G-P《2026 AI at Work》：73%高管称AI投资回报不及预期

问题不是“没人用AI”，而是“用了之后怎么证明”

G-P的报告并不是说企业正在撤离AI。恰恰相反，所有受访高管都表示组织已经在使用AI。真正的变化是，企业领导者不再愿意把“上线了工具”“员工开始使用”直接等同于“投资有效”。

这种变化和上一轮AI热潮形成对照。G-P的2025年《AI at Work Report》强调的是加速采用：当时91%的高管正在积极扩展AI项目，74%称AI对公司成功至关重要。到了2026年，AI仍然普遍存在，但讨论焦点已经转向问责、压力测试和ROI证明。

其他研究也指向类似的“价值落差”。波士顿咨询公司（BCG）称，60%的公司尚未在规模化AI应用中获得实质价值；另有35%的公司看到了一些回报，但仍认为推进得不够远或不够快。麦肯锡也发现，92%的公司计划在未来三年增加AI投资，但只有1%的领导者认为其组织已经成熟到让AI完全融入工作流，并推动显著业务成果。

隐性成本：AI让局部更快，也可能让整体更重

AI投资回报低于预期，一个常见原因是：某个环节提速了，另一个环节却增加了复核负担。G-P报告称，69%的高管认为员工花在监控、审查或更新AI生成内容上的时间增加了。

放到实际工作里，这可能意味着AI能很快生成草稿、回答、代码或摘要，但人类仍要检查事实、修改表达、控制风险、修正错误。也就是说，工具让“产出”变快了，却不一定让“可交付成果”变快。

这也是企业容易误判ROI的地方：毛产出不等于净效率。如果AI让团队生成更多材料，却同时带来更多审稿、返工和风险确认，那么真正的回报要看完整工作流，而不是只看自动化的那一步。Channel Insider对Workday研究的总结也提到，AI节省的时间可能被返工抵消，包括修正错误、重写内容、反复核对AI输出等。

“表演式生产力”：当“用了AI”被误认为“创造了价值”

G-P报告还指出一个更软性、但很现实的管理风险：AI活动可能被误当成业务价值。调查显示，88%的高管担心员工用AI来表现得更忙，或只是满足AI使用要求，而没有带来有意义的结果。近一半高管，即47%，已经对此非常或极其担忧。

这提醒企业，不能只用表层指标衡量AI成功。比如工具登录次数、提示词数量、AI生成草稿数量、员工自报使用频率，都只能说明“有活动”，不能证明工作更好、更快、更安全，或更赚钱。

如果组织把“必须使用AI”本身当作目标，就可能催生错误激励：员工为了完成指标而使用AI，而不是为了改善结果而使用AI。

人类员工的悖论：被低估，却仍在承担关键判断

报告中最敏感的一项发现是：82%的高管表示，AI降低了他们对人类员工价值的评估。这很醒目，因为同一份报告又显示，员工仍在大量承担监控、复核和更新AI生成内容的工作。

这并不说明人已经不重要。相反，它可能说明许多组织低估了让AI真正可用所需的人类判断力。AI可以生成内容、建议和预测，但在很多业务场景中，是否准确、是否合规、是否适合客户、是否符合公司风险边界，仍需要人来判断。

麦肯锡关于职场AI的研究也强调，企业应把重点放在能赋能员工日常工作的实际应用上，并把AI与可衡量的业务结果连接起来，而不是把AI当成单独的技术部署项目。

企业应如何重设AI成功指标

G-P的发现给企业一个清晰提醒：AI项目不能只按“采用率”打分，而要按“结果”打分。更稳妥的AI记分卡，至少应包括以下几类指标：

1. **业务影响：**AI是否带来收入增长、成本下降、客户体验改善、风险降低，或更快交付经过验证的成果。
2. **净生产力：**不仅计算AI节省了多少时间，也要扣除审查、纠错、重写、更新AI输出所花的时间。
3. **质量表现：**关注错误率、升级处理率、合规问题、客户满意度，以及AI输出无需大幅返工即可被接受的比例。
4. **工作流整合：**AI是否嵌入了高价值流程，而不是作为一个“可有可无的额外工具”孤立存在。
5. **人的杠杆作用：**AI是否帮助员工做出更好决策、完成更高价值工作，而不只是增加输出数量。
6. **预算责任：**每个AI用例是否有明确负责人、基线数据、成功指标和复盘日期，再决定是否扩大投入。

说到底，企业需要少问一句“员工有没有用AI”，多问一句“AI有没有改善那些真正重要、能够被验证的工作成果”。

结论：AI不是退潮，而是进入算账阶段

G-P的《2026 AI at Work Report》不是一篇“反AI”的故事，而是一篇关于问责的故事。同一项调查显示，AI使用已经覆盖全部受访高管所在组织，同时也显示73%的高管对至少部分AI投资回报感到失望，近七成高管可能在目标无法实现时缩减投入。

由于报告基于高管调查反馈，它不应被解读为AI失败的审计结论。但它确实说明了一件重要的事：AI在职场里的证明责任已经变了。下一阶段，企业比拼的不是谁部署得更快，而是谁能把AI转化为可衡量、可信赖、经过人类验证的业务价值。