来源：HRflag

　　AI能够让员工在更短时间内完成更多任务，却未必让工作变得更轻。真正需要管理者回答的问题，不再只是“AI节省了多少时间”，而是这些时间去了哪里，谁承担了新增的审核、判断与协调，以及组织是否重新设计了岗位、绩效和管理责任。

　　当企业仍在讨论如何提高AI渗透率、计算使用频次、统计节省工时时，一组看似矛盾的数据正在提醒管理者：员工使用AI之后，确实可能完成更多工作，但这不意味着他们拥有了更多可支配时间，也不意味着工作体验同步改善。相反，AI释放的效率越快被新增任务、加速交付和更高绩效预期吸收，员工越可能进入一种“产出增长、精力透支”的状态。效率提升不再自然导向减负，反而可能成为下一轮加码的依据。

　　2026年6月18日，WebMD Health Services发布《2026 Workplace and Employee Survey》。这项覆盖3872名美国全职员工的调查显示，80%的受访者已经在工作中使用AI；然而，那些“强烈认同AI提高了自己生产力”的员工，出现倦怠的可能性是其他员工的4.5倍。调查同时发现，只有12%的一线个人贡献者处于高度敬业状态，而高级的这一比例达到37%；中层管理者的倦怠水平则超过个人贡献者的三倍。

　　这组数据最值得关注的地方，并不是简单得出“AI导致倦怠”的结论。该调查呈现的是相关性，不能证明AI使用与倦怠之间存在单向因果关系：原本承担更多任务、绩效要求更高的员工，可能更积极使用AI；而更熟练的AI使用者，也可能因为能力较强而被持续追加工作。真正需要管理者警惕的是， AI生产力增长与员工倦怠上升，完全可能在同一个组织、同一个团队，甚至同一个人身上同时发生。

　　WebMD调查中的六个关键信号

　　39% 的员工处于高幸福感状态，较2024年下降11%；低幸福感员工比例同期增长39%，超过四分之一的员工处于低幸福感状态。

　　12% vs. 37% ：个人贡献者与高级之间的高度敬业比例接近三倍差距。

　　80% 的员工在工作中使用AI，但最认同AI提效的员工，倦怠可能性是其他人的4.5倍。

　　3倍以上 ：中层管理者的倦怠水平高于个人贡献者，成为组织压力最集中的层级。

　　45.5% 的员工认为自己拥有较好的财务健康，财务健康连续第三年在五个健康维度中排名更低。

　　27倍 ：高信任员工成为高度敬业者的可能性，显著高于低信任员工。

　　01

　　效率提高了，时间却没有真正还给员工

　　在传统管理语境里，效率提升通常意味着投入减少、产出增加，或者在产出不变的情况下释放时间。许多企业部署AI时也沿用了这套逻辑：员工能够更快起草报告、更快分析数据、更快完成客户回复，理论上应当减少重复劳动，缓解工作压力。但现实中，被节省出来的时间很少以完整、可感知的方式回到员工手中。

　　一个员工原本每天需要三小时整理资料，使用AI后缩短到一小时，管理系统看到的往往不是两小时的精力恢复空间，而是两小时的新增产能。新的报告、更短的交付周期、更频繁的数据更新和更多临时需求很快填满这段时间。员工没有少工作，只是单位时间内处理了更多任务。

　　当这种变化在组织中持续发生，AI带来的效率收益会转化为一种隐性的“工作密度增长”。员工的工作时长可能没有明显延长，但每小时处理的信息量、需要做出的判断数量、任务切换频率以及交付责任都会增加。表面上看，员工仍然每天工作八小时，实际上这八小时的认知消耗已经完全不同。

　　数据补充｜BCG《AI at Work 2026》

　　BCG对全球十多个市场、近1.2万名一线员工、管理者和的调查发现，74%的一线员工已经成为AI常规使用者。在经常使用AI的一线员工中，42%表示每周至少节省八小时，相当于释放一个完整工作日；但66%表示组织很少或完全没有告诉他们应如何使用这段时间，超过一半的人也没有把它转向更具战略价值的工作。

　　BCG的数据让“时间去了哪里”变得更加具体。在经常使用AI的一线员工中，营销职能有60%每周节省至少八小时，IT职能为53%，HR职能达到50%。但个人节省时间并不会自动转化为企业价值，如果组织没有设计新的工作承接机制，时间就可能消耗在更多临时沟通、低价值请求和反复生成中。

　　同一调查还发现，67%的受访者认为AI接手了较简单的任务，留下了更多复杂工作；60%认为“达到合格水平”的工作标准已经提高。接近一半的员工需要投入更多时间审核、纠正或管理AI输出，41%表示AI增加了用于决策的时间，另有41%感受到更高的心理负荷。 AI节省的是操作时间，但操作时间减少之后，员工面对的往往是判断更复杂、责任更集中、标准更高的工作。

