5172名客服人员,使用生成式AI助手后,每小时成功解决的问题数量平均提升约15%。
这是2025年发表于《The Quarterly Journal of Economics》、由斯坦福大学经济学家Erik Brynjolfsson与Danielle Li、Lindsey Raymond完成的经典研究《Generative AI at Work》给出的答案。研究还发现:经验较少、技能较低的员工,获益更明显。
对CHRO和业务一把手而言,这组数据既令人振奋,也暗藏陷阱——每小时解决问题多15%,与企业经营绩效提高15%,是两个完全不同的命题。
前者衡量的是特定任务的生产率;后者衡量的是整个业务系统创造价值的能力。设想:AI把客户问题的初步识别时间从10分钟压缩到2分钟,岗位效率提升80%;但问题识别之后,还要等其他部门确认、审批、处理,客户最终仍然等了两天。
AI优化了员工的工作,不等于优化了企业创造价值的过程。
这背后,是长期被企业管理忽略的一条铁律:个人效率与组织绩效之间,并不存在简单的加总关系。

AI价值的三个作用层次——你的AI应用停在哪一层?
国际绩效改进协会(ISPI)发布的《AI for Performance Improvement Framework》(简称AI4PI),是绩效改进领域第一个以证据为基础、把AI当作”绩效干预手段”而非”新技术玩具”的框架。
在需求分析环节,AI4PI把AI要解决的问题划分为三个层次:
Level 1:Worker / Individual(个人绩效层)
AI助手帮员工完成具体任务:分析客户资料、生成报告、快速应答。这是今天绝大多数企业AI项目的位置。
Level 2:Work / Workplace Systems(工作系统层)
AI改变工作流程、团队结构和跨部门协作方式,甚至重组过去由多个岗位完成的工作。
Level 3:Society / Mega Impact(社会与宏观层)
AI在教育、医疗、公共政策、可持续发展等更大范围内的影响。
ISPI特别强调:这三层不是AI应用成熟度的三个阶段,而是AI解决方案作用的不同绩效范围。
这个区分帮管理者看清了两种经常被混为一谈的AI应用:一种是让员工在原有工作方式下做得更快;另一种是用AI改变工作方式,让整个系统创造更多价值。前者只需工具使用,后者牵动流程、职责、协作机制、管理制度乃至组织结构。
这也解释了一个普遍现象:为什么企业能迅速部署大量AI工具,却未必能同样迅速地获得组织层面的绩效改善?真正的障碍,可能已经不在AI技术本身。
70年前的老理论,解释今天的AI困境
理解这一困境,要回到20世纪50年代英国塔维斯托克研究所的社会技术系统理论(Sociotechnical Systems Theory)。该理论认为:一个有效的工作系统由两个相互依赖的部分构成——技术系统(设备、工具、流程、方法)与社会系统(人员、团队、职责、权力关系、管理机制),二者必须联合优化(Joint Optimization),不能只追求其中一个的局部最优。
William M. Fox在1995年《The Journal of Applied Behavioral Science》的论文中再次强调:一个子系统的最优安排,未必是另一个子系统的最优安排。
放到AI时代,这个理论的解释力惊人。一家企业给销售团队配了AI助手,能快速识别潜在客户、生成销售建议;但绩效考核仍以拜访数量为准,客户信息仍散落在各部门,报价仍需多级审批,销售与交付的协作机制原封未动。结果是什么?销售人员用AI制造了更多商机,后端审批、交付、服务反而更加拥堵。
前端效率越高,后端压力越大——局部效率改善,会暴露甚至放大系统瓶颈。
这不是AI失效,而是组织没有为新技术重新设计工作方式。企业不可能只更换生产工具,就期待原有的组织结构、流程和管理机制自动适应新的生产能力。
J型曲线:AI投资为什么可能”先亏后赚”
如果说社会技术系统理论解释了”AI为什么需要组织变革”,那么组织资本研究则解释了”缺少组织变革的技术投资为什么没有回报”。
2002年,Brynjolfsson、Hitt和Yang在《Brookings Papers on Economic Activity》发表《Intangible Assets: Computers and Organizational Capital》,发现:信息技术投资的价值与”组织资本”——流程、管理方式、组织结构及相关实践——高度互补。既做了高技术投资、又具备相应组织实践的企业,获得了更高的市场估值。
一句话:企业买到的是AI技术;决定AI投资回报的,还包括那些买不到的组织能力。
2021年,Brynjolfsson与Rock、Syverson提出著名的《The Productivity J-Curve》:AI这类通用目的技术需要大量互补性无形投资(流程创新、新产品、商业模式、人力资本),这些投入先于收益发生,因此新技术应用初期测量到的生产率可能表现不佳,收益随互补投资见效才逐步显现。
