两万名英国公务员获得了 Microsoft 365 Copilot 许可，跨部门结论报告把结果定在每人每天省下 26 分钟 (Government Digital Service, 2025)。此后这个数字一直在采购演示里流传。同一份报告中的两个细节改变了它能承载的重量：这个数字是参与者从一组区间里自行估算每日节省时间得出的，而结论部分写明，"由于实验条件限制，无法确定省下的时间被用在了哪里"。
随后，Department for Work and Pensions——同一试点内的部门之一——把自己的队列与一组从未获得许可的同事对照组做了比较。其估计值落在每天 19 分钟，覆盖八项常规任务 (DWP, 2026)。
同一次部署的两次测量，由同一个政府发布。两者之间的距离，正是"省时头条"与"AI 试点商业论证"之间的距离。
两万张许可实际测到了什么
这项跨部门实验从 2024 年 9 月 30 日运行到 12 月 31 日，每个参与机构至少承诺 1,000 张许可 (Government Digital Service, 2025)。以多数 AI 生产率证据的标准衡量，这是一份好材料：规模大、来自公共部门、附带方法论公开发布，而不是顶着三个讨喜标识的厂商案例。
运营负责人该慢下来的地方是方法。参与者被要求估算自己平均每日节省的时间，从"没有或少于 5 分钟"到"超过一小时"的区间中选择。26 分钟的均值由这些区间的中点计算得出，最高一档按 60 分钟处理。有 17% 的人根本没察觉到明显的时间节省。超过 70% 的人同意 Copilot 减少了查找信息的时间——而后续证据表明，这恰恰是该工具最显眼有用、经济后果最小的用途。
所以测量工具是一道回忆题：你觉得这帮你省了多少时间？ 这个问题可以低成本地问两万个人，这也是它被问的原因。但它无法产出商业论证真正依赖的那两个数字。
自我申报给不了的两个数字
第一个是反事实：同样的人员、同样的季度、没有许可的情况下，这些任务原本会怎样。第二个是去向：收回的分钟流向了哪里。
没有第一个，你在把热情和效果一起测量。没有第二个，你在测量一项投入，却把它称为回报。
同一次部署，对上那些没有它的人
DWP 的评估提供了其中第一个数字。它使用 Seemingly Unrelated Regression，对照一组非使用者，控制了人口统计、职业以及对 AI 热衷程度等变量，估计八项常规任务每天省下 19 分钟——在所有设定下均具统计显著性。单项任务降幅最大的是查找信息（26 分钟）和撰写邮件（25 分钟）。九成用户表示 Copilot 帮他们省了时间，65% 表示在工作中更有成就感 (DWP, 2026)。
DWP 对自身上限同样直白：这不是随机对照试验。许可按先到先得分配，因此自选择与处理后偏误都是真实存在的问题。许可去到了最热衷的人手里。
这里要抵制算术冲动。两个数字并不同质——人群不同、任务范围不同、方法不同——把一个减去另一个得出的数值，两份文件都不支持。结论是结构性的，不是数值性的：加入了对照组的那个部门，报出的数字低于自我估算，而这发生在一个热衷者自我选入处理组的项目里。这就是修正的方向，也是当厂商递给你一个附近没有任何对照组的单一数字时，真正要紧的方向。
那句应该让预算会议停下来的话
整份跨部门报告里，结论中的一行对"26 分钟"的使用方式伤害最大："由于实验条件限制，无法确定省下的时间被用在了哪里"。
一分钟被收回后有三种可能的命运。变成产出。被另一项任务吸收。或者变成空转。只有第一种会进入商业论证，而这次试点无法区分它们。
这并非公共部门的特殊性。针对同一问题的首个联邦层级、与厂商无关的测量发现：在前一周于工作中使用过 AI 的美国劳动者中，56% 把没有 AI 时本需额外投入的时间估为每周两小时或更少；10% 表示没有省下时间，3% 表示 AI 反而需要更多时间 (美国人口普查局, 2026)。
