哈佛商学院最新研究解读 | AI没帮你降本，大概率不是技术的锅

生成式AI普及了两三年，不少初创公司全员配齐了AI账号，老板盼着靠技术压缩人力、快速扩张。可现实常常是：工具用了不少，加班没见少，招人也没停下，甚至还多了不少和AI相关的协调成本。钱花了，效率红利却没落到实处。

哈佛商学院的Rembrand Koning与俄勒冈大学的Innessa Colaiacovo在最新工作论文《Delegating to AI: Beliefs and the Organization of Work at New Ventures》中给出了答案。研究团队调研了199家北美科技初创企业的创始人，没有空谈AI的未来潜力，而是扎扎实实追问：那些真正靠AI实现了人力缩减、效率提升的团队，到底做对了什么？

这项研究的第一个核心发现，是AI带来的真实收益分布极度不均——绝不是“用了就有效”的线性关系。研究者设计了一个非常巧妙的反事实问题：请所有创始人回答，如果你的公司从今天起完全无法使用生成式AI，但必须维持当前的产出规模和质量，你需要额外招募多少人、增加多少工时？这个问题的精妙之处在于，它不是在问“你觉得AI有没有用”，而是迫使创始人基于自身业务的实际运行状况，量化AI带来的具体替代价值。

最终的数据呈现出极强的分化：从整体均值看，创始人估算在没有AI的情况下需要多招55%的员工，但中位数仅为17%——这意味着大量企业的真实需求被少数极端值明显拉高了。而众数（占比最高的答案）是0，整整30%的创始人明确表示，即便完全没有AI，也完全不需要额外招人。

相比人力替代，AI在工时节省方面的效果确实更普遍：96%的企业都感受到了不同程度的时间节约，平均工时节省幅度为59%。然而从“省了时间”到“减了人头”之间，存在着巨大的转化损耗。更值得注意的是，公司的成立年限、团队规模、融资额度，几乎解释不了这种收益上的巨大差异——这意味着决定AI能否真正降本的关键变量，不在企业规模和资源禀赋上，而在别的什么地方。

这个发现对于当下“AI生产力”的行业叙事提出了根本性的质疑。当我们谈论AI提效时，大多数人心里默认存在一个“用得越多、省得越多”的线性假设，但数据清楚地表明，事实远非如此简单。真正拉开企业之间AI收益差距的，不是用了多少AI工具、买了多贵的订阅，而是企业如何与AI建立起深度的、结构化的协作关系。

深入拆解199家企业的AI使用方式之后，研究者找到了收益分化最核心的分界线：企业究竟是主动把AI嵌入正式的工作流程，还是放任员工以零散、自发的方式使用。研究据此将企业的AI使用模式划分为两种本质不同的类型，这一区分成为理解整个收益鸿沟的关键钥匙。

一种是正式集成——公司层面有意识地设计和推动，把AI嵌入到固定的业务环节中，有明确的使用标准、质量校验机制和对应的责任人。比如用AI自动生成周报模板，由主管审核后再发送；用AI辅助代码审查，形成固定的提交-审核-合并流水线。另一种是非正式使用——员工个人出于便利自发地使用各种AI工具，公司层面既没有统一的部署规划，也没有标准化的使用流程和质量控制。

两种模式的最终收益差距接近4倍：正式集成AI的企业，估算没有AI的情况下需要多招91%的员工；而非正式使用的企业，这个数字仅为24%。不仅如此，正式集成的企业在招聘策略调整、团队协作优化、新员工入职加速、管理效率提升等多个维度上也观察到了显著的正向效果，形成了一套系统性的组织级收益。

更为关键的一步验证是：即便控制了“使用AI的员工占比”和“是否自行开发了定制化AI工具”这两个变量，正式集成的收益优势依然显著成立。这意味着AI的价值从来不来自“多少人用”“用的工具贵不贵”，而来自有没有被真正织进组织的工作流里——对于组织设计而言，这是一个具有范式意义的发现。

按照传统的技术替代逻辑，只要AI在某项任务上的表现追平甚至超越人类，管理者自然会把这项工作交给AI处理。但这项研究用一组精心设计的实验证明：管理者的授权意愿，是独立于技术判断的另一件事。

