斯坦福数字经济实验室的《企业AI手册》（Enterprise AI Playbook），由Pereira、Graylin和Brynjolfsson于2026年3月29日发布，研究了51个使用相同前沿模型的生产环境企业AI部署，并得出了一个自5月中旬以来开始在严肃运营论坛中流传的结论：两种架构上不同的部署模式之间存在31个百分点的中位生产力差距（Stanford Digital Economy Lab, 2026）。AI端到端拥有任务、没有人工审批关口的部署带来了71%的中位生产力增益。在每个有意义的行动上都保留人工审批者在循环中的部署停滞在40%。相同的模型。相同的供应商。相同的提示工程投入。差异在于权限委派架构——谁被允许不经询问就采取行动。
对于本季度正在为200名全职员工的职能部门敲定AI工作流设计的Head of Operations来说，那31个百分点的差距不是一个有趣的数据点。它是大多数中端市场AI试点落到部署领先者悄悄复利的生产力增益约一半水平的原因。文献一直在争论模型选择、供应商堆栈和提示精细度。斯坦福的数据已经关闭了这个问题：决定结果的架构决策正是大多数运营团队默认通过却不知道自己在做的决策。
斯坦福实际测量了什么——以及为什么51个生产部署胜过又一项试点研究
这项研究读起来不同于2024年以来涌入运营文献的关于AI ROI的咨询演示文稿，原因是方法论上的。流通中大多数高流量的AI生产力数字来自三个来源之一：供应商报告的案例研究（深度筛选过的）、单一公司试点写作（通常是成功的那家公司），或模型对模型基准测试（很难转化为工作流生产力）。斯坦福的池子不同。Pereira、Graylin和Brynjolfsson筛选生产部署——稳态运行的工作流，不是试点；与可衡量的业务结果挂钩，不是模型评估；在同一架构模式上运行六个月或更长时间，不是新部署且适合噪声的。51个部署的样本是经过该筛选后存活下来的，研究报告的效应大小足够大，以至于中端市场测量的噪声底不会吞噬它们。
工具对最具争议的发现很重要。71%对40%的差距跨越了模型提供商、供应商堆栈、行业垂直和团队规模——大多数内部AI战略演示文稿将其视为核心选择的四个变量。唯一移动差距的变量是权限委派模式：AI完成工作流、人工审查异常的端到端所有权，对比approval-by-default中人工签署AI提议的每个行动。共同作者Brynjolfsson的信号是运营社区迟迟未予以驳回的部分原因——他和他的合著者花了十年时间追踪为什么测量到的AI生产力与声称的存在偏差，而他所处的《Quarterly Journal of Economics》和NBER文献是这个问题最严格的版本（NBER Working Papers, Brynjolfsson）。
发现中的发现是运营可操作的部分。Approval-by-default部署并非因AI出错而停滞——两种架构的错误率相当。它们停滞是因为人工审批步骤通过研究明确点名的三种机制压缩了生产力增益：等待人工审查的队列时间、审查员的上下文切换成本，以及审查员重做任务部分而非批准提议的silent over-reach。31个百分点的差距，以运营术语来说，是将每个AI行动路由通过工作流不需要的人工瓶颈的成本——只在异常上需要，不在行动上需要。
为什么中端市场运营默认进入错误的设置
产生40%数字的中端市场部署模式很少是经过深思熟虑的选择。这是三种反射的产物，它们在任何50–500 FTE的运营职能中干净对齐，结合起来在无人明确选择的情况下产生approval-by-default架构。
第一个反射是风险框架。当运营领导者将"在此工作流中部署AI"翻译成控制结构时，自然的第一稿是：AI提议、人工批准、审计跟踪。这种框架感觉审慎，特别是在受监管的职能或某团队首次交付AI部署的公司中。今年春天发表的MIT Sloan关于代理型企业的调查发现，中端市场采用姿态相对于大型企业采用者以2比1倾向于这种控制模式——大型企业采用者已交付足够多的部署，学到了斯坦福数据现在量化的内容——approval-by-default控制结构是审计委员会应该询问的，而不是应该被安抚的（MIT Sloan Management Review, 2026）。
第二个反射是工具。大多数企业AI平台——Microsoft Copilot、Salesforce Einstein、主要SaaS套件中的代理型附加组件——以human-in-the-loop作为默认UI模式发货，因为它产生最安全的演示和最干净的企业采购故事。职能继承默认设置并将其解读为推荐。斯坦福研究对供应商堆栈最不舒服的暗示是：默认UI正是在积极抑制供应商所基于销售的生产力增益。
第三个反射是一线经理的舒适信号。当工作流从human-owned转移到AI-owned并由人工异常监督时，运营经理失去了approval-by-default提供的可见性。反射性的请求是"在我建立信任之前，让我对一切保持在循环中"——听起来合理，恰恰是斯坦福点名为产生31个百分点差距的机制行为。经理等待发展的信任从未发展起来，因为approval-on-every-action没有给他任何干净的信号——哪些行动确实需要他的判断，哪些他只是在盖章。职能锁定在一个之后再也没有数据来更新的姿态中。
这三种反射不是运营领导者的判断失败。它们是当架构问题未被明确命名、哪种架构获胜的数据未被摆上桌面时，规范的运营设计所产生的。斯坦福手册现在已将其摆上了桌面。
权限委派地图——对200 FTE运营实际是什么样子
斯坦福数据支持的杠杆是具体的，在接下来的四到六周内可以序列化。三个部分按此顺序重要。
在重新设计工作流之前对决策进行分类
第一部分：对于当前以approval-by-default运行的每个AI-enabled工作流，列出工作流实际触及的决策类别，并将其分为三组——高风险不可逆（监管申报、面向客户的财务决策、解雇）、中风险可恢复（在批准预算内的供应商选择、向内部受众发布内容、账户层级调整），以及低风险可逆（草稿生成、团队内部调度、工单分诊、首次分类）。该练习是每个工作流一次跨职能工作会议；输出是一页决策类别地图，命名审批关口在哪里增加风险缓解价值，在哪里只增加队列时间。
