Gusto 追踪了 1,593 家采用 AI 的小企业与 669 家知道 AI 却选择不采用的小企业的真实薪资记录，发现采用者在随后一年里的人员规模增长高出约 7%（Gusto, 2026）。这是被当作"AI 创造就业"证据广泛传播的数字。而其下的规模分解，才是运营负责人真正该读的数字：只有一名员工的企业为 10%，二至四人为 11%，五至九人为 11% —— 而10 至 24 名员工的企业为 0%。
这项红利并不随规模逐步缩小。它恰好消失在企业开始拥有流程的那个点上。
这并不是说 AI 在十人以上就不再奏效。这是关于当 AI 释放出的产能没有被指定去处时，它会去哪里 —— 三组独立数据给出的答案一致：它进入既有流程，并对任何为试点出钱的人不再可见。
2,262 份薪资记录实际显示了什么
方法本身才是这项研究胜过又一份采用率调查的原因。Gusto 取用了自己 2025 年 4 月 AI 调查的受访者，把他们分为 1,593 家自报采用者与 669 家知情未采用者，然后衡量他们的薪资实际发生了什么 —— 而不是他们怎么说。对照组是严谨之处：知道 AI 却拒绝采用的企业，这样隔离出的是"选择采用"这一决定，而不是把使用者与从未接触过该技术的企业相比。
估计量采用 Callaway 与 Sant'Anna 的事件研究法，专为分批次、不同时点的采用设计：每家企业都与尚未采用及永不采用的企业相比较，基准是其采用前的那个季度。采用前的就业轨迹平坦且平行 —— 这正是关键检验。效应是逐步累积的，在采用后的四个季度里从约 4.5% 升至约 6.8%，这排除了一次性的招聘冲高。工资没有出现相应变动，这与"企业在增加人手，而不是搭上普遍涨薪"相符。
而且这些岗位并非 AI 岗位。采用者招的是治疗师、教师、技工、厨师 —— Gusto 称之为 do-ers，即生产更多客户真正所求之物的人。在十人以下的企业中，人员增长在实体生产为 8%，个人服务为 8%，专业服务为 9%，社区服务为 19%，主要由招聘牙科卫生师与临床人员的小型医疗与社会服务机构推动。
这是一个干净的结果，机制却并不耀眼：在五人企业里，老板的时间是约束条件，而这些时间耗在排期、行政、营销和查资料上。AI 吸收了这部分工作，收回的时间便转化为下一个招聘。
那个零才是发现
Gusto 自己对 10-24 人区间的解释，是整份研究中最具操作价值的一句话。该规模的企业，它指出，"已经把这些流程大体建立起来了"，它们的生产率收益"很可能体现在人员规模之外的地方，即便员工被释放出来更专注于本职工作"（Gusto, 2026）。
请读两遍，因为这正是掌握数据的人对"试点到预算"这一整个问题的陈述。
在五名员工时，没有流程能吸收被释放的时间，于是它以一个可观察的决定浮现：招人。到十五名员工时，流程存在了 —— 排期系统、审批链、汇报节奏，以及一条会扩张到占满可用注意力的工作队列。时间照样被释放，只是被早已存在的结构重新吸收，而没有任何采用率看板、使用率指标或满意度调查能告诉你它去了哪里。
把这件事放大到 50 至 500 名全职员工，结构的密度要高一个数量级。静静躺在大多数 2027 年 AI 商业论证之下的那个假设 —— 产能会自己找到最佳用途 —— 正是在十五名员工处测出零的那个假设。
丹麦的数据显示被释放的产能去了哪里
如果产能是被重新吸收而非被消灭，那一定有东西在吸收它。关于那是什么，最好的证据来自行政数据，而非自我报告。
Humlum 与 Vestergaard 将大规模 AI 采用调查与丹麦行政劳动力记录相连接，估计出在工人层面与工作场所层面上，对收入与记录工时的精确零效应，排除了大于 2% 的效应，时点为 ChatGPT 发布两年之后 —— 而这是在大多数受影响职业的雇主都已启动聊天机器人举措、员工也报告生产率获益的环境中（Humlum 与 Vestergaard, 2026）。
发生变化的是工作的结构。雇主通过任务重组吸收了 AI，作者明确点出了新任务：内容生成、AI 监督与 AI 集成。采用者也转入了聊天机器人更相关、薪酬更高的职业，但人数仍太少，不足以推动平均收入。
