Ramp Economics Lab 与 Revelio Labs 的研究人员，将企业实际发生的 AI 支出——真实的信用卡与账单支付交易，而非问卷答案——与 21,559 家美国企业的用工记录打通。处于 AI 投入最高档的企业，在采用后的两年内总人数增长 10.2%，初级岗位人数增长 12%。而处于低强度档位的企业，则完全没有出现具有统计显著性的变化（Ramp Economics Lab, 2026）。
不是增幅更小。是零。
值得关注的正是这个对比，而它并不是被新闻标题拿走的那一个。真正有意思的结论不是"AI 采用与初级岗位招聘可以同向变动"，而是采用本身什么都解释不了。全部作用来自投入强度。
这项研究测量的是支出，不是感受
运营负责人读到的关于 AI 采用的绝大多数内容，都是自我申报的。有人调研高管，高管描述自家的成熟度，得出的曲线既反映部署程度，也同样反映信心。这一测量问题如今已有充分记录——你多半在自家公司见过：领导层对公司 AI 能力的评分，远高于部署数据所能支撑的水平。
Ramp–Revelio 的研究设计绕开了这个问题。AI 支出取自 Ramp 的企业卡与账单支付记录——真正流出公司的钱——再与 Revelio Labs 对同一批企业的用工记录相连接。随后，企业按采用后前三个月的人均 AI 支出，被划分为高强度或低强度采用者，并对其用工情况持续追踪（Revelio Labs, 2026）。
这样的构造决定了结论能承受多大的重量。样本中没有任何人被问及自家 AI 项目"感觉"有多具变革性。自变量是一条记账凭证。
按作者的说法，这是首个在此规模上将企业层面的 AI 支出与用工数据相连接的研究（Ramp Economics Lab, 2026）。对运营主管而言，这是"可用于规划的数据"与"只能引用的数据"之间的区别。
强度才是变量，而且它表现得像一道门槛
把两个档位并排放，结论的形状很不寻常。
高强度采用者：两年内总人数 +10.2%，初级岗位 +12%，收益逐步显现并广泛分布于各职能——工程、销售、行政与客户服务（Ramp Economics Lab, 2026）。低强度采用者：与完全不采用之间没有任何统计上可区分的差异。
如果 AI 投资的回报大致与支出成正比，那么低档位理应呈现一个小幅正效应——被削弱、有噪声，但存在。事实并非如此。这一关系不是线性的，半吊子措施也走不到一半路程。
请把它当作一条运营约束来读。把一笔不大的预算薄薄摊在十一个部门上，并不是一个严肃项目的缩小版。依据这份证据，它属于另一类活动，而且在用工数据中根本不出现。
这应当重构预算讨论的方式。中型市场的默认姿态——每个职能都放一点 AI，这样没人被冷落，任何单一押注也不会让谁难堪——正是低强度档位所描述的画像。这是一个为最小化后悔而构建的组合，而它不产生任何可衡量的回报。
初级岗位这个数字，与"矿井金丝雀"相悖
12% 这个数字落在一场正在进行的争论中间，因此有必要说清楚它解决了什么、没解决什么。
Stanford Digital Economy Lab 基于 ADP 的薪酬数据，记录到在最受 AI 影响的职业中，职业生涯早期劳动者的就业出现约 13% 的相对下降——这就是塑造了 2025–2026 年大部分初级岗位叙事的"矿井金丝雀"结论（Stanford Digital Economy Lab, 2025）。
两项结论可以同时成立，因为它们测量的并不是同一个对象。Stanford 追踪的是职业：在受 AI 影响的职业类别内部，年轻劳动者失去了阵地。Ramp 追踪的是企业：在重度投入 AI 的公司内部，初级岗位人数增长了。一些岗位正在整个经济层面萎缩，同时一些企业比以往招聘了更多初级员工。总体职业暴露度与企业层面的投入强度是两条不同的轴，而运营者坐在第二条轴上。
这才是实践上有用的读法。你无法控制所在行业的任务构成是否受 AI 影响。你能控制的是本公司的投入集中度——而这正是企业层面数据显示确实发生了位移的变量。
诱惑在于，挑选那份能印证你既有计划的研究。请抵制它。诚实的综合更窄，也更有用：暴露度决定一个岗位承受的压力，投入强度似乎决定你的组织是在这压力中长大，还是在其之下收缩。
反方论点：这可能是选择性偏差
对 Ramp 结论最有力的反驳来自研究本身，它值得被明确说出，而不是被埋起来。
