来源：HRflag

　　2026年8月，HR Dive援引圣路易斯联储的一项最新研究，给热度持续上升的AI生产率叙事降了一次温。研究人员分析了2000年至2025年间约49万份美国上市公司财报电话会文本，覆盖5198家企业，并从中识别出约91万条与生产率有关的句子。结果显示，涉及AI的生产率讨论中，约95%说的是未来可能获得的收益，而不涉及AI的生产率讨论中，面向未来的表述约为75%。

　　这个数字并不意味着企业在夸大AI，更不能简单推导出“AI无效”。它真正揭示的是，企业对AI的投资、试验和组织调整已经快速展开，但多数收益仍没有稳定地进入经营结果。同期数据也呈现出这种克制信号：截至2026年第一季度的四个季度内，美国经利用率调整的全要素生产率仅增长0.07%，宏观数据尚未清晰显示AI带来的广泛跃升。

　　另一组数据让这件事显得更迫切。Express Employment Professionals与The Harris Poll针对1002名美国招聘决策者和1003名成年求职者的调查显示，90%的求职者对AI在职场中的使用存在担忧，73%担心企业将因此减少招聘，71%的所在企业已经使用AI的求职者担心员工规模会缩减。管理层在财报电话会上谈论未来的效率，员工却在今天判断自己的岗位、收入与成长空间是否还存在，这就是当前企业AI转型最容易被忽视的时间差。

　　真正需要警惕的不是“AI生产率神话”本身，而是企业把尚未兑现的生产率承诺，提前转换成了对员工的绩效压力、岗位调整与能力要求。 如果效率收益还停留在试验和预期阶段，员工却已经被要求以更少的人、更短的时间完成更多工作，组织得到的往往不是生产率，而是压力转移。短期报表可能更轻，长期的人才管道、客户体验和组织信任却会变得更脆弱。

　　一场越来越热的讨论，为什么仍然没有变成清晰结果

　　圣路易斯联储的研究还发现，在ChatGPT发布前，企业财报电话会中与生产率相关、同时提及AI的句子占比接近于零。这个比例在2023年迅速上升，2024年暂时趋稳，2025年再次加速，到年末已接近全部生产率表述的15%。更有意味的是，企业使用的词语也在变化：早期更常谈论“生成式AI”这一技术概念，后来则越来越多地提到“使用AI”和“AI工具”，说明讨论正在从技术想象走向日常应用。

　　但从“开始使用”到“形成生产率”，中间隔着一整套组织工程。员工用AI把一份报告的初稿时间从三小时缩短到四十分钟，只能证明一个任务环节加快了，并不代表报告交付周期缩短了，也不代表报告更准确、更能支持决策。如果后续审核增加、事实核验变长、跨部门确认更加频繁，省下来的时间很可能重新消耗在流程末端。

　　这也是为什么个人层面的AI体验往往令人兴奋，企业层面的收益却更难测量。个人可以感受到写作、检索、编程、翻译和数据整理变快，企业需要确认的却是交付周期是否缩短、客户是否更满意、错误是否减少、收入是否增长、单位成本是否下降。工具提供的是局部速度，经营需要的是完整链路上的净收益，两者之间不能画等号。

　　不少企业在AI试点阶段还存在一个隐形问题：旧流程没有退出，新流程又被叠加上去。员工既要按照原来的制度填写表单、开会、审批，又要学习新工具、维护提示词、检查输出、记录使用情况，于是AI没有替代旧工作，反而成为新的工作层。管理层看到的是系统上线率和调用量，员工感受到的却是任务密度上升，这种体验差异很容易演变成对转型的不信任。

　　AI生产率的难点从来不只在模型能力，而在于企业是否愿意删除旧动作、重划决策权、重新定义质量标准。 如果一个流程有十二个交接点，AI把其中两个环节加快一倍，整体周期也未必有明显变化。真正能够兑现收益的企业，不会只问“这个岗位能不能用AI”，而会追问“这项工作为什么存在、谁对结果负责、哪些步骤可以取消、哪些判断必须保留在人手中”。

