员工用AI更快了，但企业未必更赚钱

员工用AI更快了，但企业未必更赚钱

文／侯彦君

员工原来两个小时干的活儿，现在半小时就弄完了，那剩下那一个半小时到底去哪了？

这笔账其实值得往下算。现在一说AI提效，大家很容易就停在“以前多久、现在多久”这点上。演示也很直观，同样一份方案，过去得写半天，现在几分钟就出来了。可老板花钱做这件事，总不能就为了多出几份方案吧。

是多服务了客户，还是少加了班，又或者把以前没空处理的问题给解决了？这些都有价值。就怕时间省下来了，业务还是老样子，然后直接把省下的工时乘上工资，写成项目收益。

工资还是照发，外包费用也没少，业务也没多接，那这笔钱到底省在哪儿了？

省出来的工时，可以用来估算员工多出来了多少时间干别的，但还不能直接当成已经省下来的钱。要是这些时间拿来少用外包、多接订单，那才有条件继续算财务收益；如果是用来把服务做好点，或者少加点班，那也得按实际发生了什么变化来评价，不能全都算成省下的现金。

同样是AI功能，放到不同企业、不同流程里，价值可能差很多。企业有没有足够的业务需求，后面环节跟不跟得上，都会影响提效最后能带来什么。

拿招聘来打个比方，就当是个假设的例子。AI把简历初筛做快了，招聘的人当天就能把候选名单整理出来。可问题是，用人部门自己还没想清楚到底要什么人，面试约不上，见了几个人又要改岗位要求。名单是早交了两天，人却不一定早到岗。

这时候再接着把筛选速度往上提，能有多大用？其实更该去查的是，用人标准到底怎么定、谁来拍板，还有为什么这标准老在变。简历筛选这活儿确实容易量化，做演示也直观，但在这个例子里，耽误招聘的，主要是需求反反复复，还有决策一拖再拖。

招聘负责人要是不去推动用人部门把这些环节理顺，前面筛得再快，也就是更早开始等着。岗位要求一变，搞不好还得重新筛，之前省出来的时间又搭回去了。

所以说，企业挑AI项目，不能光看哪儿好做、哪儿效果容易展示。先从容易的地方试一下，倒也没问题，但准备扩大投入的时候，就得看看整个流程有没有真的改善。原来要一个月才能干完的活儿，现在是不是真提前干完了，交付质量有没有掉下来，这些比某一个步骤快了多少，更接近企业真正关心的结果。

还有一种提效，账得更仔细地算：生成是快了，检查反而更费时间。

一份报告几分钟就出来了，确实比对着空白文档开始写轻松。但数据有没有用错、指标口径是不是一致、结论有没有依据，这些还是得有人去查。尤其是那种读起来特别顺、细节里却藏着问题的东西，审核的人说不定得回到原始资料里一项一项核对。

要是只记了生成报告花了几分钟，不去记核对和修改花了多久，那就会把提效的幅度给高估了。其实拿AI用前用后的效率来比，应该从准备资料一路看到结果能交出去，把执行、复核、修改还有返工这些时间全都算进去。

前面少花一小时，后面多核对一小时，不能光拿前面那一小时来算收益。要是核对还得让成本更高的专业人员上，那整件事干下来的费用说不定反而更高。

模型调用费也一个道理。价格当然要看，可便宜的模型要是老得重新生成、人工纠错，那未必划算。企业扛的是把整件事干完的总成本，这里头既有工具的钱，也有人花进去的时间。

有个针对5,172名客服人员的研究发现，用了AI辅助工具之后，按每小时成功解决的问题数来算，生产率平均提高了差不多15%。这里“成功解决”这词挺值得注意。客服回得再快，要是没把人家的实际问题解决掉，客户为同一件事反反复复来找，那服务效果也未必真变好了。

这个研究倒是给了个具体思路：速度得跟完成质量放一块儿看。它没说过企业利润也涨了15%，但比光统计回复数量，更能反映出客服到底干了多少实事。

企业自己的项目也该这么评。一开始说要解决什么问题，验收的时候就去查那个问题，不能立项时说想缩短交付周期，到最后却只统计生成了多少份材料、员工点了多少次。使用记录能帮着判断工具有没有被用起来，但它代替不了交付周期、质量和成本这些真正变了多少。

评价的时候，也得给试点留出够用的观察时间。整理资料、培训人、调整流程，哪样都得投入，第一轮利润没涨，不代表这个项目就没价值。但负责人得说清楚这一轮到底想验证什么，看多久，到了什么条件才接着投。

比如说，先确认输出能不能达到使用要求，再去比完成整件事得花多少人工时间，然后看看省下来的时间是不是真拿去多接活了，或者把原来那些支出给减了。每一步都该帮着企业做下一步决定，不能功能一上线就说成了，也不能老拿“还在探索”来解释怎么一直没变化。

有些收益暂时不会跑到利润表上，但也值得留着。以前没空回访的客户，现在有人跟了；新人碰上难题，主管能腾出时间来带一带；团队不用老靠加班才能把活儿交出去。这些变化都可以照实记下来。把已经落袋的财务收益和其他改善分清楚，反而更好判断这钱花得值不值。

“员工更快了”是个好事，但这笔账还得一路算到活儿真干完、结果真能用，还有企业到底怎么用省下来的时间。

要是候选名单交得早了，人还是迟迟不到岗，那就接着去弄用人决策的事；要是报告生成得快了，审核反而更费时间，那就回头查数据和输出质量。业务没变化，先把原因找出来，这比一个劲儿让AI再快一点更有用。

参考资料

[1] Brynjolfsson、Li、Raymond，2025年：Generative AI at Work，《The Quarterly Journal of Economics》。研究覆盖一家企业的5,172名客服人员，约15%为每小时成功解决问题数量的平均提升，并非企业利润增幅。