来源：HRflag

　　生成式AI进入职场之后，企业最常听到的一组数字与“节省时间”有关。邮件可以几分钟写完，会议纪要能够自动生成，报告初稿不再需要从空白页面开始，过去耗费半天的信息搜集也被压缩到几十分钟。从这些局部场景看，AI似乎已经兑现了最直观的生产率承诺。

　　然而，员工真实的工作日正在呈现另一幅图景。AI确实加快了生成速度，但随之出现的事实核验、语气调整、数据补充、格式修改、逻辑重组和反复追问，也在成为新的时间消耗。原本由员工直接完成的工作，并没有简单地交给机器，而是被拆成了“机器生成—人工检查—重新提示—再次修改—最终确认”的新流程。

　　2026年9月，HR Dive援引BambooHR最新调查指出，美国受访员工平均每天与AI交互87分钟，折合每年约47个工作日。其中42%的AI使用时间花在排查错误和反复调整提示词上，真正直接推进工作任务的时间占35%，仅修正AI输出一项便相当于每年约20个完整工作日。BambooHR的调查覆盖1608名美国全职白领员工，其中包括520名担任管理职务的HR专业人士，数据采集于2026年6月底至7月中旬。

　　42%

　　排错与 提示迭代

　　35%

　　直接推进 工作

　　47天

　　年均AI 使用时间

　　20天

　　年均排错 时间

　　数据来源：BambooHR《Redesigning Work: AI’s Performance Review》

　　这个数字很容易被理解成“AI没有提高效率”，但这并不是调查真正揭示的问题。65%的受访者仍然对在工作中使用AI感到自信和积极，58%的人表示，节省时间依然是他们使用AI的主要动力。 矛盾并不发生在员工是否喜欢AI，而在于企业把“生成得更快”当成了“工作已经完成”。

　　当员工近半AI时间被用于修正输出，企业面对的已经不是一项简单的工具效率问题。它指向了一个更难回避的现实：AI改变了任务的完成方式，却没有同步改变岗位边界、质量标准、绩效口径和管理责任。工具已经进入2026年，许多组织仍然用十年前形成的工作结构承接它，由此产生的摩擦，最终以返工、等待、重复沟通和隐性审核的形式留在员工日程表里。

　　PART 01

　　一小时生成，为什么不等于一小时产出

　　在没有AI的工作流程中，一个人撰写分析报告，通常要经历资料搜集、观点形成、结构组织、文字表达和校对确认。管理者可以相对清楚地看到工作在哪里发生，也知道不同环节大致需要多少时间。AI加入之后，文字生成可能只需几分钟，但前置的背景输入、过程中的多轮提示以及后续的事实核验，变成了难以被项目系统记录的“幕后劳动”。

　　一份看起来完整的AI报告，可能引用了已经失效的数据，也可能把行业常识拼接成流畅但不适用的结论。员工需要逐条追溯来源，判断逻辑是否成立，再按照企业真实语境重写重点。生成动作变快了，判断任务并没有消失，只是从“边思考边写作”转移成了“面对成品进行逆向审查”。

　　这也是为什么AI效率经常在演示中十分显著，进入复杂业务后却没有同等幅度地反映在经营结果上。演示通常计算第一次生成所需的时间，真实工作计算的却是从需求提出到结果被接受的完整周期。前者看到的是瞬间完成的初稿，后者还包括修改轮次、跨部门确认、风险复核以及错误造成的返工。

　　AI缩短的是某个动作， 而企业需要的是整个流程变短。

　　如果报告生成快了三小时，却因为信息口径不一致增加了两轮沟通；如果招聘文案写得更快，却需要HR重新检查岗位要求、品牌语气和合规表述；如果客户方案能够生成五份，但经理要花更多时间辨别其中哪些真正可用，局部效率就很难自然汇聚成组织生产率。

　　这并不是AI独有的问题。过去企业引入ERP、协同软件和自动化工具时，也曾经历“单点操作变快，整体流程没有变短”的阶段。不同之处在于，生成式AI的输出看起来更接近成品，语言又足够完整流畅，因此人们更容易低估检查它所需要的专业判断。

