87%的员工在用AI，只有13%的公司真变好：消失的时间去哪了

87%的员工已经在用AI，73%说它让自己效率更高，平均每人每周省下13个小时，相当于三分之一个工作周。

同一份报告里还有个数字：只有13%的人认为，自己的公司因为AI整体表现明显变好了。

个人赚了，组织没赚，中间的时间去哪了？Cognitive Revolution播客主持人Nathan Labenz最近请来Glean工作AI研究所负责人Rebecca Hinds，聊她主导的《Work AI Index 2026》。报告调查了6000名数字工作者，美国3000人，英国和澳大利亚各1500人，问卷在2025年12月到2026年1月发放，再用Glean平台的匿名遥测数据交叉验证。问卷由研究所八位创始成员共同设计，背景横跨心理学、组织设计和技术转型。

先交代背景。Glean起家于企业AI搜索，现在做工作AI平台：智能助手加自动化代理，核心卖点是上下文，让AI真正懂你的工作、团队的工作和整家公司的运转。Rebecca是畅销书《Your Best Meeting Ever》的作者，加入Glean约11个月，之前和斯坦福心理学家Carol Dweck的实验室合作过思维模式研究，博士训练是民族志，把自己埋进组织里观察几个月甚至几年的那种方法。

她对这轮转型的基本判断：AI首先是人的变革，其次才是技术变革，而人这部分总被低估。恐惧尤其被低估，她认为连命名都有责任。

「我们把这门技术命名为人工智能，从词源上讲，它天然和人类智能处于紧张关系。组织没有足够严肃地对待这件事。哪怕技术客观上有效，员工如果不把它看作能放大自己技能的队友，要么抵抗，要么只是象征性地用一用。」

她看到的现状是「亮点孤岛」：个别牛人、个别团队用AI脱胎换骨，绝大多数团队卡在原地，把个人效率提升转化为团队和业务结果这一步走不过去。整期节目就在回答一个问题：这一步为什么走不过去，怎么办。

两个新词：照看AI，和用AI交差

报告造了两个词，把过去没人命名的东西钉在了纸面上。

第一个是botsitting，照看机器人。给AI喂上下文、盯着输出、修错误、收拾它留下的烂摊子。这些活琐碎、累人、不计入工作量、不进绩效，平均每周吃掉6.4小时，几乎正好是AI省下时间的一半。报告还测了个「疲惫系数」，排第一的是喂上下文：文档在哪、哪份是权威版本、这个月发的和两年前发的该信哪份，这些本该AI自己知道的事，现在要人一遍遍手动塞。排第二的是调试：大模型是概率系统，输出错了，你改一处，不知道是改好了还是改坏了，只能再来一轮。

第二个词更扎心，botshitting，姑且译成「用AI交差糊弄」：把自己都解释不了、辩护不了的AI产出，直接递给下游。报告里40%到41%的员工承认干过这事，放宽定义再问，承认比例到了69%。Nathan调侃这个数字有两面：AI确实强到能糊弄过去了，同时很多人手头的活，可能本来就没多少意义。

它的典型形态，Rebecca的描述是「光鲜的废话」：一份结构完整、像模像样的交付物，细看空空如也。还有影子AI，用未经批准的工具干活，产出没人能追溯。

Nathan在节目里讲了自己的惊险一刻。他有个每日运行的代理，负责为播客访谈做嘉宾调研。这次它漏了一个关键输入：Rebecca团队刚发的新报告，因为报告是邮件发给他的，没进代理能读的网盘。整份调研基本作废，能用的部分只有一两成。他自嘲，幸好自己懂行看出来了，换个不细看的人直接把这份东西发出去，就是教科书级的botshitting。

根子在哪？Rebecca给了一条因果链：组织被压力推着上AI，员工被迫花大量时间照看AI，照看又累又没奖励，人熬到临界点就开始「够用就走」，学术上叫satisficing，看到一份过得去的输出，就当成发货许可证。

技术层面还有个雪上加霜的数字：36%的AI使用会话直接失败，员工要么从头再来，要么大改。工具之间互不相通，模型各有所长，员工想换着用，却没有一个上下文层把它们连起来，最后人成了集成层，在Slack、邮箱、文档和各种AI工具之间搬砖。

省下的时间去哪了

Nathan替听众问了个尖锐的问题：13小时减6.4小时，净赚还有大半天，这不就是四天工作周吗，只是大家不好意思说？他自己就是重度用户，在一个AI活动上问在场观众：如果团队要替换掉「你加AI」，得招几个不加AI的你？中位数答案是两个，大家自觉效率翻倍。报告里省时数字因问法不同在10到14小时之间浮动，单算被AI完全自动化的工作约11小时。

Rebecca的回应分两层。个人层面，把照看成本算进去，净收益依然为正。问题出在两个地方。

第一，时间被私藏了。向经理隐瞒AI使用、不透露自己效率提升的员工不在少数。逻辑很直白：你告诉老板AI每周帮你省6小时，大概率是再领6小时的活。她强调，她并不反对员工把时间拿去创新、创造和过更好的生活，问题是组织讲不清AI战略，也就看不清这些时间去向，无法在团队层面承接住。

