52% 的知识工作者如今会经常修正由别人生成的 AI 工作成果（Adaptavist, 2026）。不是自己的产出，而是同事的。在这项覆盖五个国家、2,500 名员工的同一调查中，42% 表示花在核验 AI 产出上的时间超过了使用 AI 所节省的时间。把这两个数字放在一起读，你就明白为什么 AI 返工从不出现在任何商业论证里：入账节省的人和承担成本的人不是同一个人，而且常常不在同一个团队。
这首先是一个会计问题，其次才是技术问题。
这项研究，以及它的不同之处
Adaptavist 于 2026 年 3 月在英国、美国、加拿大、德国和西班牙开展调研——2,500 名知识工作者，作为其 2025 年数字化转型研究的续篇发布（Adaptavist, 2026）。报告提出了一个有用的术语：核验税。
主要数据：
- 52% 经常修正同事生成的 AI 工作成果
- 42% 花在核验 AI 产出上的时间超过使用它所节省的时间
- 49% 表示低质量的 AI 产出实实在在拖慢了项目
- 46% 表示 AI 让自己的工作更重复、更缺乏意义
最后一个数字往往被略过。修正别人的机器产出并不是有意思的工作。它不带来成长，很少在绩效评估中被记上一笔，而对批准这个工具的人来说完全不可见。
也请注意这项研究没有说什么。它并非反 AI 的数据集：同一批受访者中，67% 希望所在组织更多地使用 AI，60% 认为自己得到了足够培训，66% 认为推广过程沟通透明（Adaptavist, 2026）。这些人想要这项技术，他们描述的是分配失灵，而不是能力失灵。
为什么你的看板说"是"，而周期时间什么都没说
中型市场对 AI 的衡量几乎都是按席位的：部署了多少许可、跑了多少提示、自报节省了多少小时、各部门采用率多少。所有这些指标都在生成环节采集。
返工则无处采集，因为它发生在接收环节。
市场部九十秒生成一份初稿，记下节省九十分钟。法务部花四十分钟修正一处被自信地写错的引用。市场部的看板是诚实的。法务部的四十分钟落进一条笼统的工作量科目，没人把两者对账。把这一幕在财务、运营、支持和产品部门重复一遍，你就得到了中型市场报表中几乎普遍的图景：自报的时间节省每个季度都在上升，而周期时间原地不动。
让这项成本难以被看见的三个特性
它跨越边界。 成本核算按团队组织。一项在这个团队产生、落到另一个团队的成本没有天然归属者，于是两边都不追踪。
它是未计费的资历。 修正者通常是更资深的一方——那个有足够专业判断力发现问题的人。你在用最高时薪清理由最低时薪生成的产出。
上报它在社交上并不舒服。 "我一下午都在修同事的 AI 草稿"不是状态汇报里好写的一行，于是它被记成了底层任务。
这不是你已经读过的那种回收
有两项相邻的研究结论常与此混为一谈，而区分它们决定了你该拉哪根杠杆。
Glean 的 Work AI Index——6,000 名数字工作者，与 Stanford、UC Berkeley 和 Harvard 的研究者合作完成——发现 AI 每周约节省 11 小时，而员工又在"看护机器人"上烧掉约 6.4 小时：监督、排错和工具切换（Glean, 2026）。那是同一个人身上的回收。省下时间的人自己把它还回去，解法是上下文可达性——你的系统允许模型触及什么。
METR 的随机试验指向另一种失灵：16 位资深开源开发者，在自己的代码库里完成 246 项真实任务。他们预测提速 24%，事后认为自己快了 20%，而实测慢了 19%（METR, 2025）。那是感知失灵——即使是在自己代码上工作的专家，自报的节省也不可靠。
Adaptavist 描述的是第三种情况：横向转移。不是同一个人自己偿还，也不是感知偏差，而是一笔成本离开一个成本中心、抵达另一个成本中心。上下文工具解决不了它。更好的自报也解决不了。只有在边界上测量才行。
顺带一提，这三项发现是叠加的。如果节省在源头被高估（METR）、一部分被同一个人重新吸收（Glean）、另一部分被输出给同事（Adaptavist），那么典型中型市场流程中的剩余净收益，要比任何单项研究所暗示的小得多。
量级估算：200 名全职员工的公司，核验税值多少