每周两小时，以零散分钟的形式到来，无法汇聚成一个可重新调配的全职当量。运营层面的检验很直白：是否有一整项任务离开了某个人的桌面？如果答案是否，那么工时乘以全成本费率只是修辞手法，不是预测。
为什么人均分钟数无法汇总成 AI 试点的商业论证
参与度问题放大了去向问题。欧洲央行的消费者预期调查在两个高度上报告了同一结果：AI 的中位使用者每周省约三小时，大致相当于中位工作时间的 7.7%——但只有 48.8% 的劳动者既使用 AI 又因此省下时间，这把整个经济层面的效率提升压到约 3.8% (欧洲央行, 2026)。
同一份调查、同一批受访者，而当分母不再是"使用者"而是"你在付薪的所有人"时，数字直接减半。
欧洲央行的数据还把使用模式倒了过来，这一点应当重排任何试点的优先级。代码生成与调试每周回收近八小时——而只有约 8% 的使用者把 AI 用在那里。研究、信息搜集、写作与编辑是最常见的用途，省下的时间却少得多。跨部门试点的头号收益"减少查找信息的时间"，正落在低产出那一段。
这意味着商业论证需要三项输入，而多数演示只有一项：参与率、任务层面的产出率，以及一个明确的转化系数——判断释放出的工时究竟变成产出还是空转。每一项都能在续约之前被观察到。而 26 分钟的均值里一项也没有。
诚实的反方意见
三条限制，直说。
自我申报可能在两个方向上出错——但被实测到的那个方向并不宽容。METR 对资深开源开发者所做的随机试验发现，2025 年初的 AI 工具让他们慢了 19%，而他们自己却认为提速了；其后续对 349 名技术工作者的调查报告称，该研究的参与者平均把 AI 对任务耗时的影响高估了 40 个百分点 (METR, 2026)。这是一个狭窄的人群，在他们极为熟悉的代码库上工作，量级无法迁移到中型企业的后台职能。它确立的是更小但依然有用的一点：自我估算的节省不是一个保守的输入。
这两项评估不是失败。两者都发现了真实且统计上显著的时间节省，DWP 还发现了本身就有价值的成就感效应。这里的批评对象不是试点——它们比大多数被当作证据出售的东西更透明——而是这个头条数字离开报告之后被要求承担的工作。
公共部门不是你的部门。公务体系的任务结构、采购约束和基础工具配置都是特定的。可迁移的资产是评估设计，不是那些分钟。不要把 26 或 19 搬进你的模型；搬进产出第二个数字的那个问题。
下次续约前，试点设计要改什么
四个动作，没有一个需要新的预算条目。
- 留出一个对照组，并且不要让热衷者自我选入。让试点数字站得住脚的最便宜办法，是在同一职能内留一组人，同样的 90 天里不发许可。DWP 自己声明的限制——先到先得的分配方式——正是该修正的部分：在团队内部随机发放许可，而不是给最先开口要的人。
- 在试点开始前就点名去向。逐个岗位写下来：具体哪项任务预期要离开谁的桌面，腾出的空间预期由什么填补。如果答案是"大家会有更多时间"，那这个试点测的是满意度，就该按满意度调研来做预算。
- 给一项任务装上仪表，而不是整个部署。挑两项在系统中可观测周期时间的任务，端到端测量。两项任务上一个站得住脚的差值，胜过四十项任务上的问卷均值。
- 给岗位打分，而不是给人头打分。去向问题必须在岗位层面解决，因为工作实际移动的层级就在那里。Scovai 的组织结构可增强性评分就是这一产出的一种具体形式——每个岗位按可增强程度打 0 到 100% 的分，未覆盖的角色与逐岗位的方案都从同一张图里得出。
英国政府做了一件不寻常的事：它既发布了讨喜的数字，也发布了削弱该数字的方法，然后让自己的一个部门用对照组给自家作业打分。这个举证标准，高于绝大多数私营企业内部 AI 试点所能达到的水平。
所以，在这个季度续约一批许可之前，要一页纸：哪些任务离开了哪些桌面，腾出的空间里又来了什么。如果没人写得出这一页，你手上就不是 AI 试点的商业论证。你手上是一份附带许可费的满意度调查。
