在纽约联储 2026 年 8 月的调查面板中，61% 的服务业企业使用 AI。而在这些企业内部，真正使用 AI 的员工比例中位数只有 17%（New York Fed, 2026）。制造业的两个数字则是 51% 和 7%。
其中一个数字会出现在董事会幻灯片上。另一个才是你真实的推行情况。
采用是公司层面的一个勾选框：某个地方的某个人在用某样东西。渗透则是工作日真正经由该工具完成的员工占比。我读到的几乎每一份 2026 年 AI 计划，都是按第一个数字立项、按第二个数字交付的，而两者之间的落差，正是商业论证悄悄死掉的地方。
下次续约前值得一读的这份调查
数据来自 Federal Reserve Bank of New York 2026 年 8 月的 Empire State Manufacturing Survey 与 Business Leaders Survey——这是向纽约州与新泽西州北部企业提出 AI 问题的第三个年度轮次，由 Jaison R. Abel、Richard Deitz、Natalia Emanuel 与 Nick Montalbano 于 9 月 1 日发布（New York Fed, 2026）。
被反复引用的是采用曲线：
- 使用 AI 的服务业企业： 25%（2024）→ 40%（2025）→ 61%（2026）
- 使用 AI 的制造业企业： 16%（2024）→ 26%（2025）→ 51%（2026）
两年间，服务业的采用率大致翻倍，制造业翻了三倍。仅凭这条证据，推行工作已经完成。
同一份调查中的另外两项发现却说，它才刚刚开始。
渗透率。 在采用者中，中位服务业企业有 17% 的员工在使用 AI 工具。中位制造企业是 7%。
投入强度。 四分之三的服务业企业和超过 90% 的制造企业，把自己的 AI 投入描述为"极少到有限"。约 5% 的服务业企业称其为重大战略投资。
把这三件事同时握住。采用近乎普及，支出仍然是极少到有限，大约每六名员工中有一人在用工具。只有当你一直把"采用"当成"部署"的同义词时，这些事实才显得自相矛盾。
17% 对你的商业论证意味着什么
放到中型市场规模来算。一家 200 名全职员工的服务企业，稳稳落在采用者这一栏。如果中位数成立，大约是 34 个人的工作会触及 AI——不是 200 个。
现在拿出标准的 ROI 算法：每名知识工作者节省 X 小时，再乘以员工总数。 当只有 34 人真正在范围内、你却按 200 人计算时，仅参与率这一项就把回报高估了约六倍。而这还是在有人争论"节省的小时数是否真实"之前，也还没扣除团队用于修正输出的时间。
这种修正不是悲观主义，而是一个分母。建立在你实测渗透率之上的商业论证，是一个更小、但能在财务面前站得住的数字；建立在员工总数之上的，站不住。
成本不是你的约束——未采用者证明了这一点
联储这份发布中最有价值的一段，是关于那些没有采用 AI 的企业。被问及原因时，约一半表示自己的业务不适合 AI。约四分之一表示技术还不够好。超过三分之一提到数据隐私与安全。约三分之一表示缺乏技术过硬的员工。
成本是被提及最少的阻碍因素之一（New York Fed, 2026）。
这项发现应当终结某一类内部讨论。如果价格是紧约束，解法就是更大的预算科目，采用率也就是全部的游戏。事实并非如此。被明确说出的约束是任务适配度、输出可靠性、数据治理和内部能力——这四个问题，一份许可证一个都解决不了。
这也解释了投入强度的数字。企业买"极少到有限"，不是因为没钱，而是因为还没有找到该把它对准哪一块工作。
第二种工具测量的是 AI 渗透，而非采用
企业自报是一种薄弱的测量手段，而联储这份面板完全基于自报。所以，一种完全不向任何人提问的方法得出相同结论，就格外重要。
ActivTrak 的 Productivity Lab 基于覆盖 120,620 名员工的行为遥测数据，对 AI 采用成熟度做了分级——依据的是观察到的实际活动，而非许可证、登录次数或问卷。结果是：27% 的员工处于研究辅助阶段，14% 处于任务执行阶段，只有 2% 达到工作流集成，即 AI 真正嵌入工作完成方式的阶段（ActivTrak, 2026）。
两种工具在量级上不一致，在形状上一致：接入在扩张，集成没有。值得一提的是，Gallup 在 ActivTrak 发布这个 2% 的前一天，刚刚推出"组织 AI 采用率跃升六个百分点"的标题。同一周、同一个经济体、两种叙事——因为一个测的是分发，另一个测的是被改变的工作。