　　任务变快，不等于组织变强

　　生产率通常被理解为投入与产出的关系，但AI进入组织之后，“投入”和“产出”都变得更难计算。员工节省了时间是一种收益，模型订阅、系统集成、数据治理、信息安全、培训、复核和返工也都是成本。内容数量增加是一种产出，错误率、同质化、客户信任和决策质量则决定这些产出究竟有没有价值。

　　当企业只统计工具调用次数、活跃用户数和生成内容量时，很容易得到一个漂亮却空心的采用率。调用多可能意味着员工真正形成了新工作方式，也可能意味着工具不够稳定，需要反复尝试才能完成任务。内容产量上升可能意味着营销触达扩大，也可能意味着审核团队被更多低质量材料淹没，因此任何脱离业务结果的AI指标都只能算过程信号。

　　组织层面的另一笔成本来自协调。AI降低了生成方案的门槛，一个团队可以在很短时间内拿出十套版本，但管理者需要比较、取舍、校验和统一方向，决策负担可能随之增加。过去稀缺的是初稿，现在稀缺的是判断；过去瓶颈在制作，现在瓶颈可能转移到审核、授权和责任确认。

　　这会带来一个反直觉结果：员工表面上完成得更快，组织却未必运行得更快。因为每个人都能生成更多材料，会议输入、消息数量和协同需求同步增加，有限的管理注意力被进一步分散。如果企业不限制无效产出，不重新设计协作规则，AI带来的就可能是“高速度的信息拥堵”。

　　真正的生产率还要回答收益流向。节省下来的时间是让员工承担更多任务，还是用于服务客户、学习新能力、推动创新和改善流程；成本下降是形成价格优势、利润空间，还是被新的技术费用与管理费用抵消；效率提升是少数熟练用户的个人红利，还是可以跨团队复制的组织能力。 没有明确的收益再投资机制，AI节省的时间就容易变成员工看不见回报的工作加码。

　　管理层说“未来会更好”，员工听到的却是“现在要更少的人”

　　Express与The Harris Poll的调查呈现了一个并不矛盾的现实：招聘管理者普遍认可AI的商业价值，同时也清楚它可能带来的组织代价。79%的受访招聘管理者表示所在企业已经在工作中使用AI，81%预计生成式AI会提高效率，79%认为它能释放员工时间，75%认为它会改善客户服务。与此同时，64%的招聘管理者认为AI可能让企业以更少员工完成工作，62%担忧自动化会削弱企业的品牌个性。

　　员工的焦虑因此不能被简单解释为“抗拒新技术”。当企业一方面强调AI将创造巨大生产率，另一方面又迟迟说不清岗位会如何变化、节省出的时间如何使用、人员是否会得到再培训，员工自然会用最直接的方式理解转型：技术越有效，自己的需求量可能越低。信息不完整时，人会用风险更大的情境填补空白，这不是认知落后，而是正常的职业安全判断。

　　调查中有42%的求职者担心组织过度依赖技术，36%担心入门岗位减少，另有36%担心员工的解决问题能力退化。70%的招聘管理者也相信，员工担心生成式AI会让自己变得“没有用”。这些数字说明，焦虑不只围绕失业，还围绕职业价值感：员工想知道，在机器可以生成答案之后，自己的经验、判断、关系与创造力是否仍被组织看见。

　　企业常见的沟通失误，是只讲技术愿景，不讲工作交易。发布会上说“AI赋能每个人”，培训中说“人人都要掌握AI”，绩效会议上却直接提高产出目标，却没有说明岗位边界、质量责任和成长路径将怎样调整。员工看到的不是赋能，而是一份没有重新谈判、却已经提高要求的劳动合同。

　　员工体验不是AI转型的外围议题，而是生产率能否兑现的前置条件。 一个担心被替代的员工，往往不会主动分享最关键的业务知识，也不会积极暴露模型错误，更不会愿意花时间帮助组织重构流程。企业若把焦虑视为情绪问题交给HR安抚，就会错过它所揭示的制度问题：岗位设计不清、收益分配不明、学习路径缺失、管理责任模糊。

