管理者正加快在企业内部部署人工智能工具，以期提升效率，而一线员工则被要求在日常工作中摸索如何让这些系统真正发挥作用。多位业内人士和研究显示，这一过程远比最初设想的复杂，“管理人工智能”本身正在演变为一项独立的工作负担。

根据麻省理工学院的一项研究，去年约有一半的组织试点了通用人工智能工具，但不同机构在采用深度和准备程度上差异明显。前美国人工智能科学特使、Humane Intelligence首席执行官兼联合创始人Rumman Chowdhury指出，当前的实践中，技术落地的压力和风险更多被转移到了员工身上。

她表示，高管层普遍存在“害怕错过”（FOMO）的情绪，一方面承受着“必须上马人工智能”的压力，另一方面又有动力对外宣称这些系统运行良好。“如果人工智能没有达到预期，责任就落在了那些没有参与决定是否采用这项技术、是否使用它，甚至经常不知道它被用来做什么的员工身上。”

隐性“人工智能税”

对于许多尤其缺乏技术背景的员工而言，人工智能带来的效率承诺伴随着一个现实问题：要获得有用的输出，往往需要投入大量时间和精力进行提示、调整和核查，而这些额外劳动并不总被计入生产率考核。工具本应替代的工作，与让工具真正“可用”所需的投入之间，正在形成一个新的工作层级。

企业软件公司ServiceNow首席数字信息官Kellie Romack认为，管理人工智能是一项需要亲自“下场”的工作。她回忆，最近一次使用公司内部人工智能工具时，模型在基础数学问题上出现错误。她在系统中指出“数学算错了”，模型随即承认出错。Romack随后给出差评并将问题反馈给团队。她表示，这类“清理”工作构成了组织往往未被计入的成本。

Chowdhury称，从表面看，人工智能似乎提升了产出，但如果深入观察，一些员工的挫败感在于：“是的，它确实产出了东西——但我得花三个小时核查每一个引用，确保它不是幻觉。”

2026年1月，Workday对3200名员工进行的一项研究显示，通过人工智能节省的时间中，超过三分之一被返工抵消，报告将这一现象称为生产力上的“人工智能税”。

该报告指出，多数领导者关注的是人工智能“节省了多少时间”这一总效率指标，但这一指标未计入返工成本。一旦将返工纳入计算，人工智能的净价值往往低于预期。报告将净价值定义为“节省时间减去损失时间”，并指出，衡量人工智能回报需要超越“节省时间”，转而关注实际实现的结果。

Chowdhury认为，问题部分源于行业对工具能力的过度宣传。她提到，OpenAI首席执行官Sam Altman曾在去年表示，用户将拥有“一支博士级专家团队在你口袋里”。在这种宣传下，被描述为“变革性”的技术在实际使用中表现参差不齐，令员工和管理者都感到落差。

“这些技术既有能力又有限制，这就是它的奇怪之处，”她说。“那些最远离人工智能的人——他们脑海中的形象是一个神奇的有感知的存在。然后他们感到沮丧，因为这并不是一个神奇的有感知的存在。”她补充，这种落差在使用经验最少的群体中尤为明显。

培训与治理缺口

培训不足正在放大上述问题。2024年，得克萨斯大学奥斯汀分校的Min Kyung Lee和Angie Zhang开展的一项研究，组织了一个由来自26个国家、39名主要知识工作者参加的研讨会，并对部分参与者进行了后续访谈。多数接受过人工智能培训的员工表示，培训内容较为表面。

一名参与者提到，其同事曾使用ChatGPT生成出版物列表，却没有意识到其中的标题是模型虚构的。研究指出，在缺乏适当培训或必要背景知识的情况下使用人工智能，可能带来严重后果。

Zhang回忆，一名在劳动标准组织工作的参与者提到，该机构曾因一名初级员工的人工智能辅助工作屡次不达标而将其解雇。该员工持续依赖生成式人工智能起草劳动标准，结果生成的内容涉及参与者从未接触过或与任务无关的标准。该组织尚未正式采用人工智能，但部分员工已自行开始使用相关工具。

一些公司正尝试提前应对这一问题。IBM咨询要求每位员工获得基础生成式人工智能徽章。IBM咨询全球金融转型副合伙人Tess Rock介绍，该徽章培训不仅涵盖如何使用工具，还包括工具的能力和局限。

不过，Rock认为，仅有培训并不足够，更关键的是领导层要清晰界定人工智能的使用方式和适用场景。缺乏这类指引，即便是受过良好培训的员工也可能在实践中感到挫败。“需要有领导层的指令、运营模式和治理决策，而不是让一群沮丧的从业者去尝试利用它，”她说。

IBM咨询将人工智能采用视作一种业务学科来管理，采用两周冲刺模式：团队提出带有投资回报率（ROI）案例的人工智能方案，进行构建并推广有效方案，未能证明价值的方案则被淘汰。

Rock介绍，在与一位客户合作时，其团队识别出200多个潜在人工智能用例，并对每个用例进行ROI评估，立即淘汰了一半。最终排名前十的用例贡献了约80%的总价值。“专注于那些能够带来影响的领域，并在那里投入资源，”她表示。

员工抵触与生产力视角

在Chowdhury看来，人工智能管理负担之所以难以化解，部分原因在于员工的挫败感已超出工具本身的性能问题。许多员工并未被询问是否愿意使用这些工具，却被要求在工作中配合使用。这使中层管理者处于两难境地：一方面高管层希望加快人工智能推广，另一方面一线员工则表现出不同程度的抵触。

她指出，推动应用时，管理层不应只是简单“加大力度”，而应尝试理解抵触背后的真实原因。“绝大多数恐惧源于人们认为管理层最终想要取代他们，”她说，“这是一个合理的担忧。”

Rock则关注组织如何界定人工智能与生产力之间的关系。她认为，当前许多讨论过于聚焦个体层面的时间节省，例如更快撰写邮件或更快总结会议，这并非合适的衡量单位。“对我来说，那只是杯水车薪，”她说，“当人们谈论生产力时，重点不应是Tess Rock个人更高效，而是你如何从根本上构建组织以提高整体生产力？”

在多位受访者看来，随着企业持续引入生成式人工智能，围绕提示、核查、返工、培训和治理的一整套工作正在成形，而如何在组织层面识别、计量并合理分配这部分劳动，将成为未来人工智能应用实践中的关键议题。