06-04，支琬清），原始出處為 KPMG 調查與美國心理學會 2025 年 7 月調查。
57% 隱瞞使用、「AI 貶稱」（劍橋 Advait Sarkar）與「AI 幻肢效應」（政治大學傳播學院侯宗佑團隊）引自 換日線〈用了 ChatGPT 卻不敢說？〉（2026-06-08，劉沐恩）。
上述調查均為美國或跨國樣本，不能直接套用台灣情境。本文提出的方法為根據上述現象所做的推論，HERAIZONE 目前沒有可公開核對的連續實跑案例，不作成效保證。