　　入门岗位更先承压，企业的人才供应链也随之承压

　　AI对入门岗位的影响，正在把短期效率与长期人才供给之间的矛盾推到台前。D2L委托Morning Consult在2026年1月调查了546名拥有决策权的美国HR及人才负责人，其中30%表示，组织的人才获取策略正转向少招入门人才、更多招聘会使用AI的中层人才；56%观察到，原本交给职业早期员工的基础任务正在减少。48%的受访者表示，即便招聘规模没有变化，AI也已经提高了企业对入门岗位的生产率预期。

　　从成本角度看，这种选择很容易理解。中层员工拥有业务经验，再借助AI完成资料整理、初步分析和文案制作，短期内确实可能比招聘、培训新人更快。问题在于，中层经验不是凭空产生的，今天能够独立判断的人，通常正是通过昨天那些看似基础、重复甚至低价值的任务建立了模式识别、情境感和错误意识。

　　如果企业把基础工作全部交给AI，却没有设计新的练习场，年轻人才就会失去从低风险任务中学习的机会。一个分析师如果从未亲手清洗过数据，就很难判断自动生成的结论为什么异常；一个招聘顾问如果没有经历过大量候选人沟通，就不容易识别简历之外的动机差异；一个客户经理如果只接触AI总结，不直接面对复杂对话，就难以形成真正的关系判断。

　　D2L调查中，58%的HR负责人担心因AI减少入门岗位，可能在五年内造成合格高级领导人才短缺。更值得管理层关注的是，74%的受访组织尚未建立主动的技能提升或员工发展项目，用来替代被自动化拿走的在岗学习。企业正在拆除旧的人才阶梯，却还没有建好新的楼梯，这才是入门岗变化背后的战略风险。

　　入门岗位不是单纯的低成本劳动力，而是组织把知识、文化与判断力传给下一代人才的基础设施。 企业当然不需要保留所有低价值任务，但必须保留足够的学习回路。可以消失的是机械劳动，不应消失的是观察、尝试、反馈、修正和承担逐步升级责任的过程。

　　对中国企业而言，这一问题同样值得提前处理，但不能直接照搬美国调查比例。中国的行业结构、人才供给、用工制度和数字化基础不同，AI对制造、零售、专业服务、互联网、金融和公共服务的影响节奏也不会一致。可共用的判断是：任何企业一旦减少校招、实习和初级岗位，就必须同步测算未来三到五年的专业人才与基层管理者从哪里产生，否则今天节省的招聘成本，可能变成未来昂贵的外部抢人和继任断层。

　　岗位重构不能从“减几个人”开始，而要从“工作如何完成”开始

　　当AI项目进入规模化阶段，岗位设计是HR更先需要介入的环节。Protiviti面向近800名全球高管开展的2026年AI Pulse调查显示，只有13%的CHRO强烈认同本组织已经为AI做好岗位重设计准备，而整体高管中的这一比例为28%。这种谨慎并非HR保守，而是CHRO更清楚，岗位变化会同时牵动薪酬、职级、职业路径、人才供给、员工关系与管理跨度。

　　岗位重构的起点不应是职位名称，也不应是一个粗略的自动化比例，而是完整的工作任务图谱。企业需要把关键岗位拆解为信息获取、内容生成、分析判断、关系互动、风险控制和结果负责等任务，再判断哪些任务适合AI独立完成，哪些适合人机协作，哪些必须由人作出最终决定。只有看到任务之间的依赖关系，企业才知道AI节省的是局部时间，还是确实缩短了端到端周期。

　　这种拆解还必须保留情境。相同的“生成报告”，在内部周报、客户建议书、合规文件和董事会材料中，容错率与责任边界完全不同；相同的“筛选候选人”，在大规模基础岗位和高风险关键岗位中，也不能使用同一套自动化规则。 AI能否接管一项任务，不只取决于它会不会做，还取决于做错之后由谁承担后果。

　　完成任务拆解后，岗位说明书需要从“职责清单”转向“价值与判断清单”。新岗位应明确员工要解决什么问题、拥有何种决策权、在哪些节点必须复核AI、如何处理例外、需要保留哪些面向客户和团队的人际责任。这样才能避免出现一种常见局面：执行工作被自动化了，责任却仍完整留在人身上，而员工没有获得相应的权限、时间和回报。

