欧洲央行每月向欧元区11个国家约20,000名劳动者提问：AI为你省下了多少时间。中位使用者的回答是每周三小时——约占中位工作时间的7.7%。接着欧洲央行做了一件几乎没有任何供应商演示会做的事：把这个数字除以所有人。由于只有48.8%的劳动者既使用AI又确实因此省下时间，整个经济体层面的效率增益更接近3.8%（欧洲央行, 2026）。
同一份调查。同一批受访者。两个数字，相差近一倍。
你的AI生产力商业论证几乎肯定建立在前一个数字之上。这就是错误所在，而且它不是四舍五入的误差：它是分母的错误，并决定了你向CFO承诺的那些小时是否会真正出现。
欧洲央行究竟测了什么
数据来自欧洲央行的消费者预期调查（Consumer Expectations Survey），一个覆盖欧元区11个国家、每月约20,000人的固定样本——这是面向一般人口的工具，而非某家供应商的客户名单。这一点很关键，因为它同时捕捉到那些试过AI后放弃的人，以及从未开始的人。你看到的大多数AI生产力数据做不到这一点。
采用曲线确实陡峭。工作中使用AI的劳动者比例从2024年的26%升至2025年的41%，2026年达到52%，使用者平均每周动用它约三天。采用率的分布一如预期地不均：高学历劳动者为61%，教育程度较低者为37%；年轻劳动者比年长同事高出约20个百分点。
但一旦入门，使用强度就趋同了。各群体的周使用天数均值都落在2.5到2.9天之间，与年龄或学历无关（欧洲央行, 2026）。
请记住这个形状，因为它定义了你的杠杆。你所在组织的差异，主要不在于已采用者用得多努力，而在于究竟有多少人算得上采用者。
分母就是全部论证
以下是你的商业论证在暗中所做的算术。
供应商引用人均节省——那三小时、那7.7%。财务把它乘以员工人数。得出的数字，描述的是一个人人都在用工具、人人都省下时间的组织。而欧洲央行的数据说，大约只有一半员工属于这一群体。
欧洲央行在另一点上同样审慎，值得向每一位建模的人重复：省下的时间只有在被转化为产出时才成为生产力，而这一转化取决于雇主能否把多出来的产能用起来。落进一张背后没有需求的日程表里的空闲小时不是收益。它是闲置产能。
关于量级：欧洲央行指出，当前对AI在十年期内带来的额外年度生产率增长的估计区间为0.1%至3.4%，而欧洲央行自身对欧元区的估计约为每年0.35个百分点。如果你的内部论证隐含的跃升比这高出一个数量级，举证责任在你，而不在经济学家。
同样的落差，在美国被测到
如果这只是单一货币联盟里的一次调查，你还可以打折看待。但它不是。
Alexander Bick、Adam Blandin与David Deming同圣路易斯联邦储备银行（Federal Reserve Bank of St. Louis）合作，开展了具有全国代表性的美国生成式AI使用调查，发现使用者平均节省工作时间的5.2%——对每周工作40小时的人约合2.1小时——但一旦把非使用者计入，就只有总工时的1.4%。按当前使用水平，他们模型估计的总体生产率增益为1.2%（Bick, Blandin & Deming, 2024）。
两个大洲，两种方法，相隔两年。两者都得到一个看似颠覆性的人均数字，和一个经参与率调整后看似渐进的数字。两者之比不是噪声，而是这件事本身的形状。
收益恰恰在使用最稀薄的地方
欧洲央行数据中的第二个发现，应该改变的是你周一要做什么，而不只是你相信什么。
效率增益因任务而剧烈分化，最大的增益并非来自最常见的用途。生成或调试代码每周可回收近八小时——但只有约8%的劳动者把AI用于此。数据分析、例行任务自动化、音视频内容创作遵循相同模式：高收益、低使用。与此同时，被提及最多的用途——检索、信息收集、写作与文本编辑——节省的时间要少得多（欧洲央行, 2026）。
欧洲央行提示、我在此重复的一条告诫：省下大量时间的受访者往往会勾选更多任务，这会机械性地抬高各任务的平均值。把排序当作可靠的，把绝对小时数当作偏慷慨的。
即便打了折扣，这个排序仍然可执行。大多数组织花了两年推动低收益用途的采用，因为它们在培训课上最容易演示。高收益用途需要对系统、数据和代码的访问权限——那是权限与集成问题，不是热情问题。