　　PART 02

　　企业正在支付一笔没有进入预算的“AI返工成本”

　　BambooHR调查中的42%，可以被理解为一种新的隐性成本。它没有直接出现在软件采购合同中，也不会单独成为财务报表上的费用，但会被分散到知识员工的工作时间、管理者的审核时间以及跨部门的沟通成本中。企业为模型和账号付费之后，还在用员工的时间把通用输出加工成可以承担业务责任的结果。

　　Workday在2026年初发布的一项全球调查给出了相近结论。该调查覆盖北美、亚太及欧洲、中东和非洲地区的3200名AI使用者，85%的员工表示每周能够借助AI节省1至7小时，但接近40%的节省时间又被纠错、重写和复核所抵消，只有14%的员工认为自己能够持续获得明确的净正向结果。Workday的研究显示，高频使用者往往最看好AI，也承担着最重的验证工作。

　　近40%

　　AI节省的时间，又被纠错、重写和复核所抵消

　　这意味着企业不能只计算AI节省了多少“第一次完成时间”。更接近真实经营的口径，应当是原始工时减去采用AI后的完整交付时间，而完整交付时间不仅包括生成，也包括输入背景、切换工具、验证信息、修改内容、等待审批和修复错误。如果质量下降带来了客户投诉、内部误判或后续补救，相应成本也不能被排除在AI效率账之外。

　　一家企业可能发现，AI让员工每天多完成了20%的文本任务，但这些文本进入下一个环节后，修改量同步增加了15%。表面上，前端产量提高了；从整个价值链看，工作只是从内容生产者转移到了审核者。若企业只奖励前端产出数量，不记录后端返工，AI甚至可能制造一种数据漂亮、体验疲惫的“虚假繁荣”。

　　因此，AI投资回报率真正缺少的，往往不是更复杂的模型评测，而是一张完整的工作成本表。软件许可费和算力成本很容易统计，流程改造、数据整理、员工学习、输出核验和管理复审却经常被当作自然发生的日常工作。 企业为AI付了两次钱，一次购买生成能力，一次购买把生成结果变成可用成果的人类判断。

　　PART 03

　　个人感觉更快，组织结果为什么依然不明显

　　员工对AI的积极体验通常是真实的。它减少了面对空白页面的压力，也降低了搜索信息和整理材料的启动成本，让许多琐碎任务不再需要从头完成。在写作、翻译、摘要、头脑风暴和基础分析中，AI能够提供一种即时反馈，这种“随时可以开始”的体验本身便具有价值。

　　问题在于，个人生产率与组织生产率并不是同一个概念。个人可以因为更快完成邮件而感到高效，但如果收件人收到更多、更长且缺乏重点的邮件，组织的信息处理总量反而会上升。一个团队能够更快制作演示文稿，也可能因此增加汇报频率，让更多管理者陷入阅读与反馈。

　　个人效率与组织结果之间仍有距离

　　65%的员工认为AI提升个人生产率，但只有12%强烈认同AI已经改变组织完成工作的方式。

　　Gallup在2026年《全球职场状况》相关分析中发现，在已经部署AI的美国组织中，65%的员工认为AI对个人生产率产生了积极影响，但只有12%的人强烈认同AI已经改变了组织完成工作的方式。Gallup的数据把个人感受与组织变化之间的距离呈现得十分清楚：员工已经在使用AI，企业却未必完成了相应的流程重组。

　　另一项由美国经济研究局发布、覆盖美国、英国、德国和澳大利亚约6000名企业管理者的研究，也呈现了相似落差。69%的企业已经使用某种形式的AI，但89%的管理者表示，过去三年AI尚未对本企业以人均销售衡量的劳动生产率产生可观察影响。NBER研究并未否认AI的未来潜力，受访管理者仍预计未来三年生产率将有所增长，只是这种价值尚未大规模进入企业经营数据。

　　出现这种落差，并不令人意外。员工使用AI节省下来的半小时，可能被更多会议、更多任务或更高产量要求迅速填满；一个岗位的效率提升，也可能被上游信息不完整和下游审批缓慢抵消。个人层面的时间碎片只有被重新配置，才可能转化为组织层面的交付速度、质量提升或收入增长。

