三条宣传标语。两组读者。唯一的差别是：一半人被告知由营销专业人士撰写，另一半人被告知由AI营销软件生成。标语逐字完全相同。相信是AI所作的那一组，愿意贡献自己创意的比例低了3.4个百分点——在26%的基准之上，这意味着自愿投入相对下降13%（Brookings, 2026）。
作品本身没有任何变化。变的只是署名。
这是迄今为止关于工作流中AI署名归属最干净的因果证据，而它落在大多数运营计划完全没有科目的地方。你就AI与团队所做的每一次讨论都围绕能力：模型能做什么、产出有多好、错误率在哪里。这项发现说的是：在质量不变的前提下，产出上的标签本身就会改变人的行为。署名归属不是工作完成之后的传播细节，它是决定你能拿到多少工作的输入变量。
实验固定了什么，又移动了什么
该研究是Nikolova、Milanova与Wang的预注册问卷实验，在美国（N=1,511）与荷兰（N=2,117）的全国代表性样本上以完全相同的方式实施，合并样本量N=3,628（GLO Discussion Paper 1788, 2026）。研究设计已事先在AEA登记处注册（AEA RCT Registry #15363, 2026）——也就是说结果指标在数据到来之前就已确定，这正是"发现"与"故事"的分野。
参与者拿到一个小型公共健康议题——很多人饮水不足——并被请求帮忙想一句宣传标语。在看到任何内容之前，他们先评价这项任务有多大意义，7分量表上平均约为5分。随后他们读到三条标语。一半人被告知由营销专业人士撰写，另一半被告知由AI软件生成。两组看到的标语完全一样。之后他们再次评价任务意义，并获得提交自己标语的机会。这一自愿提交就是投入度的测量指标。
由此得出两个结果。在AI标签条件下，任务意义感下降约0.07个标准差。愿意贡献创意的比例从26%的基准下降3.4个百分点——即13%这个数字。两国结果均得到重复验证。
请注意这里测的是什么。不是满意度，不是情绪，而是无人要求时人们所做的事：自主性贡献。而这恰恰是你的流程改进、升级上报和质量拦截真正依赖的输入。
惩罚同样落在作品本身
第二个发现受到的关注更少，却更值得重视。
被告知标语出自AI的参与者，对同样的标语给出的创意性与说服力评分更低（Brookings, 2026）。文本完全相同，分数却更低。他们同时报告对AI完成这类工作的信任度更低。
对运营负责人而言，这是这项结果更锋利的一面。如果你的团队正在评审AI起草的材料——政策文本、初步分析、客户回复、内部简报——这场评审并不在公平的起跑线上。评审者的质量判断部分是标签的函数，而不只是文本的函数。其中一部分折价属于合理怀疑，你确实需要它。但它并未按眼前这份草稿的实际缺陷率校准，于是同时产生两种失效：对优质AI产出的过度编辑，以及对生产这些产出的整条链路的信任侵蚀。
你无法通过询问员工来分离这两种效应。他们会诚实地回答：这份草稿写得不好。
为什么AI署名归属重新定价了标准工作流
过去十八个月里中型企业运营采纳的默认模式是"AI起草，人类评审"。之所以选择它，是因为它看上去在动机上是中性的——人仍然拥有最终成果，机器只是消除了空白页。
这项证据说明，中性只是一个假设，而非属性。
在标准模式中，人的贡献被框定为编辑，AI的贡献被框定为创作。这个框定是一种选择，通常由配置工具的人做出，而现在它被证明具有承重作用。同样的工作换一种框定——人设定命题并对论证负责，AI提供原材料——是同一项活动配上不同署名，而署名正是在受控条件下让投入变动13%的那个变量。
这与实地数据中已经显现的缺口相连。BCG 2026年对11,749名员工的调研发现，47%的人现在花在管理和指挥AI上的时间已超过亲自做事的时间，而66%的人表示对如何使用AI腾出的时间没有得到任何实质指引（BCG, 2026）。岗位正围绕评审与指挥被重构——恰恰是实验显示在动机上最暴露的位置——却没有相应地决定人的贡献该如何被命名。