第二，更致命的，个人收益在组织层面蒸发。她引用了一个研究概念，协调忽视（coordination neglect），并举了个例子：你把一个要点扩写成五页报告发给同事，同事嫌太长，又压缩成一个要点。每个人都显得很高效，每个人都省了时间，拼起来却是一台AI废话仓鼠轮，对组织几乎没贡献。

更危险的是管理层的应激反应。因为说不清AI怎么转化成业务指标，一些公司开始数token、数工具点击量，把使用量当生产力。Nathan说他几年前做AI咨询时就劝过客户：领导可以看token消耗，但千万别告诉团队这是考核指标，太好作弊了。几年过去，还是有人在这么干。

表现最好的组织怎么做？Rebecca说，他们会公开预设八成的AI项目会失败，把失败算进创新成本。反过来，某些领域暂时没被AI改造，反而是健康信号，说明团队在冒有意的风险，并且有机会从失败里学东西。

最怕被取代的人，最先自动化了自己最爱的活

报告里有个绕脑的发现：对AI最恐惧、最担心被取代的员工，反而是用得最积极的，甚至主动去自动化那些他们其实更愿意自己做的部分。

Rebecca的解释是心理连锁反应：感到威胁，又不完全懂技术，又缺组织支持，于是急于显得自己够「AI原生」。而要自动化，人自然挑自己最熟的活下手，最熟的活往往又是最能给工作带来意义的部分。

她举的例子是客服。那些花了几年甚至十几年打磨与人建立长期关系的客服代表，突然被要求去盯着一个代理系统，替他们完成跟人对话这件事。Nathan很能共情：一个因为喜欢和人打交道才入行的人，现在的工作变成了坐在代理搭建界面前面，看它出错，替它收拾。他也承认另一面的逻辑无法回避：他的公司在客服上用了Intercom的AI代理Fin，客户几分钟解决问题，以前人工来回要半小时以上，这种响应速度对客户同样是价值。

报告引了斯坦福的一项研究：41%的YC系AI创业公司，正在自动化那些人们更希望保留给人类的事情。Rebecca的提醒：技术能干，不代表该让它干。工作里很多摩擦是有价值的，自己动手做事会带来所有权、判断力和自豪感，心理学里管这叫宜家效应。这些听起来软，实际是绩效的硬驱动。

流失的信号已经在数据里显形：照看AI越多的人，越可能在积极找下家；botshitting越多的人，同样更想走。照看得多和AI用得好是正相关的，用得多自然照看得多，但疲惫和流失的关联也摆在那里。Rebecca和报告联合作者、研究「数字疲惫」的Paul Leonardi给出解释：数字员工体验就是员工体验，你天天手动喂AI上下文，很难相信公司真有像样的AI战略；而对AI产出失去所有权，往往是更大范围脱离感的一部分。伯克利的联合作者Aruna还有个假说：这批人把AI玩明白了，发现自己的市场价值在外面比在里面高。

Nathan补了个更冷的角度：有些流失可能是健康的，让人长期做他们不想做的工作，走人是合理选择。他还提醒，AI讨论常常忽略一个朴素变量：很多人本来就不那么喜欢自己的工作。真正的问题是，AI创造的新岗位，原岗位的人转得过去、愿意转吗？从数据看，很多时候答案是否定的。

让AI看懂整家公司

解法分技术和组织两层。技术上，Rebecca押注的是Glean的企业图谱（Enterprise Graph）：把公司使命、目标、项目、任务、人、文档、系统连成一张图。AI基于它工作，就知道这份报告是这个月发的、那份是两年前的、谁的话在哪个领域算权威，也就不用人反复喂上下文。Nathan自己搭的个人深度上下文系统是同一个思路，他说搭好之后照看AI的时间大幅下降。

她描绘了两个已经出现的场景。一是客服分工：AI看过全部客户交互历史，能判断哪些对话客户要的是即时响应、该全自动，哪些是长期关系建设、该人来做，并且最好把员工让渡掉的意义感，用同样有意义的新工作补回来。二是动态组队：过去项目组按静态组织架构抽人，现在AI可以在

全公司几千甚至上万人里，按技能、专长、职业志向和当前带宽，实时算出最优人选组合，这种运算量人力根本扛不住。Rebecca称之为企业AI的北极星，Glean的客户已经在动态组队上跑出了雏形。

报告里还有个她格外兴奋的小发现：表现最好的那13%组织，不只测量得多，还把测量数据不成比例地交到员工自己手里。她见过同样的规律在协作工具、远程办公上反复应验，数据对员工透明，所有人都受益。

