同样一套AI助手，有人很快找到了处理问题的方法，有人只是省下几次输入，还有人发现建议看似方便，却不如自己原来的判断。把所有人放在一起计算平均值，这些差别很容易消失。
更难回答的是工具撤去之后。如果速度恢复原状，收益可能主要留在工具上；如果人仍然更快，也还需要问：他掌握了什么，解决得是否同样准确，能否处理新的问题？
Erik Brynjolfsson、Danielle Li与Lindsey R. Raymond在2025年《The Quarterly Journal of Economics》发表的《Generative AI at Work》，研究一家企业客服场景中的分阶段部署。它把生成式AI从短时任务带入持续工作，也使“效率”和“学习”的区别有了更具体的材料。正式论文 ↗
一分钟读懂
- 研究场景：观察5,172名客服人员、约300万次聊天，利用AI助手分阶段上线的时间差异分析影响。
- 平均结果：每小时解决问题数提高约15%，但不同技能和任职经验的员工收益差别很大。
- 学习线索：系统中断时，曾使用AI的员工仍处理得更快；这一分析主要测聊天时长，不能直接当成独立解决能力的全面测验。
- 阅读边界：这不是随机分派的学校实验，也不是对所有职业的统一结论。工具设计、训练材料、组织流程共同构成了研究情境。
01 · 先把“生产率”说清楚
论文的主要指标是每小时解决的问题数。它把工作的速度与问题是否解决联系起来，较只数发送了多少条消息，更接近客服岗位的一项实际目标。摘要及§III，pp.889、899–900 ↗
但这个指标仍不是整个工作价值。客户满意度、错误的严重程度、后续返工和员工的成长，并不能全部压进同一个比率。作者另报告处理时长、每小时处理聊天数、解决率与客户满意度，以便看清不同变化。
假设一个员工同时处理更多对话，每小时聊天数提高；如果未解决的问题也变多，生产率未必按相同比例上升。相反，处理时间略长但解决率更好，也可能带来不同收益。这是编辑用来说明指标关系的例子，不是论文某位员工的记录。
研究报告平均生产率提高约15%。这句话应该连同指标一起保留：每小时解决的问题数增加，而不是人的智力、学习能力或所有任务表现提高15%。一旦改换名词，读者理解的结论就已经变了。
这种测量意识也影响后面讨论学习。工作当下能借助建议解决更多问题，当然有价值；但要证明能力留在个人身上，需要另外设计或寻找没有帮助时的表现证据。
02 · 助手怎样进入真实工作
研究中的系统向客服人员提供建议，员工可以选择采用、编辑或不采用。它处于人与客户之间的工作流程里，而不是直接替研究者完成所有对话。人的选择因此仍然影响最终输出。§III.B，pp.899–901 ↗
模型训练使用客服对话及相关结果信息，并对优秀员工的聊天记录提高权重。成功处理问题的经验，不只包括某个事实答案，也可能体现何时澄清、怎样解释、如何处理紧张互动等难以完整写成规则的实践。
作者认为，这使系统可能向较少经验者传播熟练员工的工作方式。这个机制有训练安排作为依据，却仍应与结果中的因果识别区分：系统到底通过知识、措辞、搜索便利还是其他路径起作用，不能只凭平均提效一次确定。
这也意味着，本文中的AI不是脱离组织的通用能力。它接触过什么资料、哪些员工的经验被赋予更多权重、建议怎样显示、使用者保留哪些选择，都是研究条件的一部分。
如果把同样的模型名称放进另一家公司，却没有相近的训练材料和流程支持，未必出现同样结果。对实际采用者，更有意义的问题是能否重建有用的工作支持，而不是只复制一个“使用AI”的标签。
03 · 分阶段上线，为什么不是随机实验
系统并没有同时向所有人开放。容量限制、培训安排与管理流程影响上线时点，作者利用这种分阶段部署，比较接入前后以及不同接入时点的表现变化。§IV.A–B，pp.901–902 ↗
