百分之二十的美国在职成年人表示，AI 如今至少承担了一项他们或其团队原本交给同事或外部承包方的工作（Epoch AI, 2026）。不是"辅助完成"，而是"承担"。
这是一项采购决策——通常你的组织会用采购申请、供应商评估和预算科目把这类决策层层包裹起来。而它是由一个个员工做出的，一次一项任务，并且不会出现在你所拥有的任何系统里。这种性质的 AI 任务委派既不体现在编制上，也不体现在外包支出预测里，更不会出现在任何采用率看板上——因为那些看板是为统计工具使用量而建的，不是为统计工作的重新分配。
真正令人不安的不是它发生了，而是你的产能模型如今是错的，而且错在一个你看不见的方向上。
Epoch AI/Ipsos 这项调查究竟测量了什么
该调查由 Ipsos 受 Epoch AI 委托，采用基于概率抽样的 KnowledgePanel 执行，调查时间为 2026 年 7 月 10 日至 19 日，样本为 1,106 名美国在职成年人，估计值已按美国在职人口加权（Ipsos, 2026）。概率抽样在这里很关键：这不是一个由 AI 爱好者自愿加入、向你讲述其工具多么具有变革性的样本组。
标题数字是 20%。真正的质地在按任务的细分里。员工报告 AI 接手原本委派给人类的工作，最常出现在数据分析（7.1%）、阅读工作文档（5.7%）和维护记录（5.3%）这三项上（Epoch AI, 2026）。
用运营者的眼光再读一遍这份清单。这些既不是创意类任务，也不是边缘试验。它们恰恰是一家 200 人的公司习惯性甩给初级分析师、临时工、离岸团队或自由研究员的那些类别。而且几乎无一例外，它们的产出都会被下游的其他人所依赖。
同一份调查里还有一个数字，这才是最该抓住你注意力的：在所有 AI 辅助的任务中，66% 的产出被原封不动地使用，或只做了细微修改，而被大幅返工或重做的仅占 5%。
一项没有采购申请的自制或外购决策
每个组织都有一套流程，用来决定工作是在内部完成还是从外部购买。它慢是有原因的。有人界定范围，有人定价，有人核查供应商是否靠谱，还有人对结果负责。
Epoch 的数据所描述的，正是同一项决策——只不过发生在个人层面，耗时不过是打开一个对话窗口的工夫。
这位员工并没有做错什么。站在他的位置上，这叫主动性：原本需要和外包方来回沟通四天的报告，现在一个下午就能完成。公司奖励的恰恰就是这个。没有任何制度告诉过他，把一项任务从人重新指派给模型，与选择一种更快的方式完成自己的工作，属于两个不同类别的决策。
但它确实属于不同类别，原因是结构性的。当你委派给一个人时，无论你是否要求，你都获得了第二个思考这个问题的大脑。外包方会提出澄清性问题。初级分析师会标记出看起来不对的数据。同事会在一项请求说不通时提出异议。这种摩擦不是人际委派的缺陷——它是一种随之附赠、从未被计价的质量控制机制。
把同一项任务委派给模型，摩擦就消失了。模型不会问这个请求为什么奇怪。它只会作答。
审核关口在工作转移的同一刻消失了
把 20% 和 66% 并排放在一起，风险就变得具体了。工作正在从人转移到模型，而与此同时，三分之二的模型产出未经任何实质修改就交付出去。任务易手了，而检验环节随着上一位负责人一同离开了。
这不是假设性的损害。Adaptavist 2026 年针对 2,500 名知识工作者的研究发现，52% 的人经常需要修正同事产出的 AI 生成内容（Adaptavist, 2026）。修正确实在发生——它只是从一个明确的交接点，转移到了不幸处在下游的那个人身上。
BetterUp Labs 与 Stanford Social Media Lab 的研究给这种转移标出了数字：约 40% 的美国办公室职员报告在上一个月收到过 AI 生成的"workslop"（劣质产出），每起事件约需两小时处理，研究者将其成本估算为每名员工每月约 186 美元（BetterUp Labs, 2026）。
每起事件两小时，由一位同事吸收，却记录在任何地方都找不到。
有一处分布上的褶皱值得点明。这一现象出现最多的三类任务——数据分析、阅读文档、维护记录——恰恰集中在中型企业运营中人手最紧的那些职能：财务支持、运营协调、合规管理。在这些岗位上，往往一个人就是那个流程，而外包方历来是它们的泄压阀。当泄压阀被模型取代，却没人重新指定由谁审核产出时，故障不会循序渐进地宣告自己。它会以董事会材料中一个错误的数字的形式，一次性宣告自己。