　　这意味着，企业不能只计算节省工时，还应计算“复杂任务增量”。如果一个员工每周节省八小时基础操作，却增加了六小时输出审核、跨部门解释和异常处理，真正释放的有效产能远低于表面数字。若绩效目标仍然按照八小时全部释放来调整，员工很快就会感受到难以解释的负荷上升。

　　AI生产力悖论的核心，并不是工具让人变累，而是组织把技术节省下来的时间迅速重新定价为更多产出。

　　02

　　AI没有减少工作，而是让工作进入更多时间缝隙

　　2026年，来自加州大学伯克利分校哈斯商学院的研究提供了一个更具体的组织现场。研究人员在一家员工规模约200人的美国科技公司进行了八个月的民族志研究，通过现场观察、会议参与以及40多次半结构化访谈，追踪员工获得生成式AI工具之后，日常工作方式如何变化。研究没有预设AI一定会减轻或增加工作，而是从员工实际工作过程出发记录变化。

　　结果显示，AI并没有简单缩短员工的工作日，反而通过三种方式提高了工作强度。员工开始承担过去属于其他岗位、或者原本不会尝试的任务；午餐、会议前和晚间等原本能够形成短暂休息的时间，被随时发起的提示和生成任务占据；员工还会一边参加会议或审核文件，一边让多个AI进程在后台运行。

　　在这个案例中，很多工作扩张并不是管理者明确要求的。由于使用AI让启动一项任务变得非常容易，员工会主动尝试更多事项，并把过去因为时间有限而放弃的想法重新加入工作清单。AI降低了任务启动成本，却没有降低员工完成、判断和承担责任的成本。

　　这种变化可以被称为“自我强化式工作扩张”。员工并非被直接命令加班，而是在工具能力、绩效期待和个人责任感共同作用下，不断把更多工作纳入自己的岗位。短期内，这种状态可能表现为兴奋、探索和高投入；持续数月后，员工面对的却是更多并行任务、更少自然停顿和更模糊的下班边界。

　　旁证｜微软“无限工作日”

　　微软基于Microsoft 365使用信号发现，平均员工每天接收117封电子邮件和153条Teams消息，40%的员工在早上6点前已经开始查看邮件，晚上8点后开始的会议同比增加16%，29%的活跃员工在晚上10点又重新回到收件箱。这些数据不能证明AI直接延长工作时间，却说明AI正在进入一个原本已经高度碎片化、信息密集且边界模糊的工作系统。

　　在这种环境上继续增加AI生成、审核和智能体管理，很容易让效率工具变成新的工作入口。一项工具每天节省半小时，如果同时产生更多消息、更多版本和更多跨部门请求，员工并不会感受到半小时被真正释放。企业需要观察的不是模型运行得多快，而是员工之中能够保持完整专注和进行有效恢复的时间是否增加。

　　03

　　77%的员工为何认为AI增加了工作负担

　　Upwork Research Institute与Workplace Intelligence在2024年对美国、英国、澳大利亚和加拿大的2500名高管、全职员工及自由职业者进行调查。96%的受访高管预计AI会提高企业整体生产力，但只有26%的高管表示公司已经建立AI培训项目，只有13%认为组织拥有实施较好的AI战略。对效率的期待，明显快于组织能力建设。

　　在使用AI的员工中，47%表示不知道如何实现企业所期待的生产力提升，77%认为AI至少以一种方式降低了自己的生产率或增加了工作负担。其中，39%的员工需要花费更多时间审核或管理AI生成内容，23%需要投入更多时间学习工具，21%表示自己因此被要求完成更多工作。

　　这组数据让所谓“AI额外工作”变得更加具体。员工并不是打开工具、获得答案，随后立即节省全部时间；他们需要学习如何提问、判断输出质量、寻找原始来源、修正格式、处理错误，并向同事或管理者解释结果。这些任务过去并不存在，却很少被纳入岗位说明和工作量统计。

　　高管与员工对准备程度的判断也存在明显差异。37%的高管认为员工已经能够熟练、自信地使用AI，但只有17%的员工认可自己达到这一水平，38%的员工表示使用AI让自己感到不堪重负。管理者看到的是工具已经采购并开放使用，员工面对的则是如何在缺少明确规则的情况下承担结果责任。

　　到了2025年，Upwork的后续调查显示，员工自报的AI生产力提升达到40%，说明随着使用经验增长，AI开始兑现更明显的效率价值。但生产力更高的AI使用者同时更容易出现倦怠、低投入和人际连接减弱，其离职可能性也达到其他员工的两倍。这不是说AI熟练必然导致离职，而是说明如果工作设计保持不变，效率最强的人可能更先被追加任务和透支。

