Korn Ferry向135个国家的5,512家机构提了一个几乎没有哪个AI项目想到要问的问题：你们有信心让管理者向受影响的员工解释与AI相关的薪酬和工作变动吗？百分之十六回答"有"（Korn Ferry, 2026）。
不是这16%缺工具，也不是缺预算。84%的机构即将做出一次由AI驱动的薪酬变动——改变一个岗位的内容、价值和晋升路径——而它们并不相信负责传达这条消息的人能把话说清楚。
与此同时，约有六成管理者已经把AI作为晋升、加薪和裁员决策的输入项（HR Dive, 2026）。做出一项受AI影响的薪酬决策的能力，比解释它的能力大约领先四倍。这个落差不是沟通上的小麻烦。它正是员工对AI的抵触被制造出来的地方，而且几乎可以肯定是你路线图上最便宜的修复项。
Korn Ferry究竟测了什么
Global Total Rewards Pulse Survey于2026年6月实施，7月30日发布。N = 5,512家机构，覆盖135个国家——样本量足够大，头条数字不是抽样偏差的产物（Korn Ferry, 2026）。
Korn Ferry自己的表述值得直接引用而非转述，因为重点落在哪里很重要：薪酬沟通仍是一项重大短板，管理者的能力正成为解释薪酬决策、透明度要求以及AI相关变动时的关键成功因素。
用运营者的眼光再读一遍。被点名的薄弱环节不是薪酬模型，不是岗位架构，也不是AI部署。是管理者的那张嘴。
同一调查中的另外两项发现让时机更加尖锐。约90%的机构预期营收增长。而在大多数主要市场，2027年的整体薪资涨幅预测与2026年持平或略有下降（HR Executive, 2026）。
增长向上，薪资预算不动，工作被明显地重新分配给智能体。你的管理者必须撑住那场对话。只有16%的机构认为自家管理者撑得住。
真空会被最难听的解读填满
这里是把一个软性发现变成硬性运营风险的部分。当解释没有到来，员工不会暂缓判断。他们会自己造一个，而他们默认伸手去拿的那个版本并不好看。
Ipsos与Groundwork Collaborative合作，于2026年6月11日至16日调查了1,533名美国劳动者（误差范围±2.7个百分点）。51%认为AI的收益只流向或主要流向所有者和高管。6%认为这些收益的大部分或全部会到达员工手中。三分之二预期AI会让工作变得更糟（Groundwork Collaborative, 2026）。
五十一比六不是一场辩论。那是一个已经定型的成见。
同一批数据还带有一个应当让任何管理混合型劳动力的运营负责人警觉的采用差距：白领每月使用AI的比例为54%，蓝领为21%；46%的大学毕业生预期AI会改善自己的工作，而高中学历者只有19%。
把两组数据叠在一起，问题的形状就变了。解释的负担恰好落在管理者最缺乏练习的地方——一线的、运营的、没有办公桌的团队，在那里AI的故事是以某人的排班、职责范围或编制变化的形式抵达的，而不是以他们自己挑选的效率工具的形式。
你的技术负责人已经聊了两年模型。你的仓库和服务主管没有，而被追问"工作为什么变了"的正是他们。
抵触不再是态度，而变成了行为
无人回应的认知不会停留在认知层面。Writer与Workplace Intelligence于2026年4月调查了美国、英国和欧盟的2,400名知识工作者。29%承认自己在主动阻挠雇主的AI战略。在Z世代受访者中，这一比例为44%（Fortune, 2026）。
是"承认"。在一份问卷里。真实数字不会更低。
对一家200人的公司来说，"破坏"是个过响的词。它通常的样子是：一个团队"为保险起见"长期把新智能体和旧流程并行跑着。是产出在交付前被悄悄重写，返工却看不见，因为没人记录。是那个采用率指标漂亮、周期时间却纹丝不动的试点——因为工具在用，活儿在重做。
这正是这项发现属于运营讨论而非HR讨论的原因。阻挠不表现为拒绝。它表现为一个不肯移动的生产率数字，而且几乎无法从仪表盘上诊断出来，因为每一个先行指标看上去都很健康。