作者写得很清楚：AI 采用者并非随机样本。他们本就规模更大、工程密度更高、更可能获得风险投资，且增长快于非采用者。行业层面的增益集中在信息业（Ramp Economics Lab, 2026）。
对于天真的因果解读，这是一个真问题。快速增长、资本充裕的软件公司既在 AI 上大手笔支出，也在大量招人，而共同的驱动因素可能仅仅是：它们正在赢。按这种解读，高额 AI 支出是扩张的症状而非原因——一家 220 人的工业服务公司多买些许可证，并不会继承那 12%。
即便打了这个折扣，仍有两点让这一结论保持有用。第一，该研究追踪的是企业采用前后的内部变化，而非采用者与非采用者的粗略比较——增长发生在支出之后，呈渐进曲线。第二，对你而言更具决定性：低强度档位的零结果无法用选择性偏差解释。那些企业同样选择了采用，同样有预算、有高层支持、有意愿。它们人均花得更少，得到的是一个统计上无法区分的零。
所以，把 12% 当作方向性的、受情境限定的结论。把那个零当作可迁移的教训。
是什么合理地把 12% 与零区分开
到这里证据变薄了，我想把数据的边界讲清楚。
Ramp 的研究测量的是支出强度与用工结果。它并未识别机制——它无法告诉你，高强度企业拿这笔钱做了什么，而低强度企业没做。任何声称能的人，都是在读入自己的推断。
关于机制，目前最好的证据来自别处。McKinsey 的 State of AI 2025 发现，尽管绝大多数组织表示已在使用 AI，只有少数在企业层面报告了有意义的 EBIT 影响——而与获得回报的组织关联最紧密的做法，是围绕技术对工作流程进行根本性重构，而不是把技术叠加在既有流程之上（McKinsey, 2025）。这是来自自我申报调查的相关性，不是因果估计，权重应据此调整。
以适当的谨慎把两者放在一起，一个合乎情理的故事浮现出来：持续的高人均支出，正是流程重构在账面上的样子。重新设计工作在一个职能中的流转方式，需要集成投入、数据工作与流程时间——它表现为一张金额大且集中的账单。买席位而不动流程则很便宜，这恰恰是它产生低强度特征与零结果的原因。
我会把这当作工作假设，而不是研究结论。被测量到的是这一点：支出的集中度可预测用工增长，分散则什么都预测不了。
下一个预算周期前的三个动作
衡量强度，而非采用率
中型市场的大多数 AI 报表统计的是许可证、活跃用户与覆盖部门。没有一个是这项研究中发生位移的变量。请计算人均 AI 支出，并且按职能而非按全公司计算——总体均值会掩盖你究竟是在跑一个严肃项目，还是九个装饰性项目。你通常会发现：总额看起来体面，而每一个单独职能都落在低强度档位。
集中，而不是摊开
如果分散不产生回报，那么对资源配置的含义虽不舒服但很清楚：同一笔预算集中在一两个职能上，与摊在九个职能上，是本质不同的押注。挑选那些周边流程真正能被重建的职能——你端到端拥有该流程，能改变工作如何被路由，而不只是如何被起草。把它们足额投入，并有意识地让其余项目断粮。
这在政治上会比表格所暗示的更难。如今每个职能负责人都有一条 AI 预算线，抽掉其中一条会被读作对该职能的评判。请把论证建立在证据上：一个只拿到一半预算的试点不是"更小的胜利"，而是一个附带预算行的零。
明确把 AI 立项与招聘立项绑在一起
那种条件反射式的框架——把 AI 投入当作规避人头——并不是这份数据中高强度企业所呈现的结果。它们在增长，包括初级层级（Ramp Economics Lab, 2026）。考虑到收益集中于信息业，这能否推广到你的行业，仍是真正开放的问题。但值得在自家的商业论证中把这个假设讲明，因为"这能替掉三个招聘名额"和"这让我们用正在搭建的团队承接更多工作"，从第一天起就会带来不同的实施选择、不同的培训投入与不同的内部政治。
一个决定
把过去四个季度的 AI 支出拉出来，按职能和人数拆开。然后问一个问题：这家公司里，是否真的有任何一个职能落在高强度档位，还是我们把一笔严肃的预算，分给了九个不严肃的项目？
如果是后者——对大多数中型市场运营者来说都会是后者——解法不是加钱，而是减少押注。
在这份数据中实现人数增长（包括初级岗位招聘）的企业，并不是最早或最热情采用 AI 的那批。它们是集中投入的那批。而一无所获的企业，并不是那些置身事外的——而是那些摊得太薄的。