　　PART 04

　　真正拖慢AI的，往往不是模型，而是工作没有重新设计

　　BambooHR调查显示，75%的员工认为AI已经改变了自己实际完成工作的方式，但HR平均只更新了43%员工的岗位描述。受访HR认为，组织中约61%的岗位需要根据AI影响重新调整，而70%的HR已经在所有新设岗位中加入AI相关要求。于是，企业内部开始出现一种不易察觉的“双轨结构”：新员工按照AI时代的要求进入岗位，老员工仍然在旧岗位说明中自行摸索新边界。

　　岗位描述没有更新，并不只是一份人事文件滞后。它意味着员工不知道哪些工作可以交给AI，哪些环节必须由本人完成；不知道核验输出是不是正式职责，也不知道因为使用AI而增加的审查工作是否会被看到。管理者同样难以判断，员工交付速度提高究竟来自能力进步、流程优化，还是把未经充分检查的内容更快推向下游。

　　以招聘岗位为例，AI可以协助形成职位说明、整理面试记录、归纳候选人信息，也可以为结构化访谈提供问题建议。真正影响招聘质量的，却仍然是岗位需求是否清晰、评价标准是否一致、证据是否充分以及决策者能否识别偏差。若岗位仍被定义为“完成筛选和面试”，AI只会加快材料处理；若岗位转向“提高人才决策质量”，HR才会重新安排机器生成与人工判断的边界。

　　类似变化也发生在营销、财务、客服和研发领域。营销岗位不再只是产出内容，还要判断哪些内容值得被品牌说出；财务岗位不只生成分析，还要解释数据背后的经营含义；客服岗位不只追求更快回复，还要识别何时需要情绪安抚和例外处理。 AI没有简单拿走一项职责，而是把岗位价值从内容生产推向问题定义、判断和责任承担。

　　如果这部分变化没有进入岗位设计，员工就会处在一种微妙状态：原来的产出要求没有减少，AI生成的内容还要自己检查，节省下来的时间又被安排更多任务。工具看起来提高了个人容量，岗位却没有明确新增的核验职责和更高层次的价值要求，返工自然成为无人命名、也无人管理的工作。

　　PART 05

　　当AI进入绩效，使用量可能是最容易误导的指标

　　AI推广初期，企业往往需要寻找可见的采用指标。账号开通率、活跃人数、调用次数、提示词数量和生成文档数量都容易统计，也能快速形成一张“AI应用进展”看板。这些数据适合回答员工是否开始使用工具，却很难回答工作是否因此变得更好。

　　如果把使用频率直接等同于绩效，员工会自然增加能够被系统记录的AI行为。原本一次可以完成的任务可能被拆成多轮提示，能够独立解决的问题也会经过AI中转，调用量上升并不一定意味着价值增加。更值得警惕的是，当员工担心“不用AI就显得落后”时，工具会从解决问题的手段变成展示积极性的信号。

　　Gallup在2026年第二季度的调查中发现，52%的美国员工已经在工作中使用AI，30%属于高频使用者，15%每天使用。最常见的场景是写作与编辑、搜索与研究以及一般性问题解决，而编码、自动化和数据分析等更具体的任务虽然使用比例较低，却与更高的生产率评价相关。 决定价值的不是员工打开AI的次数，而是工具是否进入了一个边界清楚、结果可衡量的业务任务。

　　一份更接近经营现实的AI绩效账，需要观察完整交付周期。任务从提出到被最终接受用了多长时间，经过了多少轮修改，输出一次通过率如何，错误是否流入下游，客户或内部使用者是否感到质量改善，这些数据比单纯的调用量更能解释AI的净贡献。

　　不同岗位也需要不同口径。客服可以观察问题一次解决率、客户满意度和升级人工的比例；招聘可以观察候选人匹配质量、决策一致性和招聘经理满意度；内容团队可以观察有效阅读、线索转化和事实错误率；研发则更关心缺陷、返工、部署周期和代码可维护性。AI使用量可以作为过程信号，却不适合成为脱离岗位结果的统一绩效指标。