　　这两年数据放在一起看，呈现出的并不是“AI无效”，而是一条更复杂的变化路径。AI应用早期，员工主要承受学习、审核和流程不适配带来的额外负担；进入熟练阶段后，个人生产力明显提高，但组织如果继续把效率收益全部兑换为新增产出，高绩效AI使用者仍然可能成为更先被透支的群体。

　　04

　　局部提速，不等于系统生产力增长

　　许多AI项目最容易被证明的，是单项任务效率。写一封邮件节省十分钟，生成一份会议纪要节省半小时，制作一份初步分析节省两小时，这些结果直观、易测量，也适合进入项目汇报。但如果管理者只停留在这些指标上，就可能把任务层面的提速误认为组织层面的生产力提升。

　　一份报告生成得更快，并不代表决策也更快。如果AI生成的内容需要多轮核验，如果不同部门使用不同工具和口径，如果更高的输出量带来了更多会议、审批与协调，那么节省下来的制作时间可能会在下游被重新消耗。局部流程看起来提速了，系统总周期却没有显著缩短。

　　质量成本同样容易被忽视。AI可以提高初稿产量，却可能同步增加事实核验、合规审查、信息溯源和风格修正的工作。对于招聘、薪酬、绩效、法律合规和员工关系等高风险场景，生成只是整个任务中最容易被自动化的一部分，真正需要经验与责任承担的判断环节并没有消失。

　　当管理者只统计“生成了多少”，却不统计“有多少被采用、修改、退回或返工”，生产力数据就会出现失真。一支团队可以在AI帮助下将方案数量提高一倍，但如果决策者需要阅读和比较的内容也翻倍，最终可能只是把工作压力从内容生产端转移到审核端。组织获得了更多输出，却没有获得更高质量的选择。

　　这种失真还会通过绩效目标被进一步放大。一旦某些员工展示出较高的AI效率，管理者可能把他们的产出水平当作新的团队基准，随后将临时表现固化为长期标准。原本依赖个人熟练度、额外投入和大量隐性审核才实现的结果，逐渐被解释为所有员工都应达到的正常产能。

　　真正的系统生产力需要同时观察速度、质量、返工、风险、协作成本与员工可持续性。企业不仅要问一项任务快了多少，还要看从需求提出到最终产生业务结果的完整周期是否缩短。只有当AI减少了整个系统中的等待、重复、低质量循环和不必要协调，它才从工具效率转化为组织生产力。

　　05

　　5179名客服人员的实验：AI并不会平均帮助所有人

　　AI提高生产力的能力已经得到实证研究支持，但这种提升在不同员工之间并不均匀。美国经济研究局收录的一项研究追踪了5179名客户服务人员使用生成式AI助手的情况，工具会根据历史成功对话，为客服人员实时提供回复和问题处理建议。研究发现，获得AI助手后，客服人员每小时解决的问题数量平均提高14%。

　　但平均数背后存在显著差异。经验较少、技能水平相对较低的员工，生产力提高约34%；经验丰富、原本绩效较高的员工，获得的提升则很有限。原因并不难理解：系统将优秀员工多年积累的沟通方式和问题处理经验，转化为可以实时提供给新员工的建议，相当于压缩了一部分经验学习周期。

　　这一结果对HR的意义非常直接。企业不能用同一个平均提效比例调整所有岗位的绩效目标，也不能假设每个人使用同一工具都会获得相同收益。AI可能明显缩短新员工达到稳定绩效的时间，却不一定让员工提高同等比例的产出。

　　如果企业只看到平均生产力提高14%，随后对整个团队统一增加14%的工作量，就可能形成错误激励。新员工刚刚借助AI缩小经验差距，仍然需要建立独立判断；员工则可能承担更多疑难问题、输出审核和团队辅导。岗位名称相同，AI介入后的真实工作结构已经不同。

　　这项研究还提示企业重新思考“能力”的含义。当AI能够快速复制和分发部分更佳实践，基础知识获取不再是最主要的能力壁垒，识别例外、处理复杂情绪、判断风险和承担最终责任会变得更重要。绩效体系若仍然只计算每小时解决多少问题，就会低估这些更难量化的专业贡献。

　　06

　　中层管理者，正在成为AI转型的“组织缓冲层”

　　WebMD调查中另一个值得高管高度关注的信号，是中层管理者的倦怠水平超过个人贡献者三倍。过去，组织谈员工健康时，往往把注意力集中在一线员工；谈领导力时，又习惯把资源投入高级管理者。中层管理者因此处在一个尴尬位置：他们承担了大量组织责任，却很少被当作需要专门支持的群体。

