有一个问题，很多人在讨论 AI 替代工作时，其实没有认真拆开看：
AI 进入真实公司以后，到底先帮助了谁？
是最厉害的人变得更厉害，还是普通人被拉了一把？
这篇发表在《Quarterly Journal of Economics》的论文《Generative AI at Work》，给了一个很少见的真实世界答案。
答案是：AI 确实提高了生产率，但它最明显改变的，不是高手的上限，而是新手和低绩效员工的学习速度。
从一个真实客服现场说起
这篇论文研究的不是实验室里的测试题，也不是让人做几个写作任务。
它看的是一个真实公司里的客服团队。
研究对象包括 5,172 名客服人员，覆盖 300 多万条客户聊天记录。客服要处理美国小企业客户遇到的软件问题——这些问题往往很复杂，要先判断问题在哪里，再告诉客户怎么解决，还要在整个过程中安抚一个已经很烦躁的人。
这正好是很多办公室工作的缩影：不是纯体力劳动，也不是纯创造力劳动，而是一种夹在知识、经验、沟通和情绪劳动中间的工作。
这个 AI 到底做了什么
论文研究的 AI 工具基于 GPT-3。它不是直接替客服回答客户，也不是把客服踢出对话。它更像一个坐在旁边的实时教练。
客户发来消息后，AI 会在客服界面里给出两类建议：可以直接回复客户的话，以及内部知识库链接。但最后发什么，还是客服自己决定——可以照抄，可以修改，也可以完全不理它。
最核心的发现：生产率平均提高 15%
接入 AI 后，客服每小时成功解决的问题数提高了 15.2%。
- 平均每个对话的处理时间减少了 3.7 分钟
- 每小时能处理的聊天数增加了约 15%
- 问题解决率小幅上升 1.3 个百分点
- 客户满意度没有明显下降
图：AI 接入前后，每小时解决问题数的变化。虚线右侧是接入 AI 之后，生产率出现明显跃升。图源：Brynjolfsson, Li, and Raymond (2025)。
客服不是靠敷衍客户来提高速度——他们确实处理得更快了，而且整体质量没有被牺牲。
但这篇论文真正值得读的地方，不在平均值，而在平均值背后的差异。
最大赢家是新手
AI 对不同人的帮助并不一样。
低绩效员工的提升最大。论文按客服原本的表现把人分成五组，最低绩效那一组接入 AI 后，每小时解决问题数提高了 36%。而最高绩效那一组，生产率几乎没有明显变化。
图：按接入 AI 前的员工表现分组，低绩效员工的生产率提升最大，高绩效员工提升最小。图源：Brynjolfsson, Li, and Raymond (2025)。
按工作经验看，差异也很清楚。入职不到一个月的新员工，接入 AI 后提升最大；工作超过一年的老员工，提升很小。
图：按接入 AI 前的工作经验分组，入职时间越短，AI 带来的提升越明显。图源：Brynjolfsson, Li, and Raymond (2025)。
更有意思的是学习曲线：没有 AI 的客服，大概要工作 8 到 10 个月，才能达到每小时解决 2.5 个问题的水平；从第一天就有 AI 辅助的客服，只用了 2 个月就达到了类似水平。
图：没有 AI 的员工需要更长时间积累经验；从一开始就有 AI 的员工，学习曲线明显更陡。图源：Brynjolfsson, Li, and Raymond (2025)。
AI 没有平均地增强所有人，而是更明显地缩短了新手变成熟手的时间。
为什么会这样
这套 AI 系统训练时特别重视高绩效客服的对话记录。顶尖客服知道什么时候该多问一句，什么时候该先安抚客户，什么时候不要急着给方案——这些东西很难写进培训手册，是真正的隐性知识。
AI 的作用，就是从大量高手对话里学到这些隐性模式，然后在新手工作时实时提示。
新手原本缺的不是努力，而是没有见过足够多的好例子。AI 把这些好例子送到了他正在处理的具体场景里。
AI 不是拐杖，也可能是训练器
系统偶尔会故障。有些时候，客服已经接入了 AI，但因为技术问题，当下拿不到 AI 建议——就像突然把拐杖拿走，看看人还能不能走。