　　岗位调整也不应只有“保留”与“取消”两种结果。更现实的路径包括任务缩减、职责合并、角色升级、岗位转移、团队共享和新角色生成，有些岗位的编制可能减少，但专业深度与业务影响扩大；有些岗位不会消失，却会从亲自制作转为编排、验证和决策。HR的价值在于把这些变化做成可管理的岗位组合，而不是在技术部门完成部署后再处理人员后果。

　　绩效管理必须停止奖励“看起来很忙的AI使用”

　　岗位变了，绩效制度如果不变，员工就会被旧指标拉回旧工作方式。企业要求使用AI，却仍按照工时、材料数量和传统操作步骤评价员工，员工自然会把AI当成额外负担；企业只提高产量目标，却不调整质量、创新和协作权重，又会诱导团队用更多低质量输出换取数字增长。生产率没有在制度中被重新定义，工具采用就很难转化为稳定行为。

　　AI时代的绩效指标需要从“毛效率”走向“净生产率”。毛效率只计算节省了多少时间、生成了多少内容，净生产率还要扣除复核、返工、错误处理、系统维护和协作拥堵，并观察最终业务结果。对客户服务，可以同时看响应速度、一次解决率、客户满意度和升级人工的比例；对招聘，可以同时看筛选周期、候选人体验、录用质量和偏差风险；对知识工作，可以同时看交付周期、决策采用率、事实准确性与重复修改次数。

　　绩效基线也必须真实。很多AI项目宣称节省了百分之多少的时间，却没有记录采用前的流程周期，也没有区分熟练员工、新员工和不同复杂度任务。没有基线，就只能证明员工感觉更快，无法证明组织真的获得了可持续收益，更无法支持人员编制和预算决策。

　　企业还需要区分“AI带来的结果”与“员工承担的新增责任”。当员工需要训练模板、检查事实、处理异常、保护数据和向客户解释结果时，这些都是真实工作，不应被视为工具附带的免费劳动。若组织只承认速度提升，不承认治理与复核投入，绩效评价就会系统性低估那些保障质量的人。

　　最值得奖励的不是最频繁使用AI的人，而是能够借助AI改善业务结果、降低风险并帮助团队复制方法的人。 这意味着绩效中要给知识共享、流程改进、异常发现和人才培养留下位置。否则少数高手会把AI变成个人优势，组织却无法形成共同能力，甚至因为经验不透明而增加关键人才依赖。

　　能力建设不能只教提示词，更要重建“会判断的人”

　　Protiviti的调查显示，组织对培训准备的信心普遍高于对岗位重构的信心，这恰好反映了企业最容易选择的路径。采购课程、组织训练营和发布工具手册相对容易，改变工作流程、管理权限、职业路径和薪酬体系则更困难。结果是员工学会了怎样向AI提问，却不知道在真实业务中何时该用、何时不该用、如何验证，以及出现问题时谁来决定。

　　真正的AI能力至少包含业务理解、问题拆解、数据意识、交互设计、结果验证、风险判断和人际沟通。不同岗位的组合并不相同，财务人员需要更强的口径核验和可追溯意识，招聘人员需要理解偏差、公平与候选人体验，销售人员需要保护客户信息并保留真实关系，管理者则要能判断一项工作是应该自动化、增强还是保留人工。用一套通用课程覆盖所有人，通常只能创造学习完成率，不能创造岗位胜任力。

　　能力建设还要解决“基础任务消失后如何学习”的问题。企业可以把原本自然发生的在岗练习重新设计为带反馈的模拟任务、轮岗项目、影子学习、案例复盘和受控的AI协作，让年轻员工不仅看到答案，还能理解答案如何产生。要求新人先独立形成判断，再与AI结果比较，往往比从一开始就接受模型结论更能建立思考能力。

　　经理在这个过程中承担关键角色。员工是否敢暴露自己不会使用AI，是否愿意报告错误，是否能获得适合自身岗位的练习，主要取决于直接主管，而不是一门线上课程。管理者如果只追问“为什么还不用AI”，员工会隐藏困难；管理者如果能够讨论任务、质量和风险，AI才会真正进入团队工作系统。