　　AI转型进一步放大了这种结构性压力。高层负责提出愿景、确定投资方向和设定效率目标，一线员工负责在日常任务中实际使用工具，而把战略翻译成工作流程、绩效要求和行为规范的责任，大多落在中层管理者身上。他们既要向上证明转型有效，又要向下解释变化对岗位意味着什么。

　　当AI系统仍处于试验期，中层管理者还要承担大量“补洞”工作。他们需要处理工具不稳定、输出质量参差、数据权限不足、员工能力差异和流程边界不清等问题，同时确保原有业务不受影响。转型成功时，结果通常被归入技术或战略成果；出现问题时，执行责任却往往回到管理者身上。

　　与此同时，中层管理者的角色范围正在持续膨胀。他们不再只是分配任务、检查进度和评价绩效，还被要求成为教练、变革推动者、情绪支持者、跨部门协调者和AI应用顾问。很多企业增加了对管理者的新期待，却没有同步减少他们原有的行政、汇报与业务责任。

　　AI带来的岗位不确定性，也使中层承担了更多情绪劳动。一线员工会询问岗位是否会被替代、能力是否仍有价值、绩效标准是否会上调以及未来晋升路径是否改变。中层管理者未必掌握完整答案，却必须维持团队稳定，避免不确定性扩散为恐慌。

　　更复杂的是，他们自己也处在岗位变化之中。许多协调、汇总、信息传递和进度管理工作正是AI最容易介入的部分，中层管理者一边推动团队使用AI，一边也在判断自己的角色将如何变化。要求一个人持续向团队传递信心，却不给他足够的信息、资源和安全感，本身就是一种高消耗的管理安排。

　　当组织把中层当作无限吸收压力的缓冲层，最终被削弱的将不是某一批管理者，而是战略落地、员工信任与日常运营之间最关键的连接。 高管团队需要重新审视中层管理岗位的责任清单，每增加一项变革责任，就应明确哪些原有任务可以取消、合并或自动化。

　　广告

　　07

　　12%与37%之间，是两种不同的组织现实

　　调查显示，只有12%的个人贡献者处于高度敬业状态，高级则达到37%。这组三倍左右的差距，不应被简单理解为“一线员工不够投入”或“高层更有责任感”。更合理的解释是，组织中的不同群体正在经历完全不同的工作现实。

　　高级通常能够更早看到战略全貌，知道AI投资的目的、优先级和资源安排，也拥有更大的工作自主权。他们能够把AI理解为竞争工具、增长机会和组织升级的一部分。相比之下，一线员工首先感受到的往往是流程变化、任务加速、技能要求上升和岗位边界调整。

　　同一项AI计划，在高层会议里可能被描述为“释放创造力”，到一线工作中却可能表现为更短的交付周期和更高的响应频率。高层看到的是总体效率和未来机会，员工看到的是今天需要多处理多少任务。两种感受都可能真实，却因为缺少充分沟通而彼此难以理解。

　　这种感知差距会直接影响敬业度。员工并不一定反对AI，也不一定拒绝提高效率，他们更关心效率收益如何分配，以及转型是否让自己的工作更可控、更有价值。如果员工只看到工作量增加，却看不到发展机会、时间回报和决策参与，他们对转型的支持就很容易变成表面配合。

　　WebMD调查还显示，高信任员工成为高度敬业者的可能性，是低信任员工的27倍。这个数字不是说企业只要提高信任，就能机械地获得27倍绩效，而是说明信任与敬业之间存在极强关联。支撑这种信任的核心，是员工是否感受到组织提供了清晰、稳定且可以验证的支持。

　　在AI转型中，信任不是一句文化口号，而是员工对一系列具体问题的判断：公司是否清楚说明数据如何使用，是否在调整岗位前提供学习机会，是否允许员工指出系统错误，是否公平计算AI贡献，以及效率提升后是否会持续追加工作。当这些问题没有稳定答案时，再丰富的AI培训也很难建立真正的转型信心。

　　08

　　HR需要先从岗位入手，而不是继续追加工具

　　面对AI生产力悖论，HR最容易采取的动作是增加培训、发布使用规范或扩充员工关怀项目。这些措施有其必要性，但如果岗位本身没有发生重新设计，培训只会让员工更熟练地完成一套越来越密集的工作。解决问题的起点，应当是重新理解AI进入岗位后，任务组合究竟发生了什么变化。