全文观察5,172名客服人员、约300万次聊天；其中接入AI后的观察涉及1,636人、约120万次聊天。总样本人数与实际有采用后记录的人数不能互换，也不能据总人数说每个人都接受了相同处理。
研究采用双重差分等分析。用日常语言说，它关心的不只是“用了以后比以前好”，还要考虑同一时期尚未接入者怎样变化。如果所有人都因业务变简单而提速，单独的前后比较容易把共同趋势误算成AI效果。
这种方法依赖关于比较组趋势等识别条件。作者使用多种结果和检查增强解释，但部署时间不是抽签产生的，管理安排与员工选择仍是理解证据时必须考虑的背景。不能为了把故事讲得清楚，改写成随机让一半员工使用、一半不使用。
真实工作资料的优势是能看到连续使用和实际任务；代价是研究者不能控制所有同时发生的变化。把它与实验室研究放在一起读，恰好可以让不同证据互相补充，而不是排出谁天然更高级。
理解分阶段部署时，还应区分单位。一个员工会处理很多次聊天，同一次部署也会影响之后一段时间的工作。聊天数量很大，可以提高对工作过程的观察密度，却不会自动消除组织层面的共同变化。研究设计需要处理谁在何时接入，而不能把每条聊天都想象成独立抽签的实验。
真实工作还有一个实验室不容易提供的优势：系统的用法会发展。人可能先照着建议做，随后学会改写，再逐渐识别哪些情境不适用。作者的时间资料使这类变化可以被观察，也提醒读者不要把部署看成一个按下开关便固定不变的处理。
04 · 谁获得了15%的平均收益
平均数背后最重要的差异，是较少经验与较低技能者受益更多。不过，“经验”和“技能”在论文里有各自的定义，不是同一个新人标签。§V.B，pp.911–914 ↗
技能指标综合处理速度、问题解决率和客户满意度的相对排名，并用一段时间的表现平滑波动。研究按部署前指标划分技能组。因此，低技能在这里是基于这份工作的既有表现，不是低学历、低智力或人的总体能力。
最低技能五分位的每小时解决问题数增加约0.5，约为36%；最高技能组在这一主要生产率指标上没有显著变化。对最高技能者，其他指标也并非全面改善：处理时长没有明显变化，每小时聊天数小幅增加，解决率和客户满意度则小幅显著下降。图III及正文，p.911 ↗
任职经验按接入时已经工作多久分组。任职不到一个月者每小时解决问题数增加约0.7；工作超过一年者在这个指标上未见效应。0.7是每小时的问题数，36%是另一种分组的相对增幅，不能把它们拼成同一项结果。图IV及正文，p.914 ↗
引言中还有较概括的百分比表述。精读应优先保留结果部分的分组与量尺，而不是选择传播起来最大的数字。只有知道对谁、在哪项指标上发生变化，我们才能理解平均收益是怎样构成的。
这些差异也改变管理问题。对新人，助手可能提供原本难以独立获得的经验；对熟练者，推荐未必提供新信息，还可能干扰原有判断。统一要求所有人采用同样比例的建议，未必符合这组结果。
05 · 优秀员工的经验如何成为别人的帮助
作者把收益分布与系统训练联系起来：若模型从高表现者的聊天中学习，较低表现者可能接触到更有效的处理方式；本来就掌握这些做法的人，则未必得到同等新增帮助。pp.900、911–914 ↗
这不是把一份手册更快送到员工面前那么简单。很多工作诀窍依赖时机与上下文：什么时候追问、怎样拆开复杂问题、哪种回应可以缓和紧张。训练材料可能把这些难以言传的模式带入建议。
但“可能传播实践”与“已经证明某条知识转移路径”仍有距离。工具也可能减少寻找答案的时间，改善表达，或者帮助员工同时处理更多对话。不同机制都能影响生产率，现有结果不能把它们完全分离。
对高技能者出现的某些质量下降，作者讨论了建议分散注意，或使人倾向采用更省力的现成答案等可能解释。这些是值得检验的机制，而非逐个观察到的个人动机。
还有一个更长期的问题：优秀员工的对话被用于持续训练，如果他们的实践因建议而改变，未来的训练材料也可能变化。论文提醒了这一联系，但没有由此证明系统一定进入质量下降循环。它为组织学习提出问题，而不是已经完成了长期预测。