　　更重要的是，绩效设计需要把核验工作纳入可见范围。员工花时间检查AI输出，不一定意味着能力不足，也可能说明任务风险较高、模型缺少企业背景或系统数据质量有限。若管理者只看到交付速度，没有看到员工避免了多少错误，认真复核的人反而可能比直接提交机器输出的人显得效率更低。

　　广告

　　PART 06

　　“会写提示词”正在让位于更完整的AI工作能力

　　AI刚进入职场时，企业培训常常围绕提示词技巧展开。员工学习如何描述角色、补充背景、规定格式和要求模型分步骤回答，这些技巧确实能够改善输出。但当AI成为日常工作的一部分，提示词只是最表层的操作，无法单独解决数据、流程、判断和责任问题。

　　真正降低返工的能力，首先是任务拆解。员工需要判断一个目标中哪些部分适合由AI起草，哪些需要调用可信数据，哪些依赖经验和利益权衡，哪些必须由具备权限的人最终确认。把一个复杂任务整体交给模型，看起来最省事，却也最容易得到语言完整、业务上无法直接采用的答案。

　　其次是情境提供能力。通用模型不知道企业当前的战略重点、客户历史、内部定义、产品限制和组织惯例，如果员工每次都要临时解释这些背景，大量时间就会消耗在重复输入上。如果企业能够把知识库、标准模板、数据权限和业务规则嵌入工作系统，员工才不必在每一次对话中从头“培训”AI。

　　再往后是验证能力。员工需要区分哪些事实可以通过公开来源核实，哪些数字必须回到内部系统，哪些结论需要专业人员判断，哪些表达虽然正确却不适合当前利益相关者。AI输出越流畅，这项能力越重要，因为明显错误容易发现，真正昂贵的往往是那些听起来合理、进入业务后才暴露的问题。

　　最后是对结果负责的能力。员工可以说明哪些部分由AI协助完成，能够解释结论是如何形成的，也能在被追问时提供证据和判断，而不是把模型当作答案来源。 企业需要的并非一批擅长与AI聊天的人，而是一批能够组织机器能力、检验机器结果并对最终成果负责的人。

　　PART 07

　　AI对新员工的帮助，可能同时伴随学习机会的流失

　　AI在提升初级员工生产率方面已经表现出明显价值。NBER对客户服务场景的研究发现，生成式AI工具使员工平均生产率提升约14%，其中经验较少、技能相对不足的员工改善更明显，增幅可达到约35%。NBER的研究表明，AI能够把优秀员工积累的表达方式和解决经验更快传递给新人，从而缩小部分能力差距。

　　这也是企业积极在新人培养中引入AI的重要原因。过去，新员工需要花较长时间学习基本格式、寻找内部信息和模仿成熟案例，如今AI可以随时提供建议，减少因为“不敢打扰同事”而产生的等待。对于规则明确、反馈及时的任务，这种即时支持能够显著缩短上手周期。

　　但AI也可能减少另一类更难被量化的学习。新人过去在起草方案时，需要自己组织逻辑、比较证据并暴露思考中的漏洞，管理者则通过修改和讨论理解其能力状态。当AI直接交付一份结构完整的初稿，管理者看到的是更成熟的文本，却不一定知道新人是否真正理解其中的观点。

　　一项任务往往具有双重产出： 既要完成眼前的工作，也要形成下一次能够独立完成工作的员工。

　　BambooHR调查中，42%的受访员工认为，初级员工对AI的依赖正在限制其成长与学习；这一判断在Z世代受访者中达到54%。同时，35%的员工表示，组织内的知识传递已经主要通过AI而不是人与人完成，48%认为随着年轻员工更多依赖AI，跨代际导师关系变得更加困难。AI降低了提问成本，也可能让一些本应发生在同事之间的解释、示范和反馈悄然消失。

　　对于早期职业阶段而言，一项任务往往具有双重产出：既要完成眼前的工作，也要形成下一次能够独立完成工作的员工。如果企业只看到第一份报告更快交付，却没有观察员工是否形成了判断框架，短期效率就可能以长期能力积累为代价。等到员工需要处理模型无法覆盖的例外情况时，这部分被跳过的学习才会重新出现。