　　一个岗位通常包含多种性质不同的任务，其中既有重复处理，也有判断、沟通、协调、创造和责任承担。AI可能压缩了信息收集和初稿制作，却增加了审核、比较、提示设计、数据治理和异常处理。若HR只看到被压缩的部分，就容易高估岗位的可替代程度，也会低估新增任务的认知负担。

　　岗位分析因此需要从静态职责说明转向动态任务结构。企业应观察一项工作在AI介入前后分别经历哪些步骤，谁负责发起、谁负责校验、谁拥有最终决定权，以及错误发生后由谁承担责任。只有把完整任务链拆开，才能判断AI究竟消除了工作，还是把工作从一个环节转移到了另一个环节。

　　岗位重构还必须包含明确的“停止做什么”。许多企业在转型中非常善于添加新流程，却很少正式取消旧流程，结果是员工既要使用AI系统，又要保留原有表格、邮件和人工记录。所谓数字化最终变成双轨运行，技术没有替代工作，只是在旧工作之上增加了新的操作层。

　　实际案例｜IKEA把8500名客服转向新业务

　　2021年，IKEA引入名为Billie的AI助手处理常规客户咨询。两年间，Billie承担了呼叫中心约47%的客户问题，IKEA则培训8500名呼叫中心员工成为远程室内设计顾问，为客户提供视频咨询、产品清单、空间规划和三维设计等服务。

　　根据路透社报道，IKEA远程室内设计渠道在2022财年通过电话和视频销售产品与服务，实现约13亿欧元收入，占Ingka集团当年总收入的3.3%。这笔收入不能全部归因于AI，但案例说明，自动化释放的人员能力可以通过业务模式、岗位内容和技能培养的同步变化，转向更高价值的客户场景。

　　IKEA所做的并不只是技能培训。AI负责高频、标准化咨询，员工转向需要理解具体空间、生活需求和客户偏好的服务，企业则建立相应的付费渠道。如果只有培训而没有新的岗位和业务承接，8500名员工即使学会室内设计，也很难真正完成转型。

　　这正是很多企业AI项目缺少的一环。员工被要求掌握工具，却没有新的任务组合；原有工作被部分自动化，却没有明确哪些高价值活动应当接替；绩效标准提高了，岗位发展路径却没有同步改变。技术释放了能力，组织却没有为这部分能力找到业务出口。

　　真正的岗位重构不是删掉被AI完成的任务，而是回答员工接下来将为客户和组织创造什么新价值。 每个AI应用场景都应同步建立“任务减法清单”，明确哪些报表停止、哪些审批合并、哪些会议取消以及哪些重复录入必须退出。

　　09

　　绩效管理不能把AI红利全部兑换成更高指标

　　岗位变化之后，最容易制造倦怠的环节是绩效目标重置。很多团队在试用AI期间获得了明显效率提升，随后便迅速提高交付数量、缩短响应时限或减少人员配置。由于初期数据通常来自少数熟练员工和有限场景，这些目标未必能够代表稳定、可复制的真实产能。

　　AI项目刚启动时，员工往往会投入额外时间学习工具、设计提示、修正结果并总结经验。这些学习成本可能没有被记录，却支撑了看起来亮眼的效率数据。如果管理者把试验期的更好结果直接固化为长期绩效标准，就相当于要求员工维持冲刺状态。

　　绩效体系还容易奖励可见产出，忽视不可见的质量责任。生成材料数量、响应速度和完成任务数都容易统计，而核验信息、纠正错误、保护数据、帮助同事学习和维护客户信任却不容易量化。当评价指标过度偏向数量，员工自然会减少那些耗时但必要的专业判断。

　　这会形成一种危险的激励：员工为了证明AI提升了生产力，必须不断增加输出；输出增加之后，管理者进一步提高目标；目标提高又迫使员工更密集地使用AI。最终，AI使用、产出增长和倦怠上升彼此强化，组织却可能把这个循环误认为转型正在加速。

　　更合理的绩效设计，应当同时观察产出、质量、返工、风险与协作。某项工作的处理时间缩短了多少固然重要，但一次通过率、错误修正时间、下游采用率和客户反馈同样需要进入评价。对于需要专业判断的岗位，还应关注员工能否解释AI输出、识别异常并在必要时拒绝模型建议。

　　企业还需要建立“效率红利分配”规则。AI节省下来的时间可以用于增加业务产出，也可以用于学习、改进流程、服务创新和恢复精力，而不是默认全部兑换为新增任务。不同团队可以根据业务周期决定分配比例，但这种分配必须被明确讨论，不能在日常工作中悄然被吞噬。

　　对高AI生产力员工尤其需要避免“能力惩罚”。如果一个员工因为熟练使用AI而持续获得更多工作，却没有更多发展机会、资源支持和合理回报，他很快会意识到提高效率只会换来更高负担。长期来看，这种机制会打击员工主动学习新工具的意愿，也会让最有能力的人更先寻找退出路径。

