NBER调查了近6000名企业高管，69%已经在用AI，但超过90%表示AI没有改变就业，89%说劳动生产率没变化。AI用了很多，企业经营结果没跟着出现。中间到底断了哪里？
模型能力到经营结果，差四步
一篇流传甚广的分析把这条路径拆成了四次转化：模型能力→可靠任务结果→端到端流程吞吐→稳定组织采用→经营结果（数据来源：Obsidian笔记《企业AI落地，真正难的是跨过四次价值转化》，2026年8月9日）。
模型只负责提供新的可能性。四个箭头，才是企业真正要完成的工作。很多AI项目的断点都在箭头中间：模型能写，结果却不能直接交付；一个任务变快，上下游流程没一起变化；流程做出来，员工不愿意用；大家确实在用，省出来的产能却没进入客户价值和财务结果。
NBER的调查不是财务审计，是管理者自报。但高使用率和低组织影响同时出现，已经暴露出一个问题：AI的采用与企业生产率之间，没有一条自动生效的传送带（数据来源：NBER《Firm Data on AI》，2026年2月，Figure 5与Figure 10）。
图注：模型能力到经营结果之间需要跨越的四次价值转化——任务、流程、组织与经营
图注：局部工时节省必须穿过流程、采用和业务约束，才能进入经营结果
第一步就绊倒：锯齿状边界与流程瓶颈
模型在看似相近的两个任务上，表现可能完全不同。发表于《Organization Science》的实验研究了758名咨询顾问使用GPT-4的表现。在AI能力边界内的18项任务中，使用AI的顾问多完成12.2%的任务，速度提高25.1%。但在一项超出AI能力边界的复杂管理任务上，使用AI的参与者答对概率反而低了19个百分点（数据来源：Dell'Acqua等，《Navigating the Jagged Technological Frontier》，Organization Science，Figure 7）。
研究者称之为"锯齿状技术边界"。企业不能只问"AI会不会写方案"这种大问题。能进入生产环境的问题必须具体到：哪一类输入、哪一种判断、什么质量标准、什么例外条件。
一个人原来花两小时写材料，现在二十分钟完成，不代表客户能提前一小时四十分钟收到结果。材料还要等业务数据、主管审批、法务审核和系统录入。前面省下来的时间只会变成新的等待。
一项覆盖66家企业、7137名知识工作者的随机实验，把生成式AI嵌入员工原本就在用的邮件、会议和写作工具。获得Copilot使用权的员工，每周处理邮件时间平均减少约1.3小时。但研究没有发现员工任务的数量和构成出现明显变化（数据来源：NBER《Shifting Work Patterns with Generative AI》，Figure 2）。
个人确实省下了时间，组织却没有自动重写工作。经济学家把企业看成由相互依赖的任务组成的系统。AI改变其中一个任务时，其他任务、接口和协调方式也要跟着调整。局部采用容易，系统级变化很难。
员工为什么不愿意交出知识
如果企业一开始就把AI的价值定义成替代多少人，员工会怎样理解自己的处境？
一项对韩国402名员工的研究显示，AI带来的工作不安全感与知识隐藏显著相关，心理安全感下降是中介路径（数据来源：Kim与Kim，Journal of Innovation & Knowledge，Table 4）。员工越被要求交出真实经验帮AI覆盖更多例外，自己的岗位价值看起来越低。隐藏知识、拖延配合、限制权限，成了一种理性防御。
OECD在七个国家调查了5334名员工和2053家企业。存在员工协商的公司里，AI使用者更可能认为AI改善了自己的工作表现，金融业和制造业的差距分别是18和19个百分点（数据来源：OECD 2022年员工与企业调查，2023年发布）。但协商最容易绕开真正困难的问题：73%和80%的企业讨论技能培训，只有33%和31%讨论潜在岗位流失。
Klarna的反转与第四次转化
Klarna的经历是第四次转化的典型。2024年，公司自报AI客服首月处理了约三分之二的客服对话，工作量相当于700名全职客服。到2025年，CEO公开承认成本削减走得太远，计划重新招聘客服确保客户可以选择真人服务（数据来源：Klarna 2024年公司公告经PR Newswire发布；2025年Bloomberg报道）。
700人是工作量等值，不是实际裁掉700人。这两段事实不矛盾：AI在标准客服任务上提高了吞吐量，同时在复杂问题、关系修复和责任承担上需要人。
McKinsey 2025年全球调查发现，在25项组织属性中，重新设计工作流与生成式AI的EBIT影响关系最强。但只有21%使用生成式AI的组织表示已经从根本上重构了至少一部分工作流（数据来源：McKinsey《The state of AI》，2025年）。
源势AI观点：FDE就是干这个的
图注：从AI大脑到企业经营报表的转化链条，中间四个关卡代表四次价值转化
四次转化之间没人负责的接口，就是FDE（前沿部署工程师）的位置。FDE不是照着需求单交付代码的驻场，而是进入现场、理解真实问题、重构流程、划清AI和人工的边界。
源势AI的FDE团队在能源和金融行业做的事很具体：先识别哪些任务AI能做、做不了，再调整上下游流程，最后陪客户跑到员工能用、能用好的状态。AI研判准确率98.7%、人力节省70%，这个数字不是模型一接上就有的，是四次转化全部跑通才拿到的结果。
模型变化太快。今天先进的模型过一段时间会被替代。如果一家企业的AI能力完全绑定在某个模型或某个高手身上，它很脆弱。真正的AI Native，是外部团队离场、关键人休假、底层模型更换以后，系统还能继续运行和进化。