那就是去处，而它并不是商业论证里写的那个。工具交还的时间，有相当一部分被花在监督、核查与接入这个工具本身上。没有人把这一行写进预算，没有人在组织架构上拥有它，而因为它以十分钟为单位分散在每个人的一天里，它从不显示为成本 —— 只显示为某种没有落地的生产率收益。
门槛之上的收益是真实的 —— 但要花钱买
对 Gusto 那个零最诚实的平衡来自一个大得多的企业面板。基于配对的 EIBIS-ORBIS 数据，覆盖欧盟与美国 12,000 多家非金融企业，并以美国同类企业的采用率为欧盟企业采用的工具变量，AI 采用使劳动生产率水平提高 4%，途径是资本深化而非岗位替代，企业层面未见不利的就业效应（BIS, 2026）。
有两个细节比标题更重要。第一，收益"集中于中型与大型企业" —— 恰恰是 Gusto 的人员效应消失的那个区间。第二，论文说得很明确：解锁这些收益的，是软件、数据与员工培训方面的互补投资。
把三组数据放在一行上，图景就连贯了。十人以下，被释放的产能会自行转化为人员，因为没有东西挡在路上。在中大型企业里，它转化为可测量的生产率 —— 但只有在那些为其导向的互补投入同时存在时。在两者之间，以及在任何只买工具不买互补投入的企业里，它转化为无人负责的任务开销。
红利并没有在十名员工处死亡。它只是不再自动发生。
诚实的边界
Gusto 的研究是关联性的，并且明说了这一点。 企业自行决定是否采用与何时采用；采用时点为自报；样本是回答了调查的 Gusto 客户，而非美国小企业的随机抽样。作者明确表示，确切幅度未必适用于整个经济体。
5-9 人区间带有作者的提醒。 这些企业在采用前略有收缩，因此那 11% 中有一部分可能是回补，而非新增招聘。
那个零是在 10 至 24 名员工处测得的，不是在 200 人处。 这组数据中没有任何观测覆盖 300 人的组织。能向上迁移的是机制 —— 流程会吸收未被指派的产能 —— 而不是点估计。任何把"十人以上为 0%"当作关于中型市场的发现来引用的人，都读过了头，包括引用本文的任何人。
丹麦的案例时点早、特定于聊天机器人，且关乎平均值。 平均收入与工时上的精确零，不等于任何单一岗位上的零，而观察窗口是一项通用技术的头两年。
BIS 的估计识别的是暴露程度，不是你的落地质量。 以美国同类企业采用率作为工具变量，买来的是干净的因果变异，代价是测量"成为采用者"的平均效应，而非你实施得多好的效应。
运营负责人在下一个试点获批之前该做什么
四个动作，没有一个是工具选择。
1. 在批准支出之前，写下这些时间的去处。 审批里写一句话：这项释放出的产能用于这个产出，由这个人负责，以这种方式衡量，在这个日期之前完成。如果唯一可得的答案是"团队会更高效"，那你刚刚资助的就是 0% 的条件 —— 一个没有具名归属的释放小时，会被早已存在的流程重新吸收。
2. 把监督与集成工作当作工作列入预算。 丹麦的证据说，新任务是监督、核查与接入。在商业论证里把它们定价为挂在具名岗位上的具名成本，否则它们会由试点本应释放的那同一份产能来支付。
3. 更换你汇报的因变量。 在你们这个规模上，人员数是错误的读数，使用率是虚荣指标。选一个流程无法无声吸收的东西：某个具体工作流的周期时间、清空的积压量、某一职能的人均产出。在试点启动前就把测量布好，因为事后重建的基线只是叙事。
4. 给监督一个名字，而不是一个溢出口。 核查工作之所以消失，是因为它没有座位。受治理的部署会把它变成结构性的：Scovai 的 Digital Employee 模式默认是 confirm-first —— 每一个对外可见的动作都成为一条带着具名人类的审批请求，自主权按动作类型从有记录的台账中逐步获得，而沉默从不等于同意。无论你选择哪套技术栈，检验都一样：你能指出谁拥有那条审批队列，并且看到它花了这个人多少时间吗？
三组数据在幅度上不一致，在机制上一致。无人认领的 AI 释放产能并没有被节省下来。它在你已有的结构里被静静花掉，花在没有人决定要做的工作上。
所以，挑一个你们组织里已经在跑的 AI 试点，试着把第一个动作里的那句话补完。如果你无法在本季度说出去处、负责人、衡量方式与日期，那你没有生产率项目。你有的是一次没人在看的资源再分配。