研究给出的是比例而非小时数，因此任何金额都是你自己的算术，不是 Adaptavist 的。但还是要算——量级本身就是论据。
设想一家 200 人的公司，其中 120 人从事知识工作。如果 52% 经常修正同事的 AI 产出，那大约是 62 人。保守假设——而这正是应当检验而非轻信的假设——每人每周两小时。那就是每周 124 小时，一年约 6,400 小时，相当于三个你从未招聘、从未列入预算、也从未讨论过的全职岗位。
再看看这些小时属于谁。修正需要判断力才能知道哪里错了，因此它集中在你的资深个人贡献者身上——正是别人问你"谁最难被替代"时你会说出的那些人。你正在把三个 FTE 的最稀缺判断力花在没有出现在任何人目标里的清理工作上。
数字只是示意。但这个练习不是：用你自己的人数和自己的估计跑一遍，把它放到掌握 AI 预算的人面前，看看对话会多快从许可数量转向流程设计。
这项研究无法告诉你的
三条限制，说清楚。它是自报数据，因此 42% 是对净时间的感知而非测量——METR 的研究正是关于自报会偏离多远的直接警告。它是横截面的，只记录了 2026 年 3 月，无法说明这项税在上升还是下降。它调查的是五个国家、各种规模企业的员工，而非专门的中型市场运营；方向应可迁移，量级在你的情境中尚未确立。
三条限制之后依然成立的，是那个结构性判断：修正跨越了一条测量没有跨越的边界。
显而易见的反驳，以及它成立的地方
合理的反驳是：这是早期采用摩擦。产出质量会提升，评审规范会成熟，这项税会衰减。其中一部分当然成立。任何一类工具的第一代使用都带有随熟悉度下降的修正溢价。
有两点限制了这种乐观。
第一，修正主要不取决于模型质量，而取决于责任的落点。只要生成便宜、评审昂贵，产量就会涨到生成者觉得方便的水平，差额由评审者吸收。更好的模型提升产量的速度，和它提升质量的速度一样快。
第二，有证据表明摩擦正在被制度化，而非被消解。BambooHR 2026 年劳动力研究发现，81% 的领导者宣称获得了 AI 生产力收益，而 49% 的员工表示 AI 根本没有带来价值（BambooHR, 2026）。当未经核实的收益已被计入管理层预期，修正工作就不会获得资源——它会被那些绩效恰好要对照这份"收益"来衡量的人默默吸收。
所以：摩擦论对这项税的量级成立，对它的方向不成立。
在交接边界测量 AI 返工
四个动作。全部是测量或制度上的调整；没有一个需要新增开支。
1. 给交接装表，而不是给键盘装表。 挑出你量最大的两条跨团队流程，在接收侧记录三件事：评审工时、被退回的稿件、到接受为止的轮次。评审这一步本来就有，你只是没给它计时。做一个月，你就有了真实的净小时数，而不是自报的数字。
2. 工具上线前先指定评审归属。 每一条跨越团队边界的 AI 辅助流程都需要一位具名评审者和一份列入预算的工时。如果没人愿意为评审出预算，这条流程就没准备好——你实际上是在把一笔没有预算的成本，塞进同事的一周里。
3. 让来源说明成为惯例，而不是坦白。 要求跨边界的 AI 辅助工作附上一行说明——生成了什么、核对了什么、没核对什么——发送方只花几秒，接收方省下重建过程。它还会悄悄抑制产量，因为未经评审的批量产出变得清晰可归因。
4. 调整你所询问的样本。 采用度调研几乎总是问生成者。去问接收者：你每周有多少时间花在修正不是自己产出的 AI 工作上？这一个问题，问向你的资深个人贡献者，会比整块许可使用看板更能说明你真实的 AI 投资回报。
注意这四点的共同之处：没有一条会拖慢采用。它们只是把测量搬到成本真正落地的地方。
本季度的一个决定
你的 AI 返工不是舍入误差，它之所以看不见也不是因为它小。它看不见，是因为你的测量停在生成的那一刻，而成本从隔壁那张桌子才开始。
所以问题不是你的 AI 是否在创造价值。问题更窄，也更容易回答：在你量最大的两条跨团队流程里，现在是谁在做修正——有人问过他们这要花多久吗？
如果这周结束前你说不出这个人的名字，那你面对的就不是 AI 投资回报问题。你面对的是一个披着 ROI 外衣的测量问题；在你把计量表挪到交接的另一侧之前，它会一直告诉你你想听的话。
