71% 的员工表示 AI 工具让他们觉得自己更有效率。在最重度的使用者中，这一比例升至 93%。但如果问同一批人，他们的工作量对其岗位而言是否合理，答案几乎不动：重度使用者为 72%，不使用者为 69%——相差三个百分点（Culture Amp, 2026）。
这两个结果出自同一份调查、同一批员工、同一个十二个月。一条曲线随使用强度陡然上升。另一条是平的。
这不是测量误差，而是一个管理层面的产物。它意味着：你的 AI 落地所创造出来的产能，正在同一批岗位内部被重新吸收，而不是被重新投放到你所选择的任何地方。
同一份数据里的两条曲线
Culture Amp 的首份 AI at Work 基准研究，基于 292 家组织在其平台上开展的 342 次调查，覆盖约 112,000 名员工和 343,000 份个人回答，数据采集期为截至 2026 年 7 月的十二个月。受访者横跨 16 个行业和所有主要地区；非管理岗的个人贡献者约占样本的三分之二。员工被标准化为四个使用层级——不使用者、轻度使用者（每周一到两次）、每日使用者，以及重度使用者（每天多次）（Culture Amp, 2026）。
在这些层级之内，几乎每一项体验指标都随使用强度改善。风险认知从不使用者的 67% 升至重度使用者的 95%。"愿意付出超过同类岗位在别处所要求的努力"这一项，重度使用者为 72%，不使用者为 57%。认同 AI 帮助自己学习与成长的比例，全球平均为 66%，被 27% 的不使用者拉低。
只有一项拒绝跟随这个趋势。在"总体而言，我的工作量对我的岗位来说是合理的"这一题上，正面回答从不使用者的 69% 到任何使用 AI 的人群的 71–72%。Culture Amp 自己的解读很直接：初步采用会略微改善对工作量的感知，而使用频率的提高并不带来任何额外缓解（Culture Amp, 2026）。
感知到的效率在全样本为 71%，在最重度使用者中为 93%。而在同样的层级上，感知到的工作量缓解只值三个百分点。
为什么你的采用率看板看不到"工作量没变"
大多数中型企业的 AI 项目，都把仪表盘装在了错误的变量上。许可证数量、周活跃用户、人均提示词数、工具层面的节省时间估算——采用率一上升，这些数字全都上升。而当被释放出来的那一小时被更多同类工作悄悄吃掉时，它们一个都不会变。
这种重新吸收在结构上就是看不见的。一个把周四报告从九十分钟压缩到四十分钟的员工，不会报告一个更轻松的一周；他报告的是一个塞进了更多东西的一周。Culture Amp 自己也提出了这个反驳，而且很公允：随着人变得更有效率，盘子会被重新装满，这是正常的。没人会期望用缝纫机的拼布工，一年做出的被子数量和纯手工的一样。
问题不在于盘子被重新装满了，而在于没人决定往上面装什么。
正是在这里，Culture Amp 的发现从一则趣闻变成一个预算问题。如果你的商业论证假设收回的工时会以释放出的产能、省下的招聘或更短的周期出现，而你自己的员工调研数据说：各使用层级上感知到的工作量是平的，那么这份商业论证就是未经验证的——不是被推翻，而是未经验证。你没有任何一件仪器，对准你当初承诺的那件事。
收回的工时实际上去了哪里
另外两份 2026 年的数据描出了这些工时的去向，而且没有一个是战略性的。
BCG 第四次年度 AI at Work 调查——14 个市场的 11,749 名劳动者——发现，42% 的一线常规使用者表示通过 AI 每周至少省下一个完整工作日，而66% 表示他们对这些时间该用来做什么，得到的指引很有限或根本没有，并且有一半以上的人没有把它转投到战略性工作上。在同一样本中，47% 表示现在花在管理和指挥 AI 上的时间，已超过亲自做事的时间；72% 表示 AI 已显著改变了其岗位对技能的要求（BCG, 2026）。
把这两个数字放在一起读。那一小时是真的。关于那一小时的决定并不存在。在决定缺位的情况下，这一小时默认流向最近的可用需求——而这个需求，越来越常常就是 AI 本身。
BambooHR 对 1,608 名美国办公族的调查，给这种"默认流向"按下了秒表。员工平均每天在 AI 工具里花 87 分钟；其中 42% 的时间用于排查错误和反复调整提示词，只有 35% 用在真正推进自己本职工作的事情上（BambooHR, 2026）。花在修 AI 上的时间，比用 AI 产出的时间更多。
所以产能并没有消失在闲置里。它被花掉了——花在监督、纠错，以及这些工具新造出来的协调面上。这些工作是真实的。它们只是没人列入预算、没人命名、也没人归属到某个岗位的工作。
指引真空就是那个机制
那份发现工作量毫无变化的基准研究，也找到了原因——而原因不是员工的抵触。
