在采用 AI 之后，平均不间断专注时段降到了 13 分 7 秒——低于此前的 14 分 23 秒，降幅 9%，这把典型员工推到了大多数深度认知工作所需的持续注意力阈值之下（ActivTrak, 2026）。这个数字来自对 1,111 家公司、163,638 名员工的 4.43 亿小时行为遥测——不是问卷，不是自我报告，而是工作如何发生的真实、逐秒记录。它指向了一项你的 AI 仪表盘没有向你展示的成本：AI 注意力碎片化正在悄悄侵蚀那些工具本应释放出来的深度工作能力。
这正是应当重新框定你 2026 年 AI ROI 问题的发现。领导者追踪的生产力故事看起来像一场胜利——采用率接近 80%，吞吐量上升，产出量增长。在这之下，同一份遥测显示工作变得更快、更庞杂、更碎片化。如果你是运营主管，用节省的小时数和完成的任务来衡量 AI，你看到的是账本中奉承这项投资的那一半，而忽略了侵蚀它的那一半。
仪表盘说胜利。遥测说碎片化。
这里是一对数字中的张力。在 ActivTrak 对 10,584 名用户的前后对比分析中——将采用 AI 之前的 180 天行为与之后的 180 天相比——在每一个被测量的工作类别上花费的时间都上升了。电子邮件活动增长了 104%。聊天与即时消息跳升了 145%。业务管理工作攀升了 94%（ActivTrak, 2026）。AI 没有减轻负担。它加速了负担，而这种加速表现为更多的沟通、更多的协调、更多的情境切换。
这就是专注时段缩短背后的机制。当消息量几乎翻倍时，那些打断专注的中断来得更频繁。员工并没有偷懒，也没有闲置——恰恰相反。他比以往任何时候都更忙碌，在更多界面之间移动得更快，也正因如此，他再也无法把一条艰难思考的线索保持超过 13 分钟，下一个提示就会把他拉走。
这之所以保持隐形，是因为大多数运营仪表盘的构建是为了计数吞吐量，而非衡量连续性。它们追踪关闭的任务、解决的工单、发送的消息、记录的小时数。当工作碎片化时，这些指标每一个都会上升。没有一个记录碎片化本身的成本。于是领导者读到一块绿色的仪表盘，然后去资助更多正在把下一层的绿色数字变红的东西。
4.43 亿小时究竟测量了什么
这项研究之所以难以被打发，在于它的方法。你读到的关于 AI 与生产力的大部分内容都是问卷数据——询问人们感觉AI 如何影响他们的工作。自我报告有用，但它恰恰是那种奉承一件闪亮新工具的证据：热情和近因偏差会夸大感知到的收益。ActivTrak 的数据集性质不同。它是行为性的——4.43 亿小时被观察到的活动，而非关于活动的意见（PR Newswire, 2026）。
对这 10,584 名用户的前后对比设计更为重要。它隔离出 AI 进入工作流时改变了什么，而不是把 AI 用户与可能在十几个其他因素上都不同的非用户相比较。而改变的并非工作量的减少——而是重新分配到了更快、更碎片、更以沟通为重的模式。独立报道得出了同样的解读：AI 与其说在减少工作量，不如说在使其紧绷，花在邮件上的时间翻倍，而专注工作时段下降（Fortune, 2026）。举证责任如今落在任何声称自己的 AI 部署夺回了专注力的人身上。关于这个问题最大的行为数据集表明，默认结果恰恰相反。
你的吞吐量指标忽视的神经科学
13 分钟不是一条武断的线。它落在持续认知工作真正发生的阈值之下，原因是一个有充分记录的效应，叫做注意力残留。当你从一个任务切换到另一个时，你的一部分注意力仍卡在第一个任务上——你并非满负荷地抵达新任务，而这种残留可以持续 20 分钟或更久（Leroy, Organizational Behavior and Human Decision Processes, 2009）。
把它放在 13 分钟的专注时段旁边，算术就变得不友好了。如果完全重新装载一项复杂任务需要 20 分钟量级或更久，而中断现在每 13 分钟就来一次，那么员工在下一次切换把他重置之前，永远无法达到完全的认知投入。Gloria Mark 关于被中断工作的研究发现，中断后重返一项任务可能需要大约 23 分钟（Mark et al., 2008）。一个被碎片化到 13 分钟区间的团队，实际上在它尝试的几乎每一段艰难工作上都在缴纳一笔重新定向税。