　　因此，AI培训预算中应有相当部分投向管理者，而不是全部投向一线工具技巧。经理需要学会重新分配工作、判断合理工作量、识别人机协作中的隐性劳动、处理能力差距，并与员工讨论职业路径。 AI时代最稀缺的管理能力，不是知道更多工具名称，而是能在效率压力下仍然设计出可持续的工作。

　　员工体验不是安抚焦虑，而是给员工可验证的确定性

　　当九成求职者表达对AI的担忧，企业最容易做的是增加沟通频次，但频次并不等于有效。员工真正需要的不是一封强调拥抱变化的，而是与自身决策直接相关的信息：哪些任务会改变、哪些岗位正在重构、什么时间发生、评价标准如何调整、企业提供哪些学习资源、如果岗位受到影响会有哪些转岗选择。越具体的信息，越能减少传言填补空白。

　　好的AI沟通不应承诺“绝不改变岗位”，因为这种承诺往往不真实，也不应把一切变化包装成机会，因为员工能够识别回避。更可信的方式是明确已知与未知，公布决策原则与审查节奏，并说明企业会在什么证据出现后调整人员、流程和投资。确定性不等于提前知道所有答案，而是员工知道组织将按照什么规则寻找答案。

　　员工参与同样重要。真正了解流程例外、客户反应和质量风险的人，通常是一线员工与基层管理者，如果他们只在系统上线后被要求接受培训，企业会失去最有价值的设计输入。让员工参与任务盘点、试点评估和风险复盘，不只是提升接受度，也是缩短AI从工具到结果的路径。

　　员工体验还包括公平感。熟练使用AI的人可能更快获得高价值任务，不熟练者则可能被困在残余的机械工作中；部分岗位可以安全试验，另一些岗位因合规限制很难展示使用成果；掌握优质数据和工具权限的团队也天然占优。如果绩效和晋升忽视这些条件差异，AI会放大组织内部原有的不平等。

　　企业需要把“AI可获得性”视为一种新的工作资源，而不是员工个人运气。 工具权限、数据权限、训练时间、专家支持与试错空间都应透明配置，并根据岗位风险设置不同规则。员工看到企业不仅要求结果，也提供获得结果的条件，焦虑才有可能转化为投入。

　　管理责任要从“推动采用”升级为“对净结果负责”

　　当前很多AI项目由技术、数字化或业务创新团队发起，HR在后期才被通知培训员工、修改岗位或处理沟通。这种顺序会导致技术收益与人员成本被分开计算：项目团队呈现效率提升，岗位冲突、能力缺口、员工焦虑和管理负担则留给HR消化。最终，企业很难看到AI项目的完整损益。

　　更成熟的治理方式，是让业务负责人、技术负责人、财务负责人和CHRO共同对净结果负责。业务负责人确认问题与价值，技术负责人保证工具与数据条件，财务负责人核算完整成本，CHRO负责岗位、能力、绩效与员工体验，风险与法务团队则守住合规边界。任何一方缺席，AI都有可能在局部成功、在组织层面失效。

　　管理者还要为“节省时间之后发生什么”作出明确选择。如果团队每周节省两百小时，组织可以减少加班、增加客户覆盖、加快产品迭代、安排学习，也可以重新配置人员，但不能假装这两百小时会自动转化为利润。时间只有被重新分配并形成新的业务结果，才是真正兑现的生产率。

　　对人员决策而言，证据门槛应当更高。单次试点中的时间节省，不足以支持性编制调整；某个高手的使用效果，也不能直接代表全体员工能够复制；模型在标准任务中的表现，更不能覆盖复杂情境、旺季压力和异常处理。涉及岗位缩减时，企业需要观察足够长的稳定运行数据，并把需求增长、工作积压、客户体验和人才梯队纳入判断。

　　AI不能成为管理层回避艰难组织选择的理由。 如果流程本身冗余、决策权不清、跨部门协作低效，即使引入更强模型，也只是让问题更快地流动。管理责任的核心，是决定哪些工作值得做、哪些流程应该停止、哪些能力必须投资，以及转型成本应如何公平承担。

