人工智能让员工更快 为什么企业还没有更赚钱？

现在发生了什么

现在企业到底得到了什么

在边界清楚、结果容易判断的任务中，人工智能已经能够带来可观的速度和质量变化。453 名专业人士参加的写作随机实验中，完成时间下降 40%，盲评质量提高 18%。一项覆盖 5,172 名客服人员和约 300 万次对话的现场研究中，每小时成功解决的问题数提高 15%，新手的改善接近 30%。三项开发者随机实验合计覆盖 4,867 人，完成任务数提高 26.08%。

这些结果证明了工具可以改变个人或单个工作单元，但它们没有自动回答公司的工资、人员、软件、外包和资本开支发生了什么。任务的完成速度只是经营链条的前端；企业还要接住更多产出、保持质量、处理例外，并找到订单或可退出的成本。

实验来源：职业写作、客户服务、开发者实验、METR、Microsoft 365 多企业实验。

公司层面的数据因此显得更慢。美国人口普查局企业趋势与展望调查显示，正式使用人工智能的企业约占 17.9%；采用者中，约 64% 没有因此进行制度性调整，95.7% 在随后六个月没有改变员工总数。另一项覆盖美国、英国、德国和澳大利亚近 6,000 名高管的调查中，89% 表示人工智能过去三年没有改变公司的劳动生产率。企业并非没有使用工具，而是使用尚未大范围改变组织的运行方式。

来源：U.S. Census Bureau；Firm Data on AI。

从工时到账目

一小时节省，为什么不等于一小时成本消失

公司按月支付工资，不按每封邮件或每份草稿结算。员工每天省下二十分钟、四十分钟，通常不会立刻改变薪资支出。只有企业少招一个人、不再补一个空缺、减少加班或外包，或者把时间投入能够增加收入的工作，这部分节省才开始进入账目。

“相当于多少名全职员工”也不是现金。它把节省的小时数除以标准工时，得到一种容量换算；实际人员是否退出、招聘是否真的被避免、被腾出的员工是否转向更高价值工作，仍是三件不同的事。若公司同时增加模型、云服务、数据、集成、培训和复核支出，表面上的人力节省甚至会与更高的总成本同时发生。

收益的去向

员工省下的时间和增加的产出，去了哪里

没有进入利润的效率并不一定消失。它可能被返工吃掉，停在下一道审批里，变成更多服务和更高质量，转给员工或客户，也可能沉淀为以后才有用的数据和能力。区别在于，受益者是谁，以及公司何时能够把这种受益保留在自己的收入和成本中。

相关来源：澳大利亚议会听证记录、Grindr 披露、P&G 随机实验。

从案例看闭环

哪些业务已经接近把人工智能变成钱

越接近交易、单位成本或可撤销资源，经济结果通常越容易看见。客服可以观察每次联系的成本、自动解决率、升级率和团队规模；路线优化可以观察里程、燃料和车辆利用；高频后台流程可以观察外包、补员和处理量。这些业务不一定最“智能”，但收入和成本的出口更清楚。

Flywire 披露 45% 的客户联系实现自动解决，每次联系成本和处理时间下降 30%，业务量增长 19%，团队规模下降 2%。UPS 的 ORION 路线系统减少里程和燃料，早期披露的年度节省与成本避免超过 4 亿美元。两者都把算法结果连接到了可以计量的运营资源。

Klarna 报告人工智能处理约 80% 的客服对话，并将 2024 年 3,900 万美元节省与 700 多名全职员工等量能力联系起来；公司总人数也出现下降。这里已经有资源退出的现实动作，但人工智能本身的模型、处理和服务成本没有单独披露。Block 的工程产出、事故率、人员和经调整经营利润也同时发生了明显变化；2026 年第一季度经调整经营利润增长 56% 至 7.28 亿美元，GAAP 经营亏损则为 1.72 亿美元，其中包括 8.52 亿美元重组及其他费用。提效、人员调整、可靠性改善和业务变化交织在同一个结果里。