这就是为什么"产出量在上升"可以与"重要工作正在变差"并存。表层的、高数量的任务在碎片化中活得很好——你可以在被打断的十二分钟里回复十二条消息。深度任务则不行。分析、判断、那篇需要一个不间断小时的文稿，恰恰是 13 分钟上限悄悄使之变得不可能的那一类。你的吞吐量指标看不出差别，因为它计数了那十二条消息，却从不计数那从未发生的一小时。
为什么堆叠更多 AI 解决不了问题
对一次令人失望的 AI 部署，本能的反应是加更多——再来一个智能体、再来一个副驾、再来一次集成。遥测表明这种本能会加剧碎片化。数据集中的平均组织已经在运行七个不同的 AI 平台，而只有 3% 的用户达到了工具真正有帮助又不增加摩擦的生产力"甜蜜点"（ActivTrak, 2026）。
七个平台不是七个生产力乘数。它们是多出的七个需要查看的界面、多出的七条通知流、多出的七次在互不通话的工具之间的情境切换。每一张落在员工桌面上、却没有移除某个现有界面的新 AI 许可证，都是在给中断负荷做加法，而非减法。这里 AI ROI 的约束不是许可证，也不是提示技巧——而是注意力架构。一个已经每 13 分钟就切换一次的团队，不会因为拿到第八件可切入的工具而夺回专注。
"但产出在上升——这不正是目的吗？"
合理的反驳：如果 AI 用更少的时间产出更多工作，为什么要把碎片化当作问题？也许 13 分钟的时段只是现代生产力的形态，而深度工作是一份损益表可以承受失去的怀旧。
有两点回应。第一，量的收益恰恰集中在不需要深度专注的工作上——沟通与协调——而税则落在需要深度专注的工作上。你不是在用深度工作换取等量的表层产出；你是在用一个类别换取另一个更廉价的类别，并把它记为净收益。第二，碎片化是无形累积的。报告本身的框定是，AI 在加速工作，而非取代工作——同样体量的思考如今被更快、更碎片地完成，即使任务计数上升，对认知要求高的工作而言净值也是负的（PR Newswire, 2026）。这项成本不会作为一个预算条目出现。它出现为那份一再滑期的战略文件、那份回来时单薄的分析、那位其最佳判断从未获得一个不间断小时来运作的资深员工。这些是真实的损失。只是你当前的度量装置从未被构建来捕捉的损失。
中型市场运营本季度应当度量什么
杠杆不是你团队的自律，也不是又一件工具。它是工作流的注意力架构——而与意志力不同，这是运营真正可以设计的东西。三个具体动作，没有一个需要新软件：
1. 度量专注时段的连续性，而不只是吞吐量。你几乎肯定在追踪关闭的任务和记录的小时数。加上一个指标：平均不间断专注时段的时长，以及其中的中断频率。ActivTrak 风格的数据，甚至是日历与状态分析，都能把它浮现出来。你无法管理一项你没有在度量的碎片化税，而此刻它正是每一块运营仪表盘上缺失的那个数字。
2. 在增加 AI 界面之前先整合它们。在资助下一个智能体或副驾席位之前，审查每个角色已经在同时应付多少个 AI 与沟通界面。如果答案接近七，那么杠杆最大的动作是做减法——退役或合并工具——而非又一次集成。你移除的每一个界面，都是你关闭的一条中断流。
3. 从结构上保护深度工作块，而不是靠一份政策备忘录。注意力残留意味着一个 13 分钟的块不是"一小时专注的一部分"——它每一次都是一次完整的重置。为认知要求高的角色划定真正无中断的窗口，并在工作流层面捍卫它们：批量通知、默认异步的规范、无会议的时间块。目标是恢复足够长、能够消散残留的时段，而不是从一天里再挤出更多 13 分钟的碎片。
然后拿它对照你自己的数据来检验。你有时间戳。看看你团队最艰难、最高价值的产出是否真的与专注时段时长挂钩——并观察当你整合界面、保护一个时间块时会发生什么。答案在你自己的运营内部就是可度量的，它会告诉你，你的 AI 技术栈是在购买能力，还是只是在把它碎片化。
本季度唯一的决定
AI 的生产力承诺是它会把时间还给你的团队。关于这个问题最大的行为数据集表明，它给团队的反而是一个更快、更喧闹、更碎片的工作日——一个平均深度工作窗口已经缩到深度工作可以发生的那个点之下的工作日。你仪表盘上的吞吐量是真实的。它所隐藏的注意力碎片化同样真实。
因此本季度的具体决定很狭窄：在你资助又一张 AI 许可证之前，为一个认知要求高的团队度量专注时段的连续性，然后整合它的工具界面，并每天保护一个不间断的时间块——再度量它最好的工作作何反应。如果艰难工作的质量上升而工具数量下降，你就找到了你的吞吐量指标被构建来错过的那根 AI ROI 杠杆。13 分钟的专注时段不是进步的代价。它是一个你有能力去解决的设计问题。