　　因此，新人的AI能力不能只通过作品完成度判断。更有价值的观察包括：他能否解释为何采用某个结论，能否识别模型遗漏的信息，能否在没有AI时搭建基本框架，以及能否根据业务反馈调整自己的判断。AI可以成为随时可用的教练，但它无法完全替代真实工作中由同事传递的语境、分寸和责任感。

　　PART 08

　　HR为什么尤其容易陷入AI返工

　　HR是最早广泛采用生成式AI的职能之一。岗位描述、招聘文案、面试问题、员工沟通、培训材料、制度问答和数据解读，都具有大量文本密集、重复频繁的工作，天然适合AI参与。工具能够明显降低起草成本，也让原本资源有限的HR团队拥有更大的内容和分析容量。

　　与此同时，HR输出又高度依赖企业语境。两家企业使用相同的绩效术语，背后的管理逻辑可能完全不同；同一个岗位名称，在不同业务阶段对应的能力要求也并不一致。AI能够生成一份形式规范的文本，却很难自动知道组织正在解决什么经营问题、管理者可以承担什么责任以及员工会如何理解这段表达。

　　Workday调查显示，HR从业者报告的AI相关返工比例达到38%，处于受访职能中的较高水平。这并不意味着HR不擅长使用AI，反而可能说明HR承担了更多需要语境判断和风险控制的任务。员工沟通中的一个词、岗位要求中的一项标准、绩效反馈中的一种表述，都可能影响真实的人才体验，因此不能仅以“读起来通顺”作为完成标准。

　　招聘场景最能说明这种差异。AI可以迅速从简历中提取信息，也可以依据职位描述生成候选人摘要，但人才决策涉及经历真实性、能力证据、发展潜力、团队适配以及机会公平。机器可以帮助扩大信息处理范围，却不能替代组织回答“什么样的人更适合当前业务”这一管理问题。

　　当AI进入绩效、晋升、薪酬和员工关系等高影响场景，核验成本还会进一步上升。企业不仅要确认输出是否准确，也要理解模型使用了哪些数据、评价标准是否一致、是否存在不合理偏差，以及员工能否对影响自身的决定提出质疑。此时，人工审核不是AI暂时不成熟留下的多余步骤，而是管理责任的一部分。

　　HR使用AI的成熟度，不应由自动化了多少流程决定， 而应由哪些流程因此更准确、更一致、更及时来判断。

　　如果工具只是增加了更多文档和提醒，却没有改善人才决策，HR的工作量可能下降得并不明显；如果AI承担了资料整理，让HR把更多时间用于理解业务、辅导经理和处理复杂个案，它才真正改变了职能价值。

　　PART 09

　　修正AI输出的人，不应成为组织里的“隐形审核员”

　　AI返工还有一个容易被忽视的组织问题：修正工作通常没有明确归属。内容由一名员工生成，事实由另一名员工核对，语气由品牌团队调整，风险再由法务检查，最终却没有人被正式定义为AI输出的质量负责人。每个人都做了一点补救，整体成本因此很难被看见。

　　这种安排在小规模试用阶段尚可维持，随着AI产量扩大，审核能力很快会成为新的瓶颈。过去一名经理每天审核五份人工完成的材料，未来可能需要面对十五份AI辅助材料；虽然每份材料表面上更加完整，但经理仍然需要理解背景、判断结论和承担决策责任。生成能力几乎可以无限扩张，人的注意力却不能同步扩张。

　　如果绩效制度继续奖励“提交了多少”，却不观察“给下游增加了多少工作”，组织会鼓励大量低成本生成。收到AI材料的同事需要重新梳理需求、核实来源、删除重复表达，有时甚至不得不从头完成任务。这类工作不会被记入AI项目成本，却会持续侵蚀团队间的信任。

　　成熟的流程会把审核责任放回任务设计中，而不是交给下游临时消化。低风险、可逆且容易核验的任务，可以允许较高程度的自动化；涉及客户承诺、财务数据、人才决策或品牌声誉的任务，则需要明确的证据要求和审批权限。不同风险等级对应不同审查强度，才能避免所有AI输出都经历昂贵的全面复核，也避免高影响内容在无人确认的情况下流出。