　　10

　　AI能力建设不能只教“怎么用”，还要教“何时不用”

　　许多企业已经推出AI培训，但培训内容仍然集中在工具功能、提示技巧和典型案例。员工学会生成文本、制作分析、总结会议，却未必学会判断输出是否可靠，也不一定知道在高风险场景下何时应停止使用。工具熟练度提高了，责任边界仍然模糊。

　　真正的AI能力至少包含任务判断、结果验证、风险识别和流程重构。员工需要理解什么任务适合交给AI，什么任务必须保持人工主导；需要知道如何检查来源、发现逻辑缺口和识别偏差；还要能够把AI嵌入完整工作流，而不是只在原流程中增加一个生成步骤。

　　验证能力尤其重要。生成速度越快，审核压力越容易被低估，而大量看似合理的内容会提高人的判断负担。员工如果需要连续审核几十份结构相似的输出，注意力会逐渐下降，错误反而可能在后期被放过。

　　数据补充｜培训必须与岗位重构绑定

　　2026年达沃斯世界经济论坛期间，EY全球副主席Julie Teigland表示，如果企业不愿意改变岗位说明和工作流程，就很难真正获得AI回报。她引用的EY研究显示，如果与岗位重构结合，每名员工约81小时的密集培训，可能对应约14%的周生产力提升；这里的关键并非机械累计培训时数，而是学习内容必须进入真实岗位与流程。

　　BCG的2026年调查进一步显示，72%的员工认为AI已经改变组织对其技能的期待，但只有36%认为自己获得了足够的技能提升支持。只有约三分之一的一线员工认为领导层对AI的沟通足够清晰，只有28%认为的AI表述与组织实际行动之间存在较强一致性。课程告诉员工如何使用工具，却没有解释岗位价值如何变化，正是很多培训投入难以转化为组织能力的原因。

　　中层管理者需要一套不同于普通员工的能力方案。他们不仅要会使用工具，还要能够重新分配任务、识别团队负荷、解释岗位变化、主持绩效校准，并处理员工对于技能和职业安全的担忧。把管理者和个人贡献者放进同一套通用课程，很难回应他们真实承担的责任。

　　高级同样需要接受AI生产力治理训练。高层不一定要掌握所有操作细节，但必须理解效率数据的边界，知道局部节省工时不等于系统产能，并能够判断什么情况下需要调整工作设计。否则，领导层越积极提出效率目标，中层越可能被迫把不成熟的设想转化为刚性要求。

　　每一项大规模AI培训都应同步回答三个问题：员工将停止做什么、开始承担什么，以及绩效将如何评价这些新贡献。缺少其中任何一项，培训都可能变成转型压力的一部分。能力只有与角色、权限和业务需求发生连接，才能转化为组织生产力。

　　11

　　员工健康计划必须走出“健身房逻辑”

　　WebMD调查显示，财务健康已经连续第三年在身体、心理、工作、社交和财务五个维度中排名更低，仅45.5%的员工认为自己的财务健康状况较好。与之相比，身体健康是五个维度中表现相对稳定的一项，而心理、工作、社交和财务健康的下降速度明显更快。超过四分之一的受访者已经处于低幸福感状态。

　　这并不意味着企业过去对体检、健身和疾病预防的投入没有价值。相反，身体健康相对稳定，可能说明这些长期投入正在发挥作用。问题在于，今天员工面对的压力已经超出传统健康福利能够覆盖的范围。

　　AI转型所带来的疲惫，不只是坐得太久或缺乏运动。它还包含对岗位未来的担忧、持续学习的压力、认知负荷增加、工作关系弱化以及经济安全感下降。员工下班后去一次健身房，无法抵消白天不断提高的工作密度，也无法解决对收入、技能和职业路径的不确定性。

　　财务健康需要从传统退休计划扩展到更现实的生活压力。不同职业阶段的员工可能需要预算辅导、应急储蓄支持、债务管理、保险教育和重大生活事件服务。企业不必承担员工所有财务问题，但可以降低信息壁垒，让员工更容易获得可信、可使用的支持。

　　心理健康也不能只依赖热线或危机干预。EAP等资源仍然重要，但如果工作量、绩效标准和管理方式持续制造压力，员工就会把心理支持理解为“帮助自己适应不合理工作”的补救措施。真正有效的心理健康策略必须与岗位和流程改善同时发生。

　　社交健康在AI环境中也变得更重要。当大量沟通、写作和信息处理转向人与系统之间，员工可能减少向同事请教、讨论和共同解决问题的机会。工作效率上升了，关系连接却可能变弱，知识也更容易停留在个人与工具的私密互动中。