大多数200 FTE运营职能，按我们对模式的解读，发现任何给定AI工作流中60–80%的决策位于低风险可逆bucket中，而approval-by-default被均匀应用于所有三个bucket。地图就是解锁。高风险不可逆bucket确实需要人工关口，数据并不与之争辩。另外两个bucket是31个百分点的生产力增益被留在桌面上的地方——也是从approval-by-default到oversight-by-exception的架构动作所在，其中异常触发器在工作流中明确定义，而非隐含在审查员的自由裁量中。
通过心理测量数据将人与关口类型匹配
第二部分——也是大多数中端市场职能跳过的部分——是为exception-only监督选择正确的人。斯坦福研究在其下半段实施部分指出，exception-only监督最常失败的原因不是错过的异常，而是silent re-insertion：本应审查异常的审查员开始也审查常规行动，因为这是他们一直运行的工作模式。向oversight-by-exception的架构转变部分是组织重新设计，部分是选择问题。
选择信号是心理测量的，不是基于证书的。预测审查员能否在不悄悄重新插入常规审查的情况下守住oversight-by-exception线的特质是在模糊性下的判断、高责任心，以及组织心理学文献所称的supervision-by-trust容忍度——委派常规行动并审查模式级信号而非行动级信号的舒适度。守住线的审查员往往在这些维度上得分高；悄悄重新插入的审查员往往得分低，无论资历或领域专业知识如何。在分配异常监督角色之前对候选审查员进行简短心理测量传递的职能，比按资历或组织图便利性分配的职能获得显著更好的匹配。
Scovai视角在这里是运营的：关于判断和supervision-by-trust容忍度的心理测量数据是这样一种决策输入——每位审查员需要约三十分钟收集，标准提供商每个档案成本在40–90美元范围内，并防止权限委派推出最常见的失败模式。经济很直接——在200 FTE职能中，一次糟糕的oversight-by-exception分配足以压缩工作流上的生产力增益，从而为整个审查员池的心理测量筛选提供数倍资金。
接通异常触发器和silent re-insertion检查
第三部分：在代码中定义异常触发器，而不是在审查员的脑海中，并对工作流进行检测以发现silent re-insertion。异常触发器是AI工作流将决策浮出供人工审查的条件——通常是异常阈值、置信度分数带、边缘情况标志或模式偏差。明确定义它们迫使关于设计的对话——哪些异常真的需要人工判断，哪些是默认路由到那里的。
Silent re-insertion检测是大多数推出跳过的部分，斯坦福数据显示它是生产力增益是否在90天持续的单一最佳预测因子。这是对审查员队列的使用遥测检查：他们只触及浮出的异常，还是拉取并修改工作流本应自主化的常规行动？检查构建便宜，在后台运行，将信任开发问题从主观的（"这位经理现在感觉舒适吗？"）转变为测量的。检测它的职能在60–90天内通过信任开发曲线；不这样做的职能往往在六个月内漂回到approval-by-default，无人明确选择。
反论以及为什么斯坦福的数据将其关闭
来自风险意识中端市场COO的自然反论：51个部署是一个小样本，31个百分点的差距可能不会推广到我们具体的工作流，规范的动作是保持human-in-the-loop直到我们自己运行了对照比较。逻辑听起来严格但产生错误结果。
斯坦福的样本小，因为生产部署的筛选很严格。放松筛选会重新引入运营文献已经饱和的噪声——试点、供应商策划的案例研究、单季度快照。31个百分点的差距在大多数中端市场职能假设为核心的四个变量（模型、供应商、垂直、团队规模）上保持不变，研究点名的机制是任何运营领导者无需对照比较就能在自己的部署中识别出来的。要求一个的反论实际上是要求再花两个季度运行40%架构，然后再决定转向71%架构。
更尖锐的版本：即使发现是真实的，我们的监管或风险环境合法地要求到处都human-in-the-loop。斯坦福手册对此的回应是高风险不可逆bucket——架构明确保留了人工关口在它们增加真实风险缓解价值的地方。论点不是"删除所有人工批准"；而是"停止对中等和低风险bucket均匀应用人工批准——在那里它增加队列时间而不增加判断"。将发现读为二元的职能失去了斯坦福作者有意构建到手册中的细微差别。
压缩为一个行动的Q3决策
对于在接下来四到六周内敲定2026年AI工作流架构的Head of Operations来说，含义压缩为一条规则：
在下一个AI-enabled工作流交付之前——以及在现有工作流关闭其Q3复盘之前——为每个工作流运行决策类别地图，将中等和低风险bucket从approval-by-default移到带有明确触发器的oversight-by-exception，并基于判断和supervision-by-trust的心理测量数据分配异常审查角色，而非资历。
分诊成本是每个工作流一次工作会议、候选审查员池的一次心理测量传递，以及silent re-insertion遥测的一次检测构建。不分诊的下行成本——在斯坦福现在已记入运营记录的31个百分点中位差距——是2026年AI组合以部署领先者复利生产力增益的约56%运行（PwC AI Performance Study, 2026），以及2027年复盘将approval-by-default命名为职能从未明确做出但每个季度都付出代价的架构选择。
71%的数字不是斯坦福研究的标题。71%和40%之间的31个百分点差距才是。关闭它的权限委派杠杆是大多数中端市场运营职能从未列入会议议程的杠杆。