再培训是唯一真正在动的人力杠杆
联储的数据在这里击穿了另一种主流叙事。
在使用 AI 的服务业企业中：4% 因 AI 而裁员（2025 年为 1%），15% 减少招聘，13% 增加招聘。2025 与 2026 年均无制造企业报告因 AI 而裁员（New York Fed, 2026）。
"多招"大致抵消了"少招"。裁员是边缘且集中的。无论 AI 正在对这些企业做什么，重组都不是那个机制。
再培训才是。略超三分之一的使用 AI 的服务企业为应对 AI 对员工进行了再培训；制造业中超过五分之一这样做。这使再培训成为整份面板中规模最大的单项用工调整——也意味着不到一半的采用者，在拉那根唯一动了的杠杆。
问题在于这些再培训教的是什么
联储的作者把内容说得很直白：绝大部分是帮助员工把现有工作做得更好，而不是为全新角色做准备——AI 素养、工具使用培训、提示技巧、按职能划分的应用，再加上关于核验输出与数据处理的负责任使用培训。
有用。但也是这个问题中更便宜的那一半。
Deloitte 的《State of AI in the Enterprise 2026》——覆盖 24 个国家的 3,235 名高管——在全球尺度上发现了同样的失衡：53% 在培训员工以提升 AI 熟练度，但只有 30% 在围绕新的 AI 模式重新构想组织，33% 在重新设计职业路径（Deloitte, 2026）。
而 Microsoft 覆盖 10 国 20,000 名员工的《2026 Work Trend Index》，给出了"哪一半更值钱"的比例。组织性因素——文化、管理者支持、人才实践——带来的实际 AI 影响，是个体因素的两倍以上，67% 对 32%（Microsoft, 2026）。
培训一个人，你提升的是他的熟练度。而实际影响的三分之二，藏在围绕他的工作设计里。联储的面板显示，多数企业在买熟练度，而且只有三分之一连这个都买了。
诚实的反面意见
四条限制，直说。
样本是区域性的，且为自报。 这是纽约州与新泽西州北部，由企业代表作答，不是全国范围的员工概率抽样。区域的行业构成以及金融与商业服务的权重，会塑造这个采用率数字。请把这份面板当作方向与结构来读，而不是全国性的点估计。
17% 可能是正确的，而不是坏掉的。 一半未采用者表示自己的业务不适合 AI——在大量服务与运营类工作中，这是站得住脚的判断。低渗透率只有相对于一份假设了别的情况的商业论证才算失败。如果你的论证假设 100%，而你按 17% 去建，错在假设。
中位数不是你的公司。 联储报告的是中位采用者；分布没有公布。那份面板里有些企业远高于 17%，有些只有 2%。真正该据以行动的是你自己的数字——这也是下面第一条建议是"测量"而不是"决策"的原因。
总量上的平静可能掩盖集中的伤害。 联储这篇文章本身就引用了 Stanford Digital Economy Lab 的研究：即使企业层面的影响看起来很小，入门级员工也可能受到显著冲击。"只有 4% 裁了人"是一个公司层面的统计量，不是给一位 23 岁分析师的保证。
这个季度该做的决定
四个动作。其中一个不花钱。
- 算出你的渗透率，并把它印在许可证数量旁边。 不是已发放的许可证，而是每周产出可被证明发生了变化的员工占比。一行里的两个数字，会重塑整场续约谈判，而你已经握有生成它们所需的数据。
- 按渗透率而非员工总数重做商业论证。 用你实测的范围内人数替换掉人头乘数。如果论证依然成立，你拥有的是一份真实的论证；如果它只在 200 人时成立，你从来就没有过。
- 搬动一条工作流，而不是一百个人。 ActivTrak 的那 2% 才是产生回报的阶段。挑一条端到端的工作流，重新设计其中的交接环节，并把任何进一步的许可证扩张，绑定在那条工作流达到集成阶段这个条件上。广度是便宜的那条轴，也是所有人都已经买下的那条。
- 投资三分之二同行没有投资的再培训——并以"重新设计"而非"熟练度"来评分。 不到一半的采用者会做再培训，这让这片阵地便宜好占。评判这个项目的标准，是有没有某个岗位或某个流程改变了形状，而不是有多少人修完了一门提示词课程。
61% 的采用率告诉你市场动了。17% 的渗透率告诉你，还没有人真正抵达。
这道落差，是这项技术中唯一仍以中型市场价格开放的竞争优势——而它会在你所在行业里有人停止数许可证、开始数被改变的工作的那个季度，就此关闭。