三项研究之间的因果链，对社会科学证据而言干净得罕见。管理者解释不了这个变动（16%）。员工用"收益跑到我头顶上某处去了"这个假设填满真空（51%对6%）。然后员工按这个假设行动（29%，最年轻群体44%）。三种独立工具，三个不同人群，一条一致的序列。
为什么50–500人规模的运营在结构上更脆弱
先说一个诚实的限定：Korn Ferry的完整报告需付费，按公司规模和地区的细分并未公开。下面关于中型市场的解读是结构性推论，不是实测的子样本。请据此对待。
结构性论证很直接。在大型企业里，一场关于薪酬与职责的对话是带着脚手架来的：薪酬职能写好了口径，内部沟通团队排好了信息节奏，HR业务伙伴坐在房间里。管理者念的是别人已经压力测试过的稿子。
在50–500人的规模上，没有脚手架。有一位运营负责人，也许一位HR通才，以及一位因运营能力被提拔、从未受训解释薪级决策的一线主管——更别说其中一部分答案是"现在由智能体做你原来做的第一遍"。
所以同样的16%，在中型市场规模上描述的是明显更糟的暴露度，因为缺失的能力背后没有任何东西来补位。离受影响员工最近的人，是全公司最不具备谈薪酬装备的人，而且也是唯一可用的人。
还有一个值得点名的二阶效应。当解释缺席，员工会从唯一能看见的信号里做推断：自己的工资条，对照公司可见的AI投入。2027年薪资规划持平，对照90%的营收增长预期，正是让那51%的成见显得被证实的模式——不是因为管理层意图转移，而是因为没人解释过另一种读法。
这些证据没有说什么
三条边界，因为建立在误读这些数字之上的计划，与建立在空无之上的计划一样会失败。
有信心不等于有能力。 Korn Ferry测的是机构是否有信心认为管理者能解释这些变动。那84%里有一部分是管理者能干、HR领导层悲观。这个发现关乎的是对这场对话的机构性信任——而正是它决定了有没有人愿意为之投入。
自陈式阻挠是个粗糙的量具。 Writer的数字要求人们给自己的行为定性，而"阻挠"覆盖的范围很宽，从蓄意妨碍到沉默的风险规避。这个数字提供的是方向。真正应当指导你计划的是机制——抵触是通过绕行而非拒绝来表达的。
认知数据不是分配分析。 Ipsos的发现测的是劳动者相信AI收益落在哪里，而不是它实际落在哪里。两者都重要，但驱动行为的只有一个，那就是相信。
这些都不削弱运营层面的结论。即便对每个数字都作最宽容的解读，你依然是在把智能体放进一支对AI的默认假设是对抗性的队伍里，而且用的是连你自己公司都不信任其能纠正这一假设的传话人。
如何在十分钟内解释一次由AI驱动的薪酬变动
这是少见的一类发现：干预便宜、不体面、而且本季度就能做。
在下一次智能体上线或岗位重构之前，和真正要去谈的那些管理者一起，把职责与薪级的对话写下来并演练一遍。具体来说：
把四个问题的答案写出来。 智能体现在做的，哪些是这个人原来做的？这个人转而对什么负责？薪级会变吗——如果不变，为什么？在这个新形态的岗位里，晋升长什么样？如果管理层无法把这些写成文字，一线主管就不可能把它说出口。
现场演练一次。 不是做一份PPT。每位管理者二十分钟的角色扮演，由一个人扮演持怀疑态度的员工，问出所有人心里真正在想的那个问题：公司是在我身上省钱吗？一位在真正开口之前已经把这些话说过一遍的管理者，是完全不同的传话人。
让信息排在工具前面。 解释必须先于部署。智能体一旦上线，任何解释听上去都像辩解。
事后测量正确的东西。 不是采用率。是返工量、并行流程的存续，以及周期时间到底动没动。阻挠正是在那里浮出水面。
成本是领导层几个下午的时间，外加零许可证支出。对照一个有据可查的风险——大约十分之三的人会悄悄与这次上线对着干——这是本季度AI路线图上回报最高的一项，而且它根本不是一个技术项。
决定就在这里，而且是二选一：在下一个智能体上线之前，你的一线管理者要么能用自己的话回答"这对我的薪酬和职责意味着什么"，要么不能。如果不能，你部署的就不是一次由AI驱动的薪酬变动——你部署的是一个没有答案的问题，而你的员工会替你把它答完。