2025年美国人口普查局的一项工业AI研究提供了新的实证:美国制造业企业应用工业AI,短期内可能伴随生产率和盈利能力下降,而较早采用AI的企业在后续时期表现出更强增长;既有生产管理实践的变革程度,是影响结果的关键变量之一。
对高管而言,这意味着:AI投资的回报,不仅取决于技术部署速度,更取决于组织完成配套变革的能力。低估组织调整成本、高估短期收益,是AI预算最常见的两种死法。
ISPI的落地纪律:四项原则+六步流程
AI4PI框架之所以值得参考,在于它把”负责任、以人为中心”落成了可执行的纪律。
四项原则(伦理与治理底线):
1. 人类监督(Human Oversight)——AI决策保持透明、可问责、可控;
2. 数据完整与隐私(Data Integrity & Privacy)——数据全生命周期可信;
3. 偏见与伦理(Biases & Ethical Considerations)——主动识别并削减AI偏见;
4. 治理与风险管理(Governance & Risk Management)——AI方案与组织目标对齐。
六步流程(从需求到影响):
1. 发现与需求分析——不是选工具,不是比平台,而是先问:我们要弥合的绩效差距到底是什么?AI是不是弥合它的正确干预手段?
2. 方案定义——设计以人为中心的AI干预方案;
3. AI-人类协作设计与开发——让人机协作界面与流程真正可用;
4. 准确性与可信度——验证AI输出,建立信任;
5. 部署与审计——持续监控绩效与伦理合规;
6. 结果与整体影响——对个人、组织、社会三个层面验证实际效果。
注意第一步:ISPI把”需求分析”放在一切之前,并且明确——问题不是”该采用哪些AI工具”,而是”我们要弥合的绩效差距是什么,AI是否是弥合它的正确干预”。
高管行动清单:从个人效率走向组织绩效
结合AI4PI与绩效改进方法论,管理者可以做四件事:
第一,从业务结果出发,而不是从AI工具出发
先明确要改善的经营结果——收入、交付周期、成本、一次解决率——再倒推哪些环节值得AI介入,而不是先问”哪些工作能被自动化”。
第二,用关键价值链找到真正值得AI介入的环节
沿业务结果逐层还原数据关系,识别关键环节。如果客户问题的解决周期主要消耗在跨部门等待,那么再快的前端识别也改变不了结果。AI应优先进入对业务结果有关键贡献、且确实存在改善空间的环节,而不是最容易应用AI的环节。
第三,用BEM(Gilbert行为工程模型)
清除落地障碍。审视工作环境中的三类杠杆:数据/要求/反馈,资源/流程/工具,后果/奖励/激励。没有新的工作标准、分配流程和绩效反馈,员工即使会用AI,也不会持续采用新的工作方式。
第四,重新定义AI的成功标准
别只看AI使用率、节省工时、生成内容数量——这些只说明AI”被用了”。要看端到端解决周期是否缩短、商机转化是否改善、决策周期是否压缩。评价AI,要从”工具使用结果”走向”业务绩效结果”。
过去,企业提升生产率靠加人、练技能、优化流程、升级设备。今天,AI让企业能以极低的边际成本,获得过去需要大量知识与人力才能完成的工作成果。但技术能力的增长,并不意味着组织创造价值的能力会同步增长。
ISPI的AI4PI框架、社会技术系统理论与组织资本研究,共同指向同一个判断:未来企业之间的AI竞争,不再是比谁拥有的AI工具更多,而是比谁更能重新设计创造价值的工作系统。
AI让员工变得更高效;而管理真正要完成的,是让组织变得更有效。
参考来源:
- ISPI, AI for Performance Improvement Framework(4 Principles & 6 Process Steps, Dalat, 2024, Performance Improvement, 63(2))
- Brynjolfsson, Li & Raymond (2025), Generative AI at Work, The Quarterly Journal of Economics
- Fox (1995), Sociotechnical System Principles and Guidelines, JABS
- Brynjolfsson, Hitt & Yang (2002), Intangible Assets: Computers and Organizational Capital, Brookings Papers on Economic Activity
- Brynjolfsson, Rock & Syverson (2021), The Productivity J-Curve, AEJ: Macroeconomics
- McElheran et al. (2025), 美国人口普查局工业AI研究