研究摘要Multi-country · 25 locations

研究摘要 · The Quarterly Journal of Economics

真实工作研究显示：AI 可以传播经验，但收益并不平均

一项大型客服现场研究发现，生成式 AI 辅助平均提升了生产率，经验较少的员工获益更大，而顶尖员工得到的提升相对有限。

Generative AI at Work2025 年 2 月 4 日

阅读原始来源 ↗

概念视觉

独立编辑分析

本文是 FUURAA 基于所列公开来源撰写的编辑分析，与被引用机构相互独立。原始资料仍归其作者及发布机构署名，资料选择、综合与判断由 FUURAA 负责。除非另有明确说明，任何被引用机构均未审阅、认可或支持本文。

外部公开资料

现场研究发现了什么

研究跟踪了 5,172 名客服人员在引入生成式 AI 助手后的表现；平均而言，每小时解决的问题数量提升约 15%，经验较少及技能较低的员工改善最明显。

研究样本覆盖 25 个地点，89% 的客服人员位于美国以外，主要在菲律宾。收益并不均衡：经验最丰富、技能最高者的速度小幅提高，但部分质量指标小幅下降。

FUURAA 编辑分析

FUURAA 编辑观点

面向公共利益、以证据为基础的分析

工作场景中 AI 最有力的近期价值，可能是能力传递而不只是劳动力替代：让有用的组织知识在工作发生时及时出现。

一家企业、一个岗位的研究不能变成全球统一的生产率数字。每个流程都需要独立评估质量、安全、学习及员工体验。

核心判断

这项现场研究为特定客服环境中生成式 AI 辅助能够改善表现提供了有意义的证据，经验较少的员工获得了更明显的提升。
结果支持“能力传递”的解释，但不能被转换成适用于所有职业的生产率承诺，也不能证明每种工作都会以同样方式获益。
负责任的职场应用除效率外，还应衡量服务质量、学习、员工自主性，以及收益与负担如何分配。

证据的重要性，在于它来自真实工作

该研究跟踪了分布在 25 个地点的 5,172 名客服人员，其中 89% 位于美国以外，主要在菲律宾。引入生成式 AI 助手后，每小时解决问题数量平均提高约 15%。经验较少及技能较低的员工改善更明显；经验最丰富、技能最高者的速度小幅提高，但部分质量指标小幅下降。与实验室演示相比，这类现场研究更接近真实运营，因为它观察人们处理日常且具有实际后果的任务。但它仍然来自一家企业和一种职业，因此这个平均值不能被包装成适用于所有公司、国家和岗位的通用数字。

AI 可能传播工作方法，而不仅是自动化任务

一种合理解释是，助手把优秀员工的有效工作模式，在经验较少的同事最需要时呈现出来。这说明 AI 可以成为组织知识的传播渠道，而不只是替代劳动力。然而，如果底层示例、反馈或目标存在问题，推荐系统同样会迅速扩散不良做法。机构需要追问：系统编码了什么知识、谁的做法被视为标准、员工能否质疑建议。研究提供了与能力扩散一致的证据，但更广泛的组织设计属于 FUURAA 的编辑推论，仍需独立验证。

生产率是一种分布，而不只是平均数

平均提升可能掩盖不同员工、客户与任务之间的差异。新员工可能从即时指导中获益，专家却可能觉得建议重复并限制判断。处理更快可以改善服务可达性，但速度也可能与准确、同理心及复杂个案所需时间发生冲突。管理者应观察谁得到好处、谁承担额外监控或纠错工作，以及初期过后效果能否持续。员工参与尤其重要，因为最接近流程的人最能指出帮助何时有效、何时造成干扰或风险。评估还应区分工具影响与培训、人员及管理变化。

目标应当是可持续的人类能力

职场系统可能提高即时产出，却因员工依赖自己不理解的建议而削弱学习；它也可以通过解释原因、呈现有效案例并允许修改建议来支持成长。具体设计取决于任务，以及最终由谁对结果负责。高影响或异常个案需要比常规支持更严格的人类复核。公共利益目标不是最大程度自动化，而是更好的工作：有能力的人、可靠的服务、公平的发展机会，以及系统出错时清楚的问责。

不同观点与不确定性

现有证据尚不能确定什么

AI 辅助可以降低达到合格表现的门槛，但也可能压缩员工判断空间，或把工作统一到无法服务所有客户和文化的模式。
完整衡量与员工协商会减慢部署，但缺少这些步骤可能造成隐蔽的质量失败、不平等负担或劳动力抵触。

公共利益与各方影响

这对不同参与者意味着什么

公众

客户应获得可靠服务；当 AI 对重要互动产生实质影响时，应有适当说明或可以转交人工处理。

组织与行业

雇主应按任务试点，同时比较质量、学习与速度，吸收员工意见，并为异常情况保留可问责的人工处理。

政策

职场治理应关注监控、公平、技能发展、员工参与与责任，不能把生产率提升视为唯一公共结果。

研究

后续研究应覆盖不同职业、机构和时间跨度，并检查专业能力、服务质量、身心状态及不平等影响。

下一步观察什么

在新鲜感消退、流程调整和底层 AI 更新后，所观察到的收益能否持续。
经验较少的员工能否形成独立专业能力，还是长期依赖自动指导。
收益、监控负担、岗位重构和决定权如何在员工与管理者之间分配。

结论

这项研究为认真看待人机协作提供了可信理由，同时也提醒我们抵制夸大。在被观察的客服环境中，AI 辅助提高了平均处理量，对经验较少者帮助尤其明显；这指向一种值得重视的可能：AI 可以让有用知识更容易获得。但研究并未决定其他职业应如何改造。机构应把部署视为一个包含证据、员工参与与保障措施的学习过程，目标是扩展人的能力，而不只是加快活动。

独立性与相关性披露

本文是 FUURAA 对所引《The Quarterly Journal of Economics》研究的独立编辑分析，不代表作者、期刊、出版方或参与研究的企业批准、参与或认可本文。

前瞻观察

组织应当如何负责任地学习

针对具体任务

找到指导与知识检索真正有帮助的环节，而不是把 AI 强行加入全部活动。

衡量收益分布

了解谁获益、谁承担额外负担，以及收益能否持续。

保护学习能力

让 AI 辅助增强人的能力，而不是形成不可见的依赖。