从专业发展看，这一段的启发在于把知识来源重新放回人：所谓AI能力，可能部分凝结了他人的经验。团队讨论收益时，也应该看谁提供经验、谁获得支持、谁仍负责发现新问题。
作者还直接分析了会话文本。接入AI后，英语易懂度与美式母语流利度评分提升，菲律宾坐席的改善更大。这里测量的是工作对话的语言表现，不能据此说员工离开工具后的英语能力已经提高。§VI.D，pp.927–929，图IX ↗
正文转述的文本分析还显示，低技能与高技能坐席之间的平均余弦相似度，从接入前约0.55升到0.61，相当于两组文本相似度约半个标准差的变化。这为表达方式向高技能同事靠近提供证据，却不能单凭语言相似就证明诊断知识已被掌握。§VI.D，pp.929–930，对应附录图A.XVI的正文说明 ↗
这与第24篇故事创作研究形成了有用对照：客服表达接近较好的实践，可能帮助提供稳定服务；故事彼此更像，则引出作品多样性的担忧。文本收敛的意义取决于工作目标，两篇的相似度指标也不能直接互比。第24篇精读 ↗
若希望把机制讲清，就需要追踪重复接触之后的变化：下一次没有提示时，员工是否还会提出那个关键问题？换一个相似但不完全相同的案例，是否能够解释为什么这样处理？当前研究为这些追问提供线索，但生产率总分不会自动回答它们。
06 · 采纳越来越多，是学习还是选择？
部署后，员工并非以固定方式使用建议。作者观察到不同任职经验组的采纳率随时间变化，资深员工初期较少采纳，此后增长更快，大约五个月后组间趋同。§VI.A，p.919 ↗
按技能而非任职经验分组，作者发现高、低技能者的采纳率以相近速度上升。即使高技能者的某些质量指标没有获益，他们也会越来越多地使用建议。这个现象支持继续追问采纳动机，但本身不能确定他们是为了省力、受到管理要求，还是出于其他原因。§VI.A，p.920 ↗
这种变化说明，使用方式本身也在发展。员工可能逐渐熟悉工具，发现哪些建议有价值，也可能适应了组织的工作安排。把接入第一周的行为当成长期稳定的“信任水平”，会错过这段过程。
采纳与收益相关，也不能直接推出“多听AI就会更有效”。愿意采纳的人可能在其他方面不同；预期从建议中获益最多的人，也更可能主动使用。作者明确讨论了这些选择问题。
因此，采纳率适合作为过程指标，不宜单独作为考核目标。一个熟练员工拒绝了错误建议，采纳率下降可能是好事；一个新人顺从了不合适建议，采纳率提高也可能掩盖判断问题。
更有价值的过程记录，应把建议是否适用、为什么采纳、是否修改及最后结果联系起来。论文的纵向资料把我们带到这个问题，但不能仅用一条向上的采纳曲线说明信任已经得到正确校准。
07 · 系统中断，留下了什么学习线索
为了进一步讨论学习，作者利用系统中断期间的表现。一个直观想法是：如果员工过去的使用只是实时依赖提示，提示消失后优势可能减弱；如果掌握了一些做法，部分收益可能保留。§VI.B，p.921 ↗
研究发现，系统不工作时，曾接触AI的员工仍能更快处理聊天，相当于聊天时长减少约15%–25%。它支持某些变化可能留在使用者或工作实践中的解释，但需要连同测量范围一起阅读。
中断分析主要使用聊天时长，因为在该分析粒度下缺少问题解决信息。我们因此知道的是处理更快，不能自动升级为独立解决得更多、更准确，更不能说已经完成了跨情境能力迁移测验。
作者还提醒，中断数量有限、估计有噪声，并可能受聊天类型差异影响。这里不是安排所有员工在同一时点接受一次标准化的撤去工具考试，自然发生的中断有自己的识别限制。
第17篇Bastani等在数学学习中发现，GPT Base辅助撤去后，学生独立测试表现可能下降；学习护栏缓解了这一问题。它与本篇不能简单判为相互推翻：一边看学校数学测试，一边看客服聊天时长，工具设计与分配方式也不同。相关精读 ↗