案例来源：Klarna、Flywire、UPS、Block、DBS、Amazon、Publicis、WPP。

同一家公司也可能同时处在几种状态

九种企业现实

“人工智能有没有回报”并不是只能回答是或否。同一家公司内部，客服可能已经减少单位成本，研发把时间投入更多实验，法务增加复核，财务仍在承担新旧系统双重费用。更准确的观察单位是某家公司的一条具体工作流。

从提速到留存

什么样的企业能把工作效率变成利润

已经接近经济闭环的业务往往有几个共同点。任务发生频繁，结果可以快速判断；人工智能处理的是当前限制收入、成本或损失的环节，而不是一段容易展示但不重要的工作；流程有一位能够改变人员、预算和例外规则的负责人；下游有需求或积压任务，可以吸收新增能力。

资源还必须能够被改变。若节省分散在数百名员工每天的十几分钟里，固定工资不会自然下降。若减少了人工录入，却继续保留同样的外包合同和旧软件，成本只会叠加。即使收入增加，竞争也可能通过降价把收益转给客户，员工可能通过工资和工时获得一部分，供应商也会通过模型、云和平台费用获得一部分。公司最终留下的是扣除这些分配之后的余额。

看真实动作，而不是使用热度

管理层应该持续看什么

席位数、调用量、提示词数量和生成内容说明员工正在使用工具，却无法回答经营结果。更有用的指标沿着工作从产出、交接、容量一直走到账目：合格结果是否增加，整条流程是否缩短，新增能力是否被需求吸收，哪些支出真正退出，现金是否留下。

这些信号需要落在同一条工作流和同一经营周期里。公司总利润上涨，而某个人工智能项目的成本也上涨，无法说明项目创造了利润；员工工时下降，而业务量同时下降，也不能自动视为提效。真正有用的是一条连续记录：同类任务的合格产出增加，端到端周期缩短，需求吸收了产能，人员或其他支出按计划改变，新增技术成本被扣除后仍留下经营结果。

条件路径，而非单一预测

未来 12–36 个月会怎样分化

企业不会沿着同一条路线前进。未来两到三个预算周期中，最重要的不是工具使用率是否继续上涨，而是公司是否开始退出旧资源、改变端到端流程，并保留由此产生的收入或成本收益。

“回报还需要时间”不能无限延长。如果一条高频工作流已经深度使用人工智能，经过两个预算或经营周期，端到端单位成本、资源退出、旧系统退役和现金结果仍没有变化，更合理的解释将从“收益尚未到来”转向“当前设计没有产生可保留的经济结果”。

利润分配会继续向外传导

对企业软件、劳动力、管理层和竞争格局的影响

技术安装与经济结果从来不是同一天发生

历史上也出现过这种过渡状态

蒸汽动力的扩散并不只是机器性能问题。已经在水力设施上投入大量资本的企业更难更换生产体系，新进入者反而更容易采用新动力。生产率提升因此通过企业进入、扩张和退出逐步体现，而不是由所有存量企业在同一年完成升级。相关研究

电气化也要求工厂重新安排机器、物料和工作组织，但历史证据不支持把它简单写成“几十年都没有收益”。具备互补条件的行业较快出现劳动生产率改善。这个区别很重要：历史过渡可以解释为什么回报分化，不能成为任何低回报项目无限等待的理由。相关研究

企业信息技术、ERP 和条形码提供了更接近今天的经验。硬件安装之后，企业还要处理主数据、标准流程、员工技能、决策权限和旧系统退役；上线初期可能出现迁移、培训和数据清理成本。条形码本身的早期生产率收益并不大，真正的价值来自收银、库存、补货、定价和物流形成一个可以共同使用数据的网络。企业 IT、ERP、条形码

互联网零售的生产率提升同样不是每家企业平均发生。高生产率企业进入和扩张、低生产率企业收缩或退出，推动了行业整体变化。人工智能也可能沿着类似路径扩散：先拉大公司和工作流之间的差距，再通过份额变化、招聘和退出改变行业平均表现。相关研究