　　团队需要保留必要的共同思考空间。不是所有会议都值得保留，但涉及复杂判断、经验传递、创新探索和情绪支持的互动不应被简单自动化。企业需要区分低价值协调与高价值连接，而不是把减少人际接触本身当作效率。

　　12

　　信任不是文化结果，而是转型基础设施

　　高信任员工成为高度敬业者的可能性是低信任员工的27倍，这个结果把信任重新带回了生产力讨论。过去，信任常被视为企业文化的软性结果，似乎只有在业务稳定之后才有时间建设。AI转型却表明，信任本身就是技术应用能否规模化的重要基础设施。

　　员工是否愿意把真实工作交给AI系统，取决于他们是否相信数据不会被不当使用。员工是否愿意报告错误，取决于组织会不会把试验中的失败归咎于个人。员工是否愿意投入时间学习，取决于他们是否相信新能力能够带来发展，而不是仅仅加速岗位收缩。

　　透明沟通不是泛泛解释技术趋势，而是清楚回答与员工直接相关的问题。企业需要说明为什么引入某项工具、哪些任务会变化、哪些数据会被收集、如何评价AI产出，以及岗位调整依据是什么。不能确定的部分也应坦诚说明，而不是用确定语气掩盖尚未形成的决定。

　　参与感同样重要。一线员工最了解任务中的例外、摩擦和风险，如果他们只能在系统上线后被动执行，组织就会失去最有价值的流程知识。让员工参与场景选择、测试、风险识别和指标设计，不仅能够改善系统，也能减少“技术是被强加的”这种感受。

　　管理者的行为决定信任是否落到日常。员工听到高层说AI用于赋能，却在团队中因为使用速度不够快受到批评，正式信息与真实体验就会发生冲突。组织文化最终不是写在转型方案里的承诺，而是员工在绩效会议、任务分配和错误处理中的实际感受。

　　成熟的信任机制来自可预测的管理，而不是更动人的内部宣传。 规则清楚、数据透明、责任明确、反馈渠道有效，员工就不必依赖猜测判断自己的风险。

　　13

　　管理责任需要随着AI能力一起升级

　　AI生产力悖论不能只交给HR解决，因为工作量、资源配置、业务目标和技术节奏都不是HR单独决定的。HR可以提供数据、设计机制并推动岗位重构，但真正决定效率红利如何使用的，仍然是业务负责人和高管团队。组织必须避免出现“业务负责提效，HR负责安抚”的分工。

　　业务管理者需要对团队的可持续产能负责。过去，管理者常以结果为导向，只要目标完成，工作过程和精力成本较少进入管理讨论。AI提高工作密度之后，这种管理方式可能快速积累隐性风险。

　　技术负责人需要对工具引发的流程负担负责。系统上线不应只计算许可数量、活跃用户和调用次数，还要观察员工是否需要重复录入、是否增加了审核步骤，以及工具错误是否把额外工作转移给一线。采用率高不一定代表体验好，也可能只是组织规定员工必须使用。

　　HR需要把员工状态数据与业务数据放在一起解释。AI使用频率、节省工时和交付数量，应当与加班、返工、病假、敬业度、内部流动和离职意向进行交叉分析。只有看到这些指标之间的关系，组织才能判断某项效率增长是否具有可持续性。

　　高管团队则需要为效率红利设定治理原则。哪些收益用于增长，哪些用于降低风险，哪些用于员工学习与工作改善，应在战略层面形成基本规则。否则，每个团队都会在短期目标压力下将全部红利兑换为新增产出。

　　中层管理者不能只被要求推广工具，还应有权调整工作量、暂停低价值任务、重新安排交付周期，并把团队负荷问题向上升级。如果管理者只有执行责任，没有资源和调整权，他们只能继续充当压力缓冲层。授权与资源不增加，所谓管理责任升级就只是责任继续增加。

　　AI治理不能只包含数据隐私、模型安全和法律合规，还应纳入工作设计与员工健康。技术是否可靠是一类风险，组织如何使用技术则是另一类风险。后者往往不会以系统故障的形式突然出现，而会通过倦怠、质量下降、人才流失和管理失灵慢慢累积。

　　14

　　从未来90天开始，重建可持续的生产力规则

　　0—30天：建立AI工作影响基线

　　HR可以先选取AI使用最频繁、业务影响较大或员工负荷变化明显的团队，建立“AI工作影响地图”。这份地图不仅记录使用了什么工具，还要记录任务变化、审核责任、实际节省时间、返工量和员工感受，并观察完整交付周期，而不是采用供应商或项目团队提供的节省工时估算。