　　从“未来时”走向经营结果，企业需要一张双账本

　　企业可以为AI建立两本同步更新的账。一本是经营账，记录收入、成本、周期、质量、风险与客户结果；另一本是组织账，记录岗位变化、能力覆盖、工作强度、员工体验、内部流动和人才梯队。只看经营账，企业可能用透支人才换取短期数字；只看组织账，企业又可能无法证明投资价值，两本账必须在同一个决策会议上被审视。

　　经营账需要从少数高价值流程开始，而不是把全公司调用量堆成一张大屏。每个流程都应有采用前基线、目标结果、完整成本、责任人和复盘周期，并区分实验结果、稳定结果与可规模化结果。只有当质量和风险保持在可接受范围内，且收益能够跨人员、跨周期复制，才适合进一步改变预算和编制。

　　组织账则需要追踪效率收益如何影响人。某项流程节省了时间，员工的工作时长是否真的下降，还是任务数量同步增加；基础任务被自动化后，新员工是否仍能获得练习；岗位要求提高后，薪酬和职级是否匹配；转岗机会是否向不同年龄、性别和地区的员工公平开放。员工体验不再只是年度敬业度分数，而是AI转型的实时控制面板。

　　两本账之间还应建立因果联系。若AI使用率上升而客户投诉增加，企业需要检查是否过度自动化；若产出增长而员工疲惫度持续上升，所谓效率可能只是更高工作强度；若短期人力成本下降而关键岗位外招成本和离职率上升，组织可能正在用未来成本补贴当期利润。这样的核算会让AI讨论从口号回到经营常识。

　　对董事会和高管团队而言，最关键的问题不再是“我们有没有AI战略”，而是AI收益已经有多少从未来时变成完成时。可以被验证的完成时包括：某条流程周期稳定缩短、某类错误显著下降、客户体验得到改善、员工获得新的高价值工作、内部人才流动增强。 只有同时改善业务结果与组织能力的AI项目，才真正具备规模化资格。

　　一个可落地的90天行动框架

　　接下来的90天，企业没有必要再次发起覆盖所有岗位的宏大盘点，更有效的做法是选择三到五条与战略直接相关、已有一定AI使用基础的关键流程。业务、财务、技术与HR共同记录现有周期、成本、质量、人员投入和员工感受，把“感觉变快”转化为可以比较的基线。与此同时，明确哪些数据属于试验观察，哪些数据可以用于预算、绩效与编制决策，避免过早下结论。

　　在随后的流程重构中，团队应当主动删除已经失去价值的旧步骤，而不是把AI覆盖在旧流程之上。每项任务都要标记自动化、协作或人工负责的边界，指定输出复核者和异常处理者，并重新计算合理工作量。员工代表和一线经理需要进入设计过程，因为他们最清楚哪些例外无法写进标准流程，哪些“节省”最终会变成返工。

　　岗位与绩效调整应与流程变化同步。企业可以先更新试点岗位的职责、决策权和质量责任，再调整目标与评价权重，避免员工用旧KPI完成新工作。对新增的验证、治理、知识共享和团队赋能工作，应明确计入绩效，而不是默认为少数骨干的额外贡献。

　　能力建设不必等待岗位体系全部完成，但必须与真实任务绑定。每个试点岗位都可以形成一张能力清单和一套练习任务，培训结束后用业务样本验证，而不是只考工具知识。对于基础任务明显减少的团队，应同步建立轮岗、导师制、模拟项目或人工复盘机制，确保职业早期员工仍然能够积累判断力。

　　90天结束时，高管团队需要做一次“双账本复盘”。如果经营结果改善而员工负担也下降，可以扩大范围；如果局部速度提升但返工、风险或焦虑上升，应先修流程；如果工具活跃度很高却没有业务变化，就应停止用采用率证明成功。这样的退出机制并不会削弱创新，反而能把资源从展示型项目转向真正有价值的项目。

　　CEO与CHRO应共同回答的五个问题

　　企业是否能够清楚说出，过去六个月AI已经改善了哪些经营结果，而不只是描述未来可能发生什么。这个问题要求管理层把模型能力、员工使用与财务结果连接起来，也要求承认暂时没有兑现的部分。越早区分已实现收益和预期收益，越能避免把乐观预期变成不合理的人员压力。