　　岗位分工也会随之变化。一部分员工负责定义业务问题和输入标准，一部分员工管理知识来源与数据权限，一部分员工进行专业验证，最终责任人决定结果是否可以投入使用。企业不一定需要为每个环节设立新职位，但需要承认这些工作真实存在，并在时间、能力和绩效中为它们留出位置。

　　PART 10

　　管理者的AI热情，不能替代团队的工作设计

　　BambooHR调查发现，副总裁和C级高管平均每天使用AI 101分钟，经理和总监约为89分钟，而个人贡献者为54分钟。更频繁地使用AI，可能与其工作中存在大量信息总结、方案比较和沟通准备有关，也说明AI并不是由基层员工单方面推动的工具。许多组织的采用速度，正在由管理层亲自体验和示范所带动。

　　这种高频使用能够帮助理解AI的可能性，却也可能产生一种认知偏差。管理者常用AI处理概括、构思和表达，输出通常由本人消费，错误可以即时修正，风险相对可控。基层员工面对的则可能是客户系统、内部数据和跨部门流程，AI生成的每一项内容都需要满足更具体的交付标准。

　　在十分钟内得到一份战略摘要，很容易据此判断团队也能大幅压缩工作时间。团队真正执行时，却要确认数据来源、协调利益相关者、测试流程并对外部结果负责。管理层看到的是AI带来的认知加速，员工承担的是让认知变成可执行结果的组织成本。

　　因此，的职责不只是鼓励团队“多用AI”。更重要的是决定哪些问题值得优先改造，什么结果才算成功，节省下来的时间如何重新分配，以及当机器输出出现问题时由谁承担责任。AI工具越容易使用，这些传统管理问题越不会自动消失。

　　Gallup发现，在已经投资AI的组织中，如果员工强烈认同经理积极支持团队使用AI，他们认同“AI已经改变组织工作方式”的可能性会显著提高。但这种支持并不等于要求使用频率，而是包括解释应用场景、提供资源、处理障碍和帮助员工重新安排工作。管理者真正产生作用的地方，是把一种通用技术翻译成团队可以执行的工作方法。

　　PART 11

　　节省下来的时间，最终流向哪里

　　企业讨论AI效率时，常把时间节省视为自动产生的收益。事实上，半小时不会因为被AI释放出来，就自然进入利润表。它可能被更多会议占用，可能转化为更高任务量，也可能只是分散成难以利用的时间碎片。

　　Workday的调查显示，32%的组织会直接增加员工工作量，而把AI收益重新投入技术的企业比例为39%，投入员工发展的比例为30%。相比之下，持续获得较好AI结果的员工，更有可能把节省的时间用于深入分析、改善决策和提高工作价值，也更有可能获得额外的技能培训。时间的去向，正在成为AI价值能否持续扩大的分水岭。

　　如果员工使用AI每天节省20分钟，企业立刻增加同等数量的任务，那么员工感受到的不会是效率改善，而是工作节奏加快。随着产量增加，审核和沟通也会同步增长，原本节省的时间很快被新的协调成本填满。企业可能获得更多输出，却未必获得更高质量的结果。

　　另一种路径是把释放的时间集中起来，用于过去因为忙碌而长期被推迟的工作。客户洞察可以更深入，管理者可以增加高质量反馈，HR可以开展更细致的组织诊断，研发人员可以处理技术债，销售人员可以改善重点客户关系。AI的价值不再表现为“同样时间做更多”，而是让组织终于有余力完成过去做不到的事。

　　AI真正稀缺的产出不是文本， 而是可以被重新配置的组织时间。

　　这也是为什么单纯追求人均任务数量并不足以支撑长期AI回报。数量很容易在短期上升，决策质量、客户体验、创新速度和人才成长却需要明确的再投资安排。

　　PART 12

　　企业需要重算的不是工具账，而是整套经营账

　　如果只看采购成本，一款AI工具的价格可能远低于它所替代的人工时间。只要员工每周节省几小时，财务模型便能得出可观的投资回报。然而，这类计算通常假设节省出来的时间完整、可转移且能够被企业利用，也假设AI输出不会增加额外的审核和风险成本。