　　同一阶段还应对中层管理者进行专项负荷审计。审计内容不仅包括管理人数，还应包括会议时间、跨部门协调、变革项目、情绪沟通和AI推广责任。很多中层岗位的问题不是某一项任务过重，而是几十项看似合理的责任叠加后失去可持续性。

　　30—60天：完成岗位减法与绩效校准

　　每个重点AI场景都要明确取消哪些旧任务、合并哪些审批、减少哪些重复汇报，并指定最终责任人。试点团队应将质量、返工、风险和协作成本纳入评价，暂缓依据短期节省工时直接提高长期目标，并检查AI熟练员工是否出现任务持续追加、学习支持不足和贡献回报不匹配的问题。

　　管理者支持也需要同步启动。企业可以为中层提供AI流程设计、团队负荷识别、变革沟通和心理安全方面的工具，同时给予其调整任务与交付节奏的实际权限。培训如果不伴随授权，只会为管理者再增加一项学习任务。

　　60—90天：建立效率与健康双重看板

　　产出数量和处理速度仍然可以保留，但需要与一次通过率、返工时长、关键错误、员工负荷、心理安全和团队信任放在同一张管理看板上。看板的目的不是监控个人情绪，而是识别系统层面的风险变化，判断效率收益是否以质量、信任或人才稳定为代价。

　　福利资源也应在这个阶段完成连接。心理健康、财务辅导、职业发展和学习资源需要与岗位变化场景衔接，让员工知道在不同问题下可以获得什么帮助。管理者则需要知道哪些问题应由自己处理，哪些问题应转介给HR或专业服务。

　　90天结束时，企业不必追求一个完美答案，但应能够回答几个基本问题：AI究竟减少了哪些工作，新增了哪些责任；效率收益流向了哪里；哪些员工和管理层级承担了最多的转型成本；生产力提升是否伴随质量、信任和健康恶化。如果这些问题仍然无法回答，AI项目就还没有进入真正的组织管理阶段。

　　AI的价值，不该以人持续透支为前提

　　WebMD的调查并没有否定AI的生产力价值。80%的员工已经在工作中使用AI，那些强烈感受到效率提升的人，可能确实获得了更强的工作能力。问题在于，组织是否建立了一套能够承接这种能力的管理系统。

　　如果AI生成得更快，管理者就提出更多需求；如果员工交付得更多，绩效标准就立即上调；如果中层能够维持团队稳定，组织就继续向他们追加变革责任。那么AI释放的每一份效率，最终都会被重新转化为人的压力。

　　真正成熟的AI转型，应当让组织拥有更多选择，而不是让所有人永远做得更多。企业可以选择缩短客户等待时间、提高服务质量、减少错误、增加创新，也可以把部分时间用于学习、复盘和恢复精力。生产力的意义不只是提高输出上限，也包括降低组织为获得同样结果所付出的隐性代价。

　　对HR而言，这一轮转型的价值并不在于再推出一套AI培训或员工关怀项目，而在于重新建立岗位、绩效、能力和管理责任之间的连接。岗位要有减法，绩效要看完整价值，能力要覆盖判断与治理，管理者则必须获得与责任相匹配的资源和权限。

　　对高管而言，最需要改变的是对效率的定义。员工完成更多任务，只能说明产出发生了变化；只有当质量、信任、人才与组织韧性能够同步维持，效率才真正转化为企业能力。 一项必须依靠员工持续透支才能成立的生产力提升，很难成为长期竞争优势。

　　AI或许能够把一份工作从三小时缩短到一小时，但剩下的两小时如何使用，最终仍然是一个管理决定。它可以被下一项任务迅速填满，也可以转化为更好的判断、更少的错误、更深入的客户连接和更可持续的工作节奏。WebMD这份调查真正提出的问题，不是AI能否提高生产力，而是企业准备把这种生产力带向哪里。

　　参考资料

　　1. WebMD Health Services， State of Workplace Well-Being 2026

　　2. Employee Benefit News， Middle managers burning out due to AI， other mounting pressures

　　3. Boston Consulting Group， AI at Work 2026: Why Strategy Matters More Than Tools

　　4. UC Berkeley Haas， AI promised to free up workers’ time. Researchers found the opposite

　　5. Upwork Research Institute， From Burnout to Balance；From Tools to Teammates

　　6. Microsoft Work Trend Index， Breaking Down the Infinite Workday

　　7. NBER， Generative AI at Work

　　8. Reuters， IKEA bets on remote interior design as AI changes sales strategy

　　9. Reuters， Firms must invest in real people to gain from AI， EY’s Teigland says

　　原文链接：https://mp.weixin.qq.com/s/E7X4Mv2v4C6KONyVsjgfWQ