别数点击量，要奖励一起创造价值的人

Nathan问了个扎心的问题：那些把AI用得最好的顶尖员工，公司有没有真金白银地留人？Rebecca的回答很干脆：目前没有，成规模的奖励机制基本缺位，但应该有。她的同事、研究协作网络多年的Rob Cross发现，高绩效组织衡量并奖励有效协作的概率，是低绩效组织的5.5倍。具体做法她举了黑客马拉松的例子：有效的组织不只设「最大业务影响」奖，还设最佳提示词前后对比奖、共创奖、同伴互评奖，奖励大家一起创造价值，而非各自刷产出。

AI检测的话题也被摆上台面。Nathan提到Pangram Labs最近口碑不错，问领导该不该部署检测器，揪出谁在交差糊弄。Rebecca认为现在下结论太早，这首先是人心问题。她长期引用哈佛Amy Edmondson的心理安全研究：理想状态是员工自己举手承认「这份产出有问题，原因在这里」。检测器会误伤，也会把糊弄逼得更隐蔽。

更关键的洞察藏在影子AI里：用未经批准工具的，往往恰恰是绩效最高的一批人。他们觉得现有工具栈配不上AI的潜力，宁可冒险也要拿到效率。组织该做的，把安全的路修成最有效率的路，同时搞清糊弄背后的为什么，这和糊弄本身同样重要。

队友，但别当同事

Rebecca给AI的心理定位很微妙。队友心态有价值：它让员工明白AI有别于锤子、计算器那种用完就放下的工具，你不指望队友每次都对，互动本身就是协作的一部分。但这个隐喻有条危险边界，Paul Leonardi的研究发现，人类助理出错，我们怪助理；AI出错，我们同样怪使用它的人。责任永远在人身上，一旦组织默许员工把锅甩给AI，问责制就开始瓦解。

Glean内部是她的试验田。她的助手记得每位高管偏好的信息接收方式，做向上汇报前先问一句「这位领导习惯怎么读材料」。入职时她问AI「在Glean什么样的人算成功」，答案指向团队心态、长期思维、敢提古怪想法的文化，她照着调整了自己的行为。助手还会主动提醒她哪封邮件没回、哪份文档里的行动项被落下。

文化建设的反面教材她也见得多。原话很直接：

「员工隔着一公里就能闻出废话。如果说的是一套，做的是另一套，信任崩塌，接下来就是满公司的象征性用AI。」

她大量接触高管，见过太多表演式剧场：一位高管拍板裁15%的人，会议室里讨论的却是14%还是16%。她反对一刀切，每家公司的文化、奖惩机制不同，没有通用模板。Nathan提起马斯克接手推特后把约7500人裁到一两千、网站照常运转的案例，问会不会带偏高管风气。Rebecca的回应同样适用于黄仁勋：英伟达取消一对一会议照样运转，靠的是使命即老板，员工对使命的认同替代了管理动作。这些打法在一家公司成立，复制粘贴到另外99.9%的公司大概率失灵。

使命这个词她反复强调。她和斯坦福Bob Sutton正在写一篇关于如何正确扁平化组织的文章，核心论点：层级给员工提供不确定性中的行动指引，拆掉层级，就得用使命补位。而且光有使命没用，员工得能把自己手头的活和使命连起来，连不上，照样滑向botshitting。

会议是这套心理学的放大器。作为畅销书《Your Best Meeting Ever》的作者，她对新式糊弄忍无可忍：派数字分身或记录机器人替自己开会。她的判断很锋利，派机器人替你开会，恰恰证明这场会本来就不需要开。会议贵就贵在深度的人类互动，值得开就值得真人到场。而且用AI的方式正在变成品格信号：你糊弄交差，同事读到的是你不尊重他们的时间；你认真设计会议、有纪律地用AI，别人同样读得出来。AI的正向用法她也乐见：测量会议健康度、发现高管垄断发言、自动删掉没有议程的会。

明天就能用的六件事

往远处看，Rebecca有几条比较确定的判断：团队会变小，协调成本被AI吃掉后经理岗位会缩编；角色会重新打包，原来拆在三四个岗位的活合成一个，专才变通才；不会有单一模型平台，未来是多模型、多工具，AI按效率、复杂度、成本自动路由任务；成本短期不会降，她每周都遇到几个月烧完全年AI预算的高管。一家大型医疗机构的CHRO用AI给全部岗位做任务测绘，发现70%的任务在不同岗位间互相重叠，这种地图画出来，人机分工才有讨论基础。她留了句总纲：AI本身无所谓好坏，它不会自动让组织变好或变坏，取决于人怎么用它。

• 记录一周：自己花在喂上下文、盯输出、修错误上的时间到底有几小时，这是所有优化的起点
• 发出AI产出前自问：这份东西我能当面解释和辩护吗？答不上来就别发
• 如果你管团队，停掉一切以使用量、点击量、token数为准的考核，改看业务结果
• 把AI使用数据透明地交给员工，别锁在管理层仪表盘里
• 动手自动化之前，先问做这件事的人：哪些活你想留给自己？把答案写进分工方案
• 日历上每冒出一个新会议，先问它配不配占用几个人的同步时间，配不上就取消

个人效率的账，87%的人已经算清楚了。接下来一年的看点，是哪家公司先把组织的账算明白。