另一半为什么不参与
欧洲央行直接询问了非使用者，答案并不是大多数推广计划所假设的那些。
三分之一的人说AI与他们当前的任务无关。另一些人更习惯既有方法，或被准确性与可靠性顾虑劝退，或表示雇主没有提供工具。还有41%的人干脆对这项技术不感兴趣——其中包括34%的管理者。被问及什么会改变他们的想法时，约一半的人指向更好的培训，以及更清楚AI究竟在哪里有用。
供给侧方面，据欧洲央行SAFE调查，约有一半企业计划在未来12个月投资AI培训——这意味着约有一半不打算投。
情绪也在往错误的方向走：对AI持正面看法的劳动者比例同比从43%降至41%（欧洲央行, 2026）。
这就是你的参与率，以机制方式描述出来。它不是谜团，也不是动力不足。你的非使用者中约有三分之一正确地判断出：AI帮不上他们当前的任务——而唯一能改变这一点的是重新设计这些任务，不是再买一份许可证。
诚实的反方意见：这些都是自我报告
现在说那个削弱我自己论点的告诫，因为这话你最好从我这里听到，而不是从你的CFO那里。
上述每一个数字都由劳动者自我报告。没有人拿着秒表。而在唯一一次把自报的AI收益与实测收益直接对照的场景里，自我报告输得很惨。
METR针对资深开源开发者的随机对照试验发现，使用2025年初的AI工具时，他们所花时间反而多出19%——而他们本人相信自己被加速了。METR随后对349名技术工作者的调查为这一偏差给出了数字：在其2025年初的研究中，参与者对AI在任务耗时上影响的高估平均达到40个百分点（METR, 2026）。
因此诚实的解读是：整体经济层面的3.8%本身可能已是区间的乐观端，而非悲观端。人均数字不仅被非参与稀释，它在源头上就可能被夸大。
企业层面还有一项对照。麦肯锡（McKinsey）《State of AI 2026》调查发现，将至少部分EBIT影响归因于AI的受访者比例同比基本未变，为37%，而“AI高绩效者”持平在约6%（麦肯锡, 2026）。采用在复利式增长，报告中的财务影响却没有。如果人均小时数真实存在、却既不普遍也未被转化，这正是你会看到的特征。
这一切都不意味着AI什么也省不下来。它意味着你写进商业论证的那个数字应该是构建出来的，而不是引用来的。
重建AI生产力商业论证：参与率 × 任务级收益
用三项式估算取代人均乘法。它只需一个下午，并且经得起财务的推敲。
- 衡量参与率，而不是许可证数。 统计上周确实为工作使用了AI并报告省下时间的人数——把欧洲央行48.8%那种构造方式用在你自己的员工基数上。席位数是采购指标；它不是分母。
- 按任务加权，而不是按部门。 分别估算高收益工作（代码生成与调试、数据分析、例行任务自动化）与高频工作（检索、写作、编辑）的节省小时数。不要把它们混成一个平均值——正是这种混合掩盖了机会。
- 套用一个转化系数。 明确决定被释放的小时中有多大比例会变成产出而非闲置，并指名这些小时将吸收的需求。如果你说不出这个需求，转化系数就是零，而你应当如实说明。
然后做出欧洲央行数据真正提出的战略抉择，一次性做出，而不是任其漂移：扩大参与，还是深化收益。 扩大意味着争取那41%不感兴趣的人——缓慢、涉及文化、受管理者把关，并且被那三分之一“工具对今天的任务确实不合用”的劳动者正面挡住。深化意味着把AI引向那8%的高收益工作，它需要数据访问与系统集成，却完全不会遇到动机上的抵抗。
多数中型市场的运营团队把两者都做了一个稀释版本，然后把结果称作“推广落地”。请为接下来的两个季度选定其一，为它装上度量。把经参与率调整后的数字与人均数字并排呈给董事会，让两者之间的差距替你说话。
这个季度该决定什么
欧洲央行把同一个发现给了你两次，处在两个高度：对个人是每周三小时，对经济体是3.8%。两者都真实。但只有一个会被你的损益表感受到。
在本季度结束前，把你真实的参与率拉出来——上周为工作使用过AI并且省下了时间——放在与人均小时数同一张幻灯片上，而你的AI生产力商业论证正建立在后者之上。如果两个数字相差悬殊，你面对的并不是生产力问题。你面对的是一个你从未看过的分母。