这就是问题的形状。节省被委派给模型的那个人所获得，并且对他可见。成本由接收产出的人承担，并且对所有人都不可见。净生产率可能持平甚至为负，而每一个参与其中的人都诚实地报告自己变快了。
为什么你的产能模型如今错在一个未被记录的方向上
到这里，这件事就不再是治理问题，而变成了运营问题。
如果你团队中相当一部分人已经悄悄把任务从外包方和同事那里改道，那么你的若干规划输入项，如今测量的已经不是你以为的那件事了。
外包支出下降看起来像是纪律。 它可能确实是纪律，也可能是未经审核的工作替代。这两者在损益表上的特征完全相同，在风险上的含义却截然相反。
内部交接量下降。 工单更少，团队间请求更少，纸面上的周期时间更快。其中一部分是真实的。另一部分则是因为不再被检查，所以不再被交接的工作。
编制模型发生漂移。 如果你依据今年观察到的工作量来规划明年的招聘，而今年的工作量已被交付原封不动率高达 66% 的模型悄然吸收，那么你是在从一个已经含有未被测量的质量债务的基线上做外推。
在 50 至 500 名全职员工的规模上，这一点比在大企业层面咬得更狠。大型组织有采购关卡、供应商管理职能，以及足够的流程仪表化——工作采购方式的变化终会浮现在某个人的报告里。而一家中型运营机构有的是一位运营负责人、一位财务主管，以及一堆建立在"工作由组织架构图上的人完成"这一假设之上的电子表格。
没有人在做任何显而易见的错事。这恰恰是它得以持续的原因。
这些证据没有说的事
三条边界，明确列出，因为建立在对这些数字过度解读之上的计划注定失败。
百分之二十不等于你工作量的百分之二十。 这个数字是报告了至少一项此类任务的员工占比，而非被转移的任务或工时占比。按任务划分的数字——7.1%、5.7%、5.3%——才是判断体量更好的依据，而它们都是个位数。
原封不动交付并不等同于错误。 66% 这个数字告诉你的是审核强度下降了，而不是产出有缺陷。对于一次常规的记录更新，未作修改可能完全正确。真正令人担忧的是，审核率如今在各类任务之间是均匀的，而错误代价在各类任务之间远非均匀。
自我报告存在已知局限。 员工未必能准确回忆某项任务在过去是否会交给外包方。概率抽样控制的是"问了谁"，而不是人们对反事实情境的记忆有多准确。
这些都不改变运营层面的结论。即便按最保守的读法，仍有工作正通过一种你的产能规划无法观察到的机制被采购，而过去免费附带的质量关口已经不复存在。
本季度把 AI 任务委派变成可测量的事
解法是测量纪律，不是一纸政策通知。四个动作，没有一个需要新增支出。
直接问一次这个问题。 在下一次团队复盘中，向每个职能提一个问题：过去六个月里，我们停止发给外包方、共享服务或其他团队的任务有哪些，它们又去了哪里？一个下午你就能得到答案。Epoch 的数据显示，你的员工中大约每五人就有一人存在这种情况。
去测量重新分配，而不是登录次数。 统计席位和会话的采用率指标，在结构上就不可能发现这件事。请追踪工作被重新指派时会发生变动的那些量：按类别划分的外包发票额、跨团队请求数，以及返工事件数。斯坦福 Digital Economy Lab 一直在主张同一个论点：应在任务层面而非工具层面测量 AI（Stanford Digital Economy Lab, 2026）。
在同侪委派原本提供审核的位置上，把审核关口重新装回去。 这是价值最高、成本最低的一项。按未被发现的错误所带来的代价对任务分类，而不是按是否涉及 AI 来分类。对于高代价的那一组，明确指定一名审核人。人际委派免费附赠了这名审核人；委派给模型不会，因此必须有意识地重新设立。
把任务重新指派变成一件需要申报的事。 不是审批流程——而是一次告知。当有人把一项经常性任务从人转移到模型时，就在记录编制变动或供应商变动的同一个地方留下一笔。一行字，不必有仪式感。可见性就是全部目的。
本季度摆在你面前的决定既窄又是二元的：你要么能说清你的运营中已经发生的 AI 任务委派——哪些工作从人转到了模型，现在又由谁来检查——要么说不清。如果说不清，你经营的就不是一家精简的运营机构。你经营的是这样一家机构：它真实的成本结构与质量敞口，正被一群从未被告知自己在做这个决定的人，一项任务接着一项任务地设定着。