　　现实中的AI经营账至少包含几类投入。除了账号、算力和系统集成，还包括知识整理、数据治理、流程改造、员工培训、输出核验和异常处理。随着应用进入更关键的业务环节，合规、安全和责任追踪也会成为长期成本，而不是项目上线前的一次性准备。

　　与之对应，收益也不应只计算节省工时。更快的客户响应、更稳定的服务质量、更低的错误率、更高的销售转化、更准确的人才匹配以及更短的产品迭代周期，都可能比单纯减少工作时间更有价值。只有当收益与具体业务结果连接，AI项目才不会停留在工具活跃度层面。

　　企业还需要区分不同类型的AI任务。规则稳定、输出易验证的工作，往往更容易形成直接效率；高度依赖背景、涉及多方利益或错误代价较高的工作，价值可能主要来自辅助判断，而不是完全自动化。把两者放在同一套节省工时模型中，既会高估复杂任务的回报，也会低估AI在决策支持中的作用。

　　因此，AI投资组合需要像业务项目一样被管理。哪些场景已经形成稳定净收益，哪些仍处于学习期，哪些因为数据和流程问题产生大量返工，哪些虽然节省不多却显著降低风险，都应当被分别观察。工具本身不需要被简单判定为成功或失败，真正需要比较的是不同任务设计产生的结果。

　　PART 13

　　从岗位、绩效到能力，HR正在接手AI最难的一段

　　技术部门能够部署模型，业务团队能够发现使用场景，但AI最终如何进入岗位，通常会回到HR的职责范围。员工是否必须使用AI，哪些任务可以由机器协助，新的审核工作由谁承担，岗位价值如何变化，都会逐渐反映在职位说明、人才标准和组织分工中。

　　岗位发生变化之后，绩效制度也需要随之调整。如果员工不再从头生产所有内容，而是负责定义问题、组织AI执行并确认最终质量，单纯计算产出数量就很难准确反映贡献。绩效评价需要从“做了多少”逐渐加入“判断是否准确、返工是否减少、结果是否被采用以及是否改善下游工作”。

　　能力标准会进一步承接这种变化。AI熟练度不只是掌握某个工具，而是能够把业务目标转化为适合机器处理的任务，能够调用正确的数据和知识，能够识别不确定性并在必要时寻求人工协作。不同岗位需要的AI能力深度并不相同，统一要求所有员工达到同一种水平，既不现实，也可能制造新的。

　　当岗位、绩效和能力都发生变化，管理责任就不能停留在“员工自己学习”。管理者需要明确质量标准，决定人机分工，保护必要的学习和协作时间，并对AI进入团队后出现的新工作量负责。若返工长期居高不下，它不再只是员工提示词写得不好，也可能说明知识库不完整、工具与任务不匹配或者流程本身需要重新设计。

　　这使HR处在一个新的位置。HR不只是AI工具的用户或培训组织者，也开始成为工作重构的协调者，需要把技术能力、业务目标、员工体验和组织责任连接起来。 AI时代的人力资源议题，正在从“员工会不会使用工具”转向“企业能否重新定义一份完成得好的工作”。

　　PART 14

　　“近半时间用于修正”也可能是企业走向成熟的起点

　　任何新技术进入组织，都需要经历一段高摩擦时期。员工需要学习工具边界，企业需要整理知识和数据，管理者也需要重新理解什么可以被自动化。当前较高的修正比例，一部分可能是技术能力仍不稳定，另一部分则来自组织尚未形成成熟的使用方法。

　　因此，20个工作日不应被简单理解为永远无法消除的浪费。它更像一张诊断图，显示企业在哪些任务上缺少背景数据，哪些流程的质量标准不清晰，哪些员工承担了过多人工审核，以及哪些AI场景并不值得继续扩张。只要这些信息能够被记录，返工本身也可以成为流程优化的入口。

