本日报作者不通中文。这些译文由人工智能自动生成，作者本人无法亲自核对其语言准确性和文化适切性。我们以谦逊和真诚的态度发布此版本，希望与中文读者建立连接。若发现翻译错误、表达不当或文化误读之处，恳请告知 — 我们将虚心接受并改进。
L'auteur du Journal d'un Progressiste ne parle pas chinois ; ces traductions sont produites par intelligence artificielle et n'ont pas été vérifiées par lui. Cette version est publiée dans un esprit d'échange et d'humilité — vos retours sur les erreurs éventuelles ou les contresens culturels sont les bienvenus.
— 《进步者日报》编辑部 / La rédaction
使用AI代理的知识工作者每周节省6.4小时。这是基于真实生产数据的中位数，不是商业宣传。这个2026年公布的数字终结了部分争论，却引出了另一个更棘手的问题：节省下来的时间并未平均分配。它们集中在那些已提前投入工具、评估和治理的组织。其他组织仍在等待。
AI的生产力确实存在。但其分配不会自动发生。差距正在扩大。
要点
- 根据Digital Applied博客汇编的麦肯锡、Slack和贝恩独立报告，配备AI代理的知识工作者每周节省时间的中位数为6.4小时
- 在已大规模部署AI代理的组织中，每个客服工单的成本已显著降低
- 预计到2027年底，净生产力提升可达14%至19%，但仅限于排名前25%的组织
- 前25%与后25%组织之间的差距持续拉大：缺乏结构化AI治理的组织表现落后，且随时间推移与领先者差距越来越大
每周6.4小时，经济学家停止争论
三年来，关于AI与生产力的讨论始终是两拨人各说各话。软件厂商发布研究，显示精挑细选的用例取得了可观收益。生产力经济学家则指出，宏观经济汇总数据中看不到任何信号。索洛悖论似乎再次显现：技术随处可见，却不见于统计数据。
2026年改变的是测量质量。新研究不再依赖实验室条件或意向调查，而是在真实职业环境中测量真实行为，样本量足够大，中位数具有统计意义。每位配备AI代理的知识工作者每周节省6.4小时，约占标准工作时间的16%。按年计算，相当于每位员工每年多出一个月以上的工作时间。
最有分量的数字来自客服领域。在已大规模部署AI代理的组织中，每个工单的处理成本大幅下降。对于仍在观望的财务部门而言，这类指标具有决定性意义——它直接体现在损益表上。
这些数字标志着一场争论的终结。AI确实具有生产力。下一个问题在结构上完全不同。
收益存在，分配是另一回事
制度主义经济学家将当前发生的事情称为”技术收益捕获”：创新创造的生产力不会按技术接触程度自动分配，而是取决于组织吸收、整合并据此重组工作的能力。
达龙·阿西莫格鲁和西蒙·约翰逊在关于技术与权力的研究中指出，同一项创新，在不同制度框架下，可以缩小或加剧不平等。企业层面的情况，在劳动力市场层面精确复制了这一机制。
2026年的数据清晰地证实了这一点。排名前25%的组织预计到2027年底净生产力提升14%至19%。排名后25%的组织使用相同的工具和许可证，却看不到任何显著信号。差距没有随时间收窄，而是持续扩大。每过一个季度，领先者更进一步，落后者原地踏步。
领先组织的共同点不是更高的技术预算，而是对三个领域的提前投入：评估（衡量AI实际产出的能力）、治理（明确AI代理能做什么和不能做什么的规则）、整合（围绕新工具重新设计工作流程，而非简单叠加在现有流程上）。
这三个要素不是技术性的，而是组织性的。而且都需要时间。
领先组织做了什么不同的事
几个案例可以具体说明这种飞跃是如何发生的，以及为何难以靠快速模仿复制。
将AI代理整合到交付物生产中的咨询公司，没有止步于让顾问使用语言模型。他们重新定义了项目里程碑，识别了AI可靠完成与容易出错的任务，将团队培训的重点从撰写转向验证，并建立反馈循环以在项目过程中持续优化提示词。这是一个完整的重组周期，不是技术部署。
在客服领域，实现成本降幅最大的组织并非以AI代理取代人工客服，而是重新设计了服务架构：AI代理处理标准化请求，实时监测解决率；人工客服负责复杂案例，并提供训练数据来优化AI代理。最终形成的混合型组织，绩效取决于两者的协作质量，而非购买的许可证数量。
整合了文档审查代理的法律与合规团队，则明确界定了哪些内容可由代理处理，哪些必须人工审核。这套治理机制不是可选项：没有它，速度的提升会伴随组织无力承担的法律风险；有了它，收益才真实且持久。
在所有这些案例中，限制因素不是技术，而是组织以不同方式审视自身的能力。
准备者与等待者之间的差距正在扩大
这一机制形成了战略上的”路径依赖”：未来轨迹取决于过去的投入，追赶成本随时间增加。
早期投入评估的组织，如今积累了AI绩效的纵向数据。这些数据帮助他们识别瓶颈、排列部署优先级，并用实证依据支撑后续投入。没有投入评估的组织则处于盲飞状态——不知道什么有效，无法论证下一步，只能凭感觉做决定。
治理带来了类似的差距。早期制定使用规则的组织降低了事故风险：错误输出、数据泄露、有争议的自动决策。这些事故在缺乏治理的组织中发生时，会产生两个同步的负面效果：拖慢未来部署进度，并造成持久的内部不信任。工具的公信力一旦受损，重建极为缓慢。