更好的共同问题是：怎样的辅助，能让什么能力留下？学习可以体现在熟悉流程、表达改善、事实记忆或独立判断；每一种主张都需要适合它的测量。把所有持续收益叫作“人学会了”，仍然太快。
08 · 客户更礼貌，意味着什么
论文还报告，AI辅助下客户更礼貌、更少要求转经理。这使研究不只停留在速度，也看见了工作互动的变化。摘要及§VII ↗
对客服岗位，紧张互动如何发展具有实际意义。更好的措辞、较快的帮助或更顺畅的沟通，都可能改变客户的回应。这里呈现的是研究中的客户行为和互动结果，不能直接当成员工内在情绪能力提高的证据。
如果把它引到教学或其他专业服务，首先要考虑关系不同。客户寻求解决一个服务问题，与学生需要经历困难、逐步形成理解，并不总有相同目标。让对方更满意，也不必然等于更好的学习。
我们可以把这一结果作为进一步观察互动负担的理由，记录冲突怎样被缓和、谁在承担解释工作。但要说明焦虑降低、挫败得到调节，仍需要直接收集相关体验和行为资料。
论文结论本身提出了绩效目标的“棘轮效应”：受访管理者说，若达标员工增多，公司通常会调高目标。因此，眼前提效带来的奖金优势未必长期保留。这是管理者访谈与作者的制度推论，不是已经观察到AI导致工资下降的因果结果。§VIII，p.935 ↗
作者另作粗略测算：处理同样数量的问题，所需总工时可能减少约12%。把它解释为用工需求下降，还需要客户需求缺乏弹性等条件；服务改善也可能吸引更多咨询。它既不是实测裁员比例，也不是所有企业都会减少12%岗位的预测。§VIII，p.935 ↗
优秀员工还在贡献训练材料。作者据此提出，薪酬安排可以考虑鼓励员工生产高质量训练数据；但“现成建议可能减少探索新解法的投入”，仍是有待检验的解释，不能写成研究已经证实未来训练数据会枯竭。§VIII，p.936 ↗
09 · 从效率研究走向专业发展研究
以下是编辑提出的后续设计。团队试用AI时，可以同时设置当下工作表现与撤去辅助后的表现两条记录。前者看工具支持下能做什么；后者看离开支持还能做什么，且应保持指标可比较。
例如，初学者使用一段时间后，完成一组没有建议的相近任务，再完成一组需要迁移到新情境的任务。分别测准确性、理由、速度与关键遗漏。这样可以区分熟悉答案、掌握流程和理解原则，而不只看到总分变化。
还可以比较不同建议方式：直接给完整回答，或给线索并要求说明依据。借鉴本文的异质性结果，应事先关注经验与基线表现，让分析有机会识别谁受益、谁受到干扰，而不是事后只挑一个显著分组。
这类研究也需要记录组织背景。培训、管理要求与任务分配可能共同影响结果；观察性资料应保留替代解释，能够随机比较时则尽量使其他条件一致。不能把一个复杂改变全部记在模型名下。
读完这篇，最值得带回工作的不是15%这个孤立数字，而是一组有顺序的问题：系统提高了哪项表现，收益集中在哪里，经验怎样被传递，以及当建议消失时，有什么确实留在了人身上。
这也给“是否值得引入”一个更具体的答案形式：对于某类员工、某种问题，在明确的指标上有收益；对于另一类员工，需要保留更多自主判断并监测质量。这样的结论不如一个全员适用的百分比简洁，却更接近能够执行的管理决策。
一个成熟的试用记录，应当同时容纳没有变化的结果。某些熟练者不需要额外支持，并不必然说明系统失败；某些人当下明显提速，也不表示独立学习已经发生。能把这些不同状态保留下来，比让所有数据指向同一句宣传语更有助于后续改进。
原文与版本
Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942.
采用已归档正式期刊版，PDF前54页对应pp.889–942，末页为广告。核对部署与识别、平均结果、技能和经验异质性、训练与采纳机制、中断分析、§VI.D文本结果及结论中的制度推论；未逐项审计独立Online Appendix或重跑数据。课堂与后续实验方案均为编辑延伸。
更新于2026-10-18 · v1.0 · 正式版。