　　企业真正需要警惕的，不是员工花时间修正AI，而是没有人知道这些时间发生在哪里。若每次错误都被员工默默解决，管理层看到的只会是工具使用量持续增长，系统问题便会被个人努力掩盖。直到审核人员不堪重负、错误进入客户环节或员工开始降低检查标准，隐性成本才会突然显现。

　　更成熟的AI应用不会追求完全消灭人工判断，而是减少低价值、重复性的修正。通过接入可信数据、建立常用模板、沉淀优质案例、明确输出标准和设置风险分级，员工可以把时间从改格式、补背景、查基础事实，转向判断例外、解释结果和处理复杂关系。人工仍然存在，但它不再只是为机器“擦尾”。

　　从这个角度看，AI效率的下一阶段并不完全取决于模型再次升级。模型当然会更准确、更快速，也会处理更长的上下文，但企业内部的目标冲突、数据含义、客户关系和责任边界仍然需要组织自己解决。真正拉开差距的，可能不是谁最早获得更强的模型，而是谁更早建立起与AI相匹配的工作系统。

　　CONCLUSION

　　AI没有让人退出流程，只是改变了人的位置

　　过去几年，企业对AI的想象经常围绕“机器替代了多少工作”。如今越来越多的真实数据表明，在大量知识工作中，人并没有离开流程，而是从直接生产者转向了任务设计者、背景提供者、质量审核者和最终责任人。人的工作减少了部分重复操作，却增加了新的判断与协调。

　　这也解释了为什么员工可以同时感到AI很有帮助，又觉得自己花了大量时间修正输出。两种感受并不矛盾，前者来自启动成本下降和生成速度提升，后者来自组织尚未充分承接新的监督工作。AI既释放了能力，也制造了新的管理对象。

　　如果企业继续用“是否使用AI”区分先进与落后，很容易错过问题的核心。员工使用得更多，可能意味着场景价值更高，也可能意味着工具需要更多维护；使用得少，可能是能力不足，也可能是岗位并不适合。真正有意义的比较，是同一项业务在引入AI之后，完成周期、质量、风险和客户价值发生了什么变化。

　　AI的效率不应该在生成按钮被按下时确认， 而应在结果被业务真正采用时确认。

　　在这两个时点之间，包含了员工近半AI时间正在完成的工作，也包含了企业尚未充分认识的岗位变化、能力升级和管理责任。

　　BambooHR调查中最值得关注的，因而不只是每年20个工作日。更重要的信号是，员工已经在用自己的时间弥合工具能力与业务要求之间的距离。谁能把这段隐形劳动转化为清晰的流程、合理的岗位和可衡量的净结果，谁才更有可能把AI的个人效率，真正变成组织生产率。

　　AI并没有失去价值，只是那种“购买工具便能自动获得效率”的阶段正在结束。接下来，企业之间的差距不会只体现在模型、预算和账号数量上，而会体现在是否懂得重新设计工作。 当企业开始计算完整交付而不是第一次生成，关注净结果而不是使用热度，AI的效率账才可能真正算平。

　　参考资料

　　1. HR Dive：Almost half the time spent on AI is on fixing its output https://www.hrdive.com/news/almost-half-the-time-workers-spend-on-ai-is-spent-fixing-its-output/829404/

　　2. BambooHR：Redesigning Work—AI’s Performance Review https://www.bamboohr.com/resources/data-at-work/data-stories/redesigning-work-ai

　　3. Workday：Beyond Productivity—Measuring the Real Value of AI https://investor.workday.com/news-and-events/press-releases/news-details/2026/New-Workday-Research-Companies-Are-Leaving-AI-Gains-on-the-Table/default.aspx

　　4. Gallup：Organizational AI Adoption Jumps Six Points https://www.gallup.com/workplace/712736/organizational-adoption-jumps-six-points.aspx

　　5. Gallup：State of the Global Workplace 2026 https://www.gallup.com/workplace/349484/state-of-the-global-workplace.aspx

　　6. NBER：Firm Data on AI https://www.nber.org/papers/w34836

　　7. NBER：Generative AI at Work https://www.nber.org/papers/w31161

　　原文链接：https://mp.weixin.qq.com/s/zI4961VEL_73kcC2ErYyEg