本文来自微信公众号： 观潮体系 ，作者：观潮


——从提速到实际受益，中间还隔着几步


“所有AI都听话之后”系列第五篇


序


“AI提高效率，所以AI有益。”


这句话如今很容易说出口。写得更快，答得更多，过去要半天的事，现在不用一小时就能做完。于是，效率提高了，AI当然有益。


真如此吗？


如果客服更快回完一批消息，客户的问题解决得更好吗？员工因此早下班了吗？公司因此少花了钱、多赚了钱吗？还是同样的人接着做更多的事，甚至部门开始觉得原来不需要这么多人？


这些都可能是提速之后的去向，却不是同一个结果。把“更快”直接说成“有益”，中间省掉了好几步：究竟变好了什么？谁得到了好处？证据走到了哪一步？代价又落在谁身上？


一快是真的，服务未必随之变好


一项发表于《经济学季刊》的客服现场研究，跟踪了一家企业的5,172名客服人员。AI助手投入使用后，员工每小时解决的问题数平均提高约15%；新员工和原本表现较弱的员工，提升约34%。


这是一项清楚的效率变化：同样一小时，解决的问题更多了。


研究还看了客户满意度。处理速度上去了，客户满意度却未见显著变化。两种结果出现在同一项研究里：员工做得明显更快，满意度並没有明显提升。


这不等于提速没有价值。更快得到答复，本身就可能值得；只是“更快”不能替“问题解决得更好”作证。前者看员工做事的速度，后者看客户实际得到了什么。


“AI有效”说的是工具改变了某个环节；“AI有益”还要继续问，这个变化让谁的处境变好了。


二省下来的时间，去了不同地方


英国税务海关总署在2024年试用Copilot。3,000名员工被随机分配使用许可，试验后有1,364人回应调查，回应率为45%。回应者自报，平均每周省下一小时左右。


他们说，省下的时间被用来处理更多日常业务、提高工作质量，或改善自己的工作状态。三种去向，代表三种不同的好处：组织多完成了一些事，服务质量有了改善，员工过得从容一些。


但这只是员工的自报。调查记录了他们怎样感受、怎样描述时间的去向，没有逐项核实日常业务多完成了多少、质量提高了多少、工作状态是否持续改善。


报告还把省下的时间折算成一个估值：若将许可扩大到五万人，每年可形成约五千万英镑的产能价值。这不是已经到账的利润，而是按省下的时间推算出的能力。能力后来变成了更多业务、更好的服务、员工是少加班，还是收入增加，报告没有继续追踪。


另一项覆盖66家公司、7,137名知识工作者的随机现场实验，看到了一种不同去向：试验后半段，实际使用AI工具的员工每周处理邮件的时间少了约两小时；按全体参与者估算，约少1.4小时。研究也没有发现任务数量或任务构成显著变化。


这项实验不能说明所有公司都会把时间还给员工，却足以提醒我们：提速不必然变成更多任务。有人把时间用在日常业务，有人少花时间处理邮件；对有些人来说，变化也许只发生在工作过程里，还没有变成更大的结果。


三财务收益，既有实证，也远非普遍答案


企业的财务收益要另看，不能从“员工更快”直接推出来。


PwC的2026年全球CEO调查询问企业过去一年AI带来的收入和成本变化。56%的受访CEO表示，企业尚未看到显著的收入或成本收益；33%报告收入或成本至少一项有改善，12%表示两项都有改善。这是CEO的自我报告，不是审计后的财务账，也不能单独证明变化由AI造成。但它至少说明，企业使用AI、员工感到提速，与企业已经得到清楚的财务收益，是三件不同的事。


确有局部结果走到了销售这一层。一家大型跨境零售平台在七种面向消费者的业务流程中进行了随机现场试验，涉及数百万用户和商品。不同流程对销售的影响，从没有检测到明显变化，到提高16.3%；四种有正向销售效果的应用，研究者估算年化增量价值约为每位消费者5美元。


这是重要的例子：某些AI应用确实带来了更多购买，研究也没有发现退货率和顾客评分因此变差。但这项研究来自一家平台，七种流程是平台管理者按判断选出来的；两位作者在研究期间担任平台顾问，另一位作者当时是平台员工。每位消费者约5美元，是把四种正向应用的实验结果年化后线性相加的估算，不是直接测得的净利润，也没有替所有企业算出扣除AI部署和运行费用后的投资回报。


