Enterprise AI at the Decision Point: A U.S.-Focused Systematic Review of Productivity, ROI, Workforce Change, and Governance
这项关于2022年至2026年间美国企业人工智能采用情况的系统性综述，挑战了关于保证财务回报和大规模劳动力替代的流行叙事，转而揭示出生产力提升高度依赖于具体任务、缺乏经独立验证的投资回报率（ROI），且关键性的证据缺口目前正阻碍着组织在进行大规模部署或劳动力重组时，做出完全知情且符合治理原则的决策。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在过去的几年里，一种新型计算机程序已从科幻小说走进了美国各地的办公室和工厂。这些不再是过去只能回答问题的简单聊天机器人，而是能够起草电子邮件、编写代码，甚至在复杂业务系统中执行操作的智能助手。由于两个强大的承诺，企业正投入数十亿美元来安装它们。第一个承诺是这些工具将显著提高员工的生产力，产生丰厚的财务回报；第二个承诺是它们将允许组织以更少的人力完成同样的工作量，从而有效地取代人力劳动。这些预期正在影响着关于预算、招聘以及劳动力未来结构的重大决策。然而，尽管技术正在飞速发展，但证明其能够实现这些特定承诺的证据仍然模糊不清。
由休斯顿大学奥德里·拉（Audrey Rah）和戴维·W·约翰逊（David W. Johnson）领导的研究人员进行的一项新的系统性综述，穿透了营销辞令与推测，旨在考察实际情况究竟如何。该团队并未依赖供应商的说法或理论模型，而是收集并分析了 2022 年 1 月至 2026 年 9 月期间发表的 61 项高质量研究、政府报告和独立实验。他们的目标是确定证据是否支持这些工具已准备好进行大规模应用的观点，或者现实是否更为复杂。他们寻找了关于公司实际支出多少资金、真正节省了多少时间、财务利润是否已经实现，以及这些工具是否如许多领导者所预期的那样导致了劳动力减少的硬性数据。
研究结果挑战了最乐观的叙事。虽然这项技术在特定情况下无疑是有用的，但综述发现其益处是不均衡的，且高度依赖于具体的任务。例如，在客户服务领域，使用这些工具的员工每小时解决的问题增加了约 15%，软件开发人员完成的编码任务增加了约 26%。然而，这些增长并非随处可见。在其他场景中，这些工具可能完全没有带来改善，甚至导致表现下降。研究人员发现，当工作是常规且定义明确时，该技术效果最好，但在处理需要深度人类判断的复杂、微妙问题时则显得力不从心。
或许对商业领袖而言更为重要的是，该综述没有发现任何独立证据表明，这些工具已为特定的企业级产品产生了可衡量的投资回报。虽然一些公司报告了高利润，但这些数字通常来自模型或自我报告的调查，而非经过审计的财务记录。软件许可费用与运行它的总成本（包括安全、培训以及修复错误所需的时间）之间的差距，在很大程度上仍未被衡量。研究人员未能找到任何一个案例，能让一家公司将特定的 AI 支出直接追溯到经证实的裁员和确认的利润增长。
劳动力减少的问题是证据最为脆弱之处。该综述分析了美国人口普查局的数据，发现虽然 18% 的美国企业正在使用 AI，但绝大多数（66%）仅将其用于帮助员工更好地完成工作，而非取代他们。只有 2% 的企业报告了任何与 AI 相关的就业人数减少。即使是在采用了能够采取行动的高级“代理式”（agentic）系统的大型组织中，裁员报告也并未与更高的财务回报相关联。事实上，在许多情况下，裁减人员的公司并没有比那些保留完整团队的公司获得更高的利润。数据表明，当公司裁减职位时，这通常是由于更广泛的经济压力或战略转变，而非直接由 AI 代替人类工作所致。
该研究还强调了一个隐藏的风险：工具产出内容与人类验证能力之间的差距。这些系统可以快速生成看起来很专业的成果，但如果审核这些工作的员工缺乏识别错误的能力，错误就会在不知不觉中溜掉。这造成了一种情况：生产力看似上升，而质量却在悄然下降。研究人员指出，为了使这些工具安全且有效，必须保持强大的监督，并对最终输出的责任归属制定明确规则。否则，自动化的承诺可能会变成一种隐患。
最终，该综述得出结论：目前的证据尚不足以支撑做出如大规模裁员或全企业范围预算扩张等具有不可逆转性的重大决策，仅仅基于对 AI 驱动效率的期望。这项技术是真实的，它正在改变工作方式，但它并不是一个能保证利润或取代人类能力的魔术开关。作者建议，前进的道路需要更加谨慎的方法。组织应当将这些工具视为需要精心管理、严格测试并在规模化之前设定清晰指标的强大助手。关于劳动力未来的决策应当基于经过验证的结果，而非基于预测或对落后于时代的恐惧。在数据展示出 AI 支出与实现的财务价值之间存在清晰、经过证实的联系之前，最审慎的策略是采取有节制的步骤向前推进，确保技术是为组织服务，而非相反。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。