结果发现，接触 AI 一段时间后的客服，即使在 AI 故障时，处理对话仍然比接入 AI 之前更快。
图：系统故障时，已经接触过 AI 的员工仍保留部分效率提升，说明 AI 可能带来了真实学习。图源：Brynjolfsson, Li, and Raymond (2025)。
这说明 AI 不只是临时替人完成任务——至少在这个场景里，它也在教人。
图：客服平均采纳约 38% 的 AI 建议；初期采纳率越高，之后的生产率提升越大。图源：Brynjolfsson, Li, and Raymond (2025)。
最有意思的是"中等少见问题"
AI 对最常见的问题确实有帮助，但最大帮助出现在"中等少见"的问题上。
太罕见的问题，AI 自己也没有足够训练数据；最常见的问题，客服自己已经很熟了，不太需要 AI。真正有价值的是中间地带：客服平时不常遇到，但这类问题又没有罕见到让 AI 完全没见过。
图：AI 对最常见问题有帮助，但最大改善出现在"中等少见"的问题上。图源：Brynjolfsson, Li, and Raymond (2025)。
这对使用 AI 很有启发：AI 的最大边际价值，往往不在你完全不会的地方，也不在你已经很熟的地方，而在你"有基本判断，但缺少足够案例经验"的地方。
语言也变了，情绪也变了
接入 AI 后，客服的英语表达变得更清楚，也更接近美国本土表达习惯。低绩效客服接入 AI 后，写出来的话开始更接近高绩效客服。
图：AI 接入后，客服文本的可理解性和英语自然度都有提升。图源：Brynjolfsson, Li, and Raymond (2025)。
客户侧的反应也变了：客户消息的情绪明显更积极，要求"找主管"的比例下降了将近 25%。
图：AI 接入后，客户情绪更积极，要求转主管的比例下降。图源：Brynjolfsson, Li, and Raymond (2025)。
新员工流失率也下降得最明显——对入职不到 6 个月的人来说，AI 接入与约 10 个百分点的离职率下降相关。
但高手未必应该照抄 AI
论文发现，高绩效员工接入 AI 后，速度略有提升，但质量指标反而有小幅下降。
对新手来说，AI 建议可能比自己的第一反应更好；对高手来说，AI 建议可能只是一个"还不错"的平均答案。如果高手为了省事开始采纳这些平均答案，他原本那些更细腻、更有创造性的处理方式，反而可能减少。
这会带来一个长期问题：AI 是从优秀员工的对话中学到东西的。如果优秀员工以后都开始照着 AI 说话，新鲜的高质量样本从哪里来？
所以，AI 对不同人的正确用法应该不一样：新手可以多模仿，熟手要多判断，高手需要把 AI 当成助手，而不是默认答案。
这对普通人意味着什么
第一，AI 最适合拿来加速入门。 如果你刚进入一个领域，不要只问 AI 最终答案。更好的用法是让它给你看"一个熟手会怎么处理这个具体场景"。你要学的不是那一句话，而是那句话背后的判断顺序。
第二，AI 的价值在中间难度最高。 太简单的事情，你自己就能做；太陌生、太罕见的事情，AI 也容易胡说。最适合用 AI 的，是你大概知道方向，但缺少足够案例和经验的任务。
第三，不要把采纳率当成唯一指标。 照抄只能提高一次任务的速度；看懂为什么这样写，才能改变下一次任务的表现。
第四，组织需要重新定义"高手"的价值。 过去，高手的价值主要体现在他自己做得好。现在，高手还可能成为训练系统的知识来源——如果只奖励处理量，不奖励高质量经验的贡献，最后可能把最珍贵的隐性知识消耗掉。
真正的问题不再只是"AI 会不会替代我"，更准确的问题是：你的工作里，哪些经验可以被 AI 学走并分发给别人？哪些判断必须由你自己保留？以及，当 AI 开始复制平均意义上的好做法时，你还能不能继续创造新的好做法？
原论文：Erik Brynjolfsson, Danielle Li, Lindsey Raymond, "Generative AI at Work", The Quarterly Journal of Economics, 2025.