研究选取了客服这个AI应用最成熟的场景，设计了两阶段对照实验。第一步：让所有199位创始人分别评估——18个月后，AI能在多大比例的客服咨询中表现得和熟练人类员工一样好？同时让他们选择更偏好哪种服务模式：纯人类、人机协作、还是纯AI。第二步：把创始人随机分配到两组，分别阅读关于AI客服能力的乐观进展报告和悲观问题报告，然后重新回答同样的问题，观察他们在信息更新后的判断变化。

统计结果令人惊讶：在第一步中，创始人对AI能力的判断，最多只能解释30%的“纯AI授权意愿”差异——也就是说，剩下70%的方差来自能力判断之外的因素。经过第二步的信息干预后，技术信念对授权意愿的解释力提升到了37%，虽然有改善但远未形成主导。管理者之间的偏好鸿沟，并没有因为信息对齐而消失。

这对AI的落地策略有着深远的影响。它意味着单靠展示更强大的模型性能和更多的成功案例，并不能解决“管理者不愿授权”这一核心障碍。技术进步，从来解决不了组织决策的偏好问题。AI推广的关键瓶颈不在技术侧，而在认知和组织侧——管理者需要的不仅是“AI能做什么”的能力信息，更是一套帮助他们在真实业务场景中做出授权决策的框架与信心。

研究中还有一个很容易被忽略的关键细节：那些深度集成AI的创始人，并不是对AI能力更乐观的人。数据显示，正式集成组和非正式使用组的创始人在评估AI客服能力时给出的判断几乎一致（52.7% vs 51.1%，统计上不显著）。两组之间真正的区别在于：正式集成组的创始人更倾向于选择“人类+AI协作”模式——他们不执着于让AI完全替代人，而是更擅长让AI成为人的能力放大器。

这在实践中意味着一种截然不同的分工逻辑。在研发场景中，不是让AI独立编写完整项目代码，而是让AI高效处理重复性的模板代码生成、常见bug的自动排查和代码注释的自动补全，人则把核心精力集中在架构设计、核心业务逻辑和关键技术决策上。在运营场景中，不是让AI直接对接最终客户，而是让AI负责基础信息的整理汇总、初稿内容的快速生成和标准问题的自动分类，人负责策略方向的把控、关键沟通的推进和最终输出的质量把关。人从执行者变成了决策者和校验者，AI负责承接批量、重复的基础工作。

对初创企业而言，这一点尤为关键。初创公司的核心团队精力永远是最稀缺、最不可替代的资源。AI最大的价值，是把稀缺的人力从繁琐事务里解放出来，让少数人的经验和判断力覆盖更多业务场景。这正是人力资本效率的真正跃迁。

这份研究最有价值的贡献，是把AI从“技术议题”重新拉回了“管理议题”。技术的能力边界一直在扩张，但最终决定一家企业能从AI中获取多少实际收益的，从来不是模型参数和算力投入，而是管理者的组织智慧。

回望商业史，每一次通用技术革命的红利，从来都不是均匀地分给所有用上技术的人。电力革命初期，大量工厂只是简单地把蒸汽机替换成了电动机，生产线布局和生产流程原封不动，效率的提升微乎其微。直到有一批管理者开始重新设计厂房的空间布局、重构生产线的组织方式，电气革命的真正威力才得以释放。今天的AI，正站在与当年电力革命一模一样的关口。

愿不愿意重构已有的流程体系、能不能设计出合理的人机分工方案、敢不敢把合适的工作交给技术同时把人放在更有价值的位置上——这三个问题的答案，才是决定AI落地成效的真正分水岭。

欢迎大家在评论区分享

公司在AI落地中遇到的真实挑战，

我们一起探讨！

注：

对《Delegating to AI:Beliefsand the Organization of Work at New Ventures》原文感兴趣的管理者，可前往哈佛商学院官网搜索论文标题或点击文末“阅读原文”查看。

*本文引用的第三方研究成果与数据，其著作权归原作者及发布机构所有。本文提供的外部链接仅为信息参考，不构成对链接内容的背书或所有权主张。