生产率层面的推论是作者自己提出的：被抑制的自主投入，可能是AI在实验中的巨大收益尚未体现在整体经济生产率数据中的原因之一。你可以做到每项任务产出更多，而围绕它的贡献更少；而后一种效应不会出现在任何工具使用仪表盘上。
这在50到500人的组织中出现在哪里
四个位置，大致按影响显现的速度排列。
内部沟通。 用AI撰写且能被认出的政策更新、流程变更与全员会议材料。信息内容与人写版本完全相同，接受度却不同。如果你需要人们自愿行动而非仅仅服从，标签正在与你为敌。
同行评审与质量关卡。 Adaptavist 2026年对2,500名知识工作者的研究发现，52%的人经常修正同事产出的AI生成内容（Adaptavist, 2026）。这份修正负担已经真实存在。本实验补充的是：评审者对严重程度的判断部分由标签驱动，因此你的返工量并不是缺陷率的干净信号。
累积效应问题
单看这四点，没有一点是严重的。机制在于暴露频率。一件带AI标签的产出，只让你损失一个人在一项任务上的一小部分自主投入。但如果在你的流水线上，大多数初稿、摘要与常规分析都带着标签抵达，那么同样的小折价每周会对所有下游人员发生数十次。实验测量的是一次接触，你的组织里有成千上万次。
这也是该效应从高层难以察觉的原因。没有任何单个案例会造成可见故障。它造成的是自愿层的缓慢塌陷——从未被提出的建议、无人多看的第二眼——而这一层从未出现在任何运营仪表盘上，因为它一直是免费的。
认可与绩效对话。 当一份出色的工作被知道是AI辅助完成的，贡献者的归属感与管理者对贡献的解读会同时改变。没有任何标准绩效流程考虑过这一点。
面向客户与候选人的文案。 同样的折价在公司之外照样成立，而研究的受访者是一般人群样本，并非员工。为建立信任与透明而设计的披露实践，携带着对感知质量的可测量影响。这不是反对披露的论据——而是主张你应当知道所选形式的价格。
这项证据没有说什么
三条界限，直说为好，因为建立在过度解读之上的计划一定会失败。
这是一项简短的创意微任务，不是工作流程。 参与者评判的是被标注为AI所作的产出；他们并没有在数周内与AI系统协作完成自己负责的工作。对持续性专业工作的外部效度尚未检验，作者自己也这样说明。
意义层面的效应很小。 0.07个标准差是相当温和的标准化效应量。标题中的13%是相对于26%基准的相对变化，它放大了3.4个百分点的绝对变动。两个数字都准确，但只有一个具有戏剧性。
这是一篇工作论文。 已预注册并在两国重复验证，这已超过该领域大多数证据的水准——但尚未通过同行评审。
在三条保留意见之后仍然成立的，是方向与机制：署名归属独立于质量地改变投入。如果在真实工作流中效应只有一半强度，而员工是持续而非仅一次地遇到带AI标签的产出，它就会累积。
本季度把署名归属变成一个流程参数
答案是设计，而不是措辞公关。四个动作，没有一个需要新增支出。
命名人的贡献，而不是工具。 当作品带有AI来源标注时，确保它同时标明人做了什么——命题、判断取舍、发布决定。作者本人的建议是：设计能让人的能动性保持可见、让个人贡献可归属的工作流。实施成本为零，而目前多数模板里根本没有。
将来源与评价分离。 在任何重要的质量关卡上，让评审者先评估成品，再看它是如何产生的。你会很快弄清返工中有多少是缺陷，有多少是折价。
别再把人框定为编辑。 "审一下这份草稿"和"这个成果归你，这里有些原材料可以起步"描述的是同一小时的工作，却是两种不同的职务。改掉流程文档和工单里的措辞。这是这里杠杆最高的一项，代价只是改几个词。
度量自主性贡献，而不是采用率。 席位数与提示量在结构上无法检测这一现象。去跟踪那些自愿的部分：未被要求的改进建议、在关卡之前被拦下的缺陷、主动增加无人要求的范围的人。如果这条曲线在产出量上升时向下弯折，你就在自己的数据里找到了这个效应。
本季度摆在你面前的决定，不是要不要披露工作中的AI参与。它比这更窄，而且是个设计问题：嵌在你当前流程中的AI署名归属，是你有意选择的，还是某个工具的默认设置替你选的？在这项实验中，标签值13%的自愿投入。它是你桌上最便宜的变量，而且到目前为止，是唯一无人负责的那一个。