85% 的员工表示其组织积极鼓励探索和试用 AI。但只有 58% 表示领导者清楚说明了 AI 与公司走向之间的关系——这是整份基准研究中得分最低的一项，与"鼓励试用"那一项相差 27 个百分点。更贴近日常工作的层面，只有 60% 表示自己的管理者会分享 AI 如何支持其目标的例子，而系统与流程的支撑度为 64%（Culture Amp, 2026）。
Culture Amp 的 VP of People Science Amy Lavoie 从效率这个数字、而不是从情绪类数字中得出结论：大多数管理团队会把"十个员工里有七个觉得更有效率"读成投资回报，但在工作量分数稳定不动的情况下，它只是一个悬而未决的问题。她认为，真正获得回报的组织"不会是采用率最高的那些，而会是明确决定了要用省下来的时间停掉什么的那些"（Culture Amp, 2026）。
这是一支已经做完自己那一份的队伍。缺失的东西在他们之上：一个关于"什么停下来"的书面决定。
同一份发布中的第二个信号
有一项相邻的发现需要谨慎对待。自 2025 年 7 月以来，员工对内部职业机会的了解下降了 10 个百分点——这是 Culture Amp 基准数据集中最大的单年变化——而对职业发展的满意度仍停在 66%，这个水平自 2021 年起就没变过。员工并非对所获得的发展更不满意；他们只是对"接下来是什么"更不清楚了。
这里的限定条件很重要：Culture Amp 说明这些职业相关数字来自其更大范围的员工调研基准，样本量大于那份 112,000 人的 AI 调查。不要把它们归到 AI 这一群体上。把它们当作周边气候，而不是同一次测量。
诚实的反方意见
三个限制，直说。
这是感知，不是产出。 这里的每个数字都是员工在报告自己的感受。Culture Amp 明确说过——基准研究的每一个结果，都是一群员工在告诉你他们对某件事的感受，而不是对产出或工时的测量。工作量分数持平，与"人们确实获得了产能、只是不知不觉地吸收掉了"是完全可以并存的。
样本是自我选择的。 会去做 AI 调查的组织，按定义就比不做的组织走得更前。使用该模板的公司中，北美占 58%，行业上科技遥遥领先，员工超过 1,000 人的组织约占使用者的三分之一。Culture Amp 的定性是准确的：请把它读作"已投入 AI 的组织"的画像，而不是所有雇主的画像。（新闻稿正文中有一段还写了"123 家组织"，而方法说明部分写的是 292 家；应当引用方法说明。）
另一种解释是时机，不是失败。 NBER 工作论文 35684——Babina、He 与 Jiang——把 AI 早期的生产率收益归因于组织资本的积累，即通过"做中学"形成的、企业特有的持久知识，而不是归因于工具或 AI 人员本身（NBER, 2026）。论文正文受限，因此不应给它附上任何效应量。但这个方向是一个合理的反驳：一年工作量不变，可能是构建日后才会回本的流程知识所付的代价。只不过，这个解读只对那些确实在把东西沉淀下来的企业成立。对一家有 400 条各自优化、却没有任何记录的工作流的企业，它并不成立。
本季度结束前该定下来的事
四步。没有一步是新买许可证。
- 写出"停做清单"，按团队划分，并写上名字。 不是"减少手工工作"——而是三项具体的、本季度之后不再产出的周期性交付物，以及是谁确认了它们不再需要。如果清单上没有一项让人不舒服，这份清单就是装饰品。
- 在你声称收回工时之前，先给它命名去处。 一个没有指定去处的释放工时，就是一个被吸收掉的工时。按岗位各选一个：一项发展目标、一个跨团队项目、一次内部调动，或是有意留出的余量。"战略性工作"不是一个去处。
- 在下一次员工调研中加入一道工作量问题，并按 AI 使用层级拆分。 你可以在一个调研周期内，在自己公司里复现 Culture Amp 的发现。如果你最重度的使用者报告的工作量与不使用者相同，你就直接测到了重新吸收——用你自己的数据，带着你自己的岗位。
- 把仪器装在岗位上，而不是工具上。 "停做什么"这个决定，需要看清每一个岗位究竟贡献了什么、收回的工时可以用来构建哪些胜任力、以及释放出的产能让哪一次内部调动变得可能。这是岗位层面的数据，而不是采用率数据。Scovai 的绩效与继任层按周期测量胜任力，并据此映射内部流动与继任准备度，如果你想要一个具体参照，看看这类仪器大致是什么样子。
这份基准研究真正的发现，不是 AI 没能降低工作量。而是 112,000 名员工拿到了一份效率提升，而他们之上没有任何人说明过这份提升是用来做什么的。
你最重度的 AI 使用者已经把时间找出来了。本季度剩下的唯一问题是：由你决定它去哪里，还是由他们的收件箱替你决定。