把两组材料放在一起看，并不矛盾。PwC的调查让我们看到，财务收益还没有成为多数受访企业清楚报告的结果；零售试验则证明，某些具体流程里已经测到了销售增益。前者范围广，却是管理者自报；后者有随机试验，却集中在单一平台和经过挑选的流程。


因此，既不能说AI没有财务收益，也不能拿一个局部成功证明AI普遍有回报。更准确的说法是：收益已经在一些地方出现，但出现在哪里、规模多大、扣除成本后还剩多少，仍要随时间逐项回答。


四一个条件性风险


提速之后，组织怎样使用速度，也会影响最后算出来的是什么。


客服研究中的那家公司，原有奖金就与每小时处理的会话数和解决率有关。这说明速度与处理量早已是计酬指标；它没有证明AI上线后，公司因此提高了配额或奖金门槛。


亚马逊仓库的速率管理，可以作为更早的非AI先例。美国参议院HELP委员会多数党幕僚报告描述了仓库对拣货速率的记录和管理；亚马逊反驳过报告的若干结论。这不是办公室AI的证据，只提醒我们：当吞吐量写进配额、时限或计酬，提速才有变成新基线的通道。至于它是否真的发生、发生得多普遍，目前还缺少足够证据。


要检验这一点，可以追踪同一批组织引入AI前后的绩效指标、定员和计酬办法，看吞吐目标是否上调。若要称它是常见模式，可预先规定：在有代表性的样本中，超过半数组织出现了有文件可查的目标上调。这样，“效率会不会变成加码”就不只是担心，而是可以核对的问题。


五“有益”还要把话说完整


普通人为什么要在意？因为“AI有益”会进入具体决定：公司是否继续买工具，团队是否提高指标，岗位是否调整，公共服务是否改变做法。说法越笼统，越容易把某一方得到的好处，当成所有人都受益。


下次听到“AI有益”，不必急着赞成或反对。可以把话接下去：


具体改善了什么？是速度、质量、服务可及性、收入、成本，还是工作和生活？


谁得到了好处？员工、客户、企业，还是公众？


证据走到了哪一步？是任务测试、使用者自报、企业估算，还是已经观察到的实际变化？


代价算进去了吗？工具、培训、核对和错误处理花了什么？新增的工作又落到谁身上？


还要多问一句：这些指标由谁来定？如果只计算处理量和收入，不看客户是否解决问题、员工是否更辛苦，那么“有益”的答案在开口之前，就已经被指标过滤了一遍。


这几问不是要求所有好处都折成钱。客户少等一会儿、员工少做一些重复劳动、更多病人完成筛查，都可以是实在的好处。但一种好处不能替另一种作证：省时不单独证明利润，企业获益不证明人人受益，一处成功也不能替整个社会作答。


“AI有益”可以是真的。但这句话只有接上后半句，才算说清楚：有益在哪里，谁得了益，凭什么知道，代价由谁承担。


效率已经可以测量；效益，还有待逐项说明。


资料注


1.Erik Brynjolfsson、Danielle Li、Lindsey Raymond,“Generative AI at Work,”The Quarterly Journal of Economics,2025。样本5,172名客服人员；每小时解决问题数平均提高约15%；客户满意度整体变化不显著。该公司客服奖金与每小时会话数、解决率等指标相关。


2.HM Revenue&Customs,Evaluating the Impact of Microsoft Copilot in HMRC,2024。3,000名随机获许可员工，1,364人回应；省时与去向为自报，回应率45%；五万许可对应约£50m为产能价值估算。


3.Michael J.Dillon et al.,“Shifting Work Patterns with Generative AI,”American Economic Review:Insights,forthcoming。66家公司、7,137名知识工作者；使用者每周邮件处理时间减少约两小时，全体估算约1.4小时。


4.PwC,29th Global CEO Survey,2026。AI对收入与成本的结果来自CEO自报。


5.Lu Fang et al.,“Generative AI and Firm Productivity:Field Experiments in Online Retail,”arXiv:2510.12049,v6,June 2026。七个流程由平台管理者按判断选择；两位作者在研究期间为合作平台顾问，一位作者为平台员工；约5美元为四个正向应用年化后线性加总的估算。


6.美国参议院HELP委员会多数党幕僚报告，The Injury-Productivity Trade-off,2024年12月；亚马逊公开反驳了报告的部分结论。