　　企业是否知道，AI节省下来的时间最终流向了哪里。若答案只是“员工可以做更多事”，说明组织仍把效率当成工作强度；若时间被有意识地投向客户、创新、学习和高价值判断，生产率才可能形成复利。CHRO需要让时间再分配成为岗位与绩效设计的一部分，而不是留给各团队自行消化。

　　企业是否在减少基础任务的同时，建立了新的成长路径。入门岗位可以重构，但人才成长不能断层，校招生、实习生和转岗员工必须有机会在可控风险下练习、犯错和获得反馈。未来的供给不应成为短期成本优化的盲区。

　　企业是否把员工焦虑当作战略数据，而不是沟通噪声。焦虑集中在哪些岗位、年龄、地区和职能，往往能够揭示岗位设计、技能支持和信息透明度的缺口。管理者如果只追求积极态度，组织就会失去最早的风险预警。

　　企业是否明确了AI结果的最终责任人。模型可以提供建议、生成内容和执行部分流程，但客户承诺、用人决策、合规判断和重大资源配置必须有清晰的人类责任。责任越模糊，员工越不敢信任工具，企业也越难把试点扩大到关键场景。

　　结语：生产率不是少用多少人，而是组织能否创造更多价值

　　95%的AI生产率讨论仍然面向未来，并不证明未来不会到来。它提醒企业，技术潜力和经营结果之间还有大量艰难但必要的工作：流程要删除，岗位要重构，指标要重算，能力要重建，管理者也要重新学习如何分配责任。真正的AI转型不会只发生在技术架构里，而会进入组织的每一份岗位说明、每一次绩效对话和每一条职业路径。

　　九成求职者的担忧也不意味着员工拒绝AI。Express调查中，多数招聘管理者和求职者仍相信AI会催生新工作，只是员工不确定新机会能否覆盖被改变的岗位，也不确定自己是否有机会完成迁移。企业若能提供可验证的岗位路径、学习投入和公平规则，焦虑并非不能转化为参与。

　　管理层需要停止用“未来的巨大收益”解释当下所有变化，也不要因为宏观生产率暂时不明显就否定AI。更成熟的做法，是用严格的经营指标验证收益，用稳健的人才机制承接变化，并让员工知道自己在价值创造中的新位置。 AI生产率真正的分水岭，不是企业能不能让同样的工作更快完成，而是能不能把节省出来的能力转化为更好的客户价值、更强的人才梯队和更可持续的组织。

　　当财报电话会中的“将会提升”逐渐变成经营报表中的“已经改善”，当员工不再只听到岗位收缩，而能看见新的成长阶梯，AI才算真正跨过了从工具到生产力的门槛。到那时，效率不再是一种让员工紧张的管理语言，而会成为企业与员工共同分享的组织能力。这也是CEO与CHRO必须共同完成的下一阶段任务。

　　参考资料

　　HR Dive， Corporate conversations about AI productivity are mostly focused on future gains ， 2026年8月7日：https://www.hrdive.com/news/corporate-conversations-about-ai-productivity-are-mostly-focused-on-future/827308/

　　Federal Reserve Bank of St. Louis， AI and Productivity: What Firms Are Saying on Earnings Calls ， 2026年7月31日：https://www.stlouisfed.org/on-the-economy/2026/jul/ai-productivity-what-firms-say-earnings-calls

　　Express Employment Professionals & The Harris Poll， AI Is Driving Workplace Gains but Deepening Job Anxiety for US Workers ， 2026年6月10日：https://www.expresspros.com/newsroom/news-releases/news-releases/2026/06/ai-is-driving-workplace-gains-but-deepening-job-anxiety-for-us-workers

　　D2L & Morning Consult， The Future of Work and Learning: GenAI Impact on Entry-Level Work ， 2026年5月12日：https://www.d2l.com/newsroom/d2l-survey-reveals-how-ai-is-beginning-to-reshape-entry-level-work-and-the-talent-pipeline/

　　Protiviti， AI Pulse Survey 2026: Workforce & AI Readiness， Vol. 5 ：https://www.protiviti.com/pgs-en/survey/ai-pulse

　　原文链接：https://mp.weixin.qq.com/s/K2H53Rhj-WQu31IdEIming