整合则可能造成最持久的差距。围绕AI重组了工作流程的组织，培养出了集体技能——团队知道如何为代理拆解任务、解读输出、发现典型错误。这些技能无法靠两天培训习得，只能在实践中积累，而实践需要时间。
文章《美国各州正在一砖一瓦地构建AI时代的劳动法》记录了监管框架如何引导这一转型。2026年的数据表明，组织能力与法律框架同样关键，都是不可缺少的前提条件。
工人实际经历什么
每周节省的6.4小时并非凭空消失。它们给每个组织提出了一个实际问题：这些时间会用于更多产出、减轻负担，还是转向更高价值的任务？
答案因情境而异，背后存在真实张力。在产量压力大的组织中，节省下来的时间立即被更高的目标吸收。工人产出更多，主观负担却没有减轻。收益流向雇主，而非员工。这是工会最为担忧的情景。
在那些主动选择减轻负担、将释放的时间投入更高附加值任务的组织中，情况不同。使用AI代理生成代码的开发团队，花在重复性任务上的时间减少，花在架构设计、代码审查和解决复杂问题上的时间增多。工作性质发生了变化，不只是数量。
这种差别不会自动出现，而是管理层明确选择的结果。这个选择既是经济决策，也是政治决策。它决定了AI生产力收益是只转化为企业竞争优势，还是同时改善工作条件。文章《AI对初学者的要求》记录了这一转型的另一个维度：所需技能的变化速度快于培训体系的适应速度。
预计14%至19%的收益意味着什么
预计到2027年底净生产力提升14%至19%，需要精确解读。这一预测不针对所有组织，而是针对排名前25%、且处于成熟部署阶段的组织。它建立在几个并非全部确定的前提之上。
第一个前提是技术稳定性：模型持续进步，但其界面和行为不会剧变到使现有整合失效的程度。这在18个月内是合理假设，但并非确定。
第二个前提是不出现重大监管阻力。多个司法管辖区正在制定的法规可能对某些自动化用途加以限制，尤其是金融、医疗和人力资源领域。这些限制不会废除现有部署，但会减缓扩展。
第三个，也许是最关键的前提，是技能的可及性。能够设计和维护AI代理架构的人才短缺已经显现。如果需求继续以当前速度增长，缺口将进一步扩大。今天尚未开始培训团队的组织，18个月后将在更紧张的人才市场上竞争。
这三个约束不否定趋势的方向，但制约着速度，尤其制约着收益的分配。
领导者仍在回避的问题
2026年的数据最终指向一个许多组织尚未明确提出的战略问题：他们是否想成为捕获收益的前25%？如果是，愿意为此投入什么？
这个问题令人不安，因为没有简单的技术答案。它需要对评估、治理和整合能力进行诚实的组织诊断。它需要在购买许可证和投入实践转型之间做预算取舍。它需要就股东、管理层和员工之间如何分配收益做出决定。
那些在2024年和2025年靠买工具、不改实践来回避这些问题的组织，如今处于后25%。这不是终局判决。差距仍可弥合，但每过一个季度，弥合的难度就增加一分。
好消息是，同样的数据表明，组织学习曲线是真实存在的。一旦奠定了正确的前提条件，认真启动转型的组织进步迅速。生产力随之而来，而不是走在前面。
来源
- Digital Applied — AI Agent Productivity Statistics 2026: ROI Data Points（麦肯锡、Slack和贝恩数据汇编）：https://www.digitalapplied.com/blog/ai-agent-productivity-statistics-2026-roi-data-points
- 麦肯锡全球研究所 — The economic potential of generative AI（报告，无保证URL）
- 麦肯锡 — AI productivity gains and the performance paradox（2026年5月）：https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/where-ai-will-create-value-and-where-it-wont
- 达龙·阿西莫格鲁和西蒙·约翰逊 — Power and Progress（PublicAffairs, 2023）：https://shapingwork.mit.edu/power-and-progress/
- Slack Workforce Lab — State of Work 2026（年度报告，无保证URL）
- Slack Workforce Index（2025年6月 / 2026年第一季度）：https://slack.com/blog/news/the-new-ai-advantage
- 普华永道2026年AI绩效研究：https://www.pwc.com/gx/en/news-room/press-releases/2026/pwc-2026-ai-performance-study.html
- Gartner — AI战略预测（2026年5月）：https://www.gartner.com/en/newsroom/press-releases/2026-05-13-gartner-predicts-by-2027-50-percent-of-enterprises-without-a-people-centric-ai-strategy-will-lose-their-top-ai-talent
- NBER / Fortune — AI生产力悖论CEO调查（2026年2月）：https://fortune.com/2026/02/17/ai-productivity-paradox-ceo-study-robert-solow-information-technology-age/