行业观察

生成式AI要让岗位更好，不只更快：MIT的10个杠杆

东莞注塑车间上了质检辅助模型。不良片识别快了，班长却更忙：假阳性要人工复核，夜班把可疑件直接放行，白班又返工。工具在跑，岗位并没有更好。

MIT Sloan 2026年9月3日的公开简报，把这类现象写进了研究结论：生成式AI会不会让工作更好——而不只是更快——取决于企业怎么部署。这是对工厂买家的管理翻译，不是整篇转载。

公开页说了什么（只摘可核对要点）

Ben Armstrong（MIT工业绩效中心）、Kate Kellogg（MIT Sloan）、Julie Shah（MIT）等人牵头的 Working Group，在2023–2025年间访谈了20多家公司里落地生成式AI的高管、经理与一线使用者，并对照大规模员工态度调查。公开页可核对的主线包括：

• 三类失败：不用（该自动化的没自动化）、误用（上了但结果差）、滥用（能跑但制造新问题）。
• 十条杠杆：前三条是做事习惯——先证据再缩放、承认一人一用法、学会何时信任；后七条是结果取向——减琐事、促进学习、保全协作、更好界面、继续投领域专长、保持问责、创造新工作。
• 研究提醒：心智卸载（只靠AI交差、不留住知识）会伤双方；高潜力领域短期少招初级岗，长期仍需要更多能解释与验证AI产出的领域专家。

原文：MIT Sloan｜10 levers for shaping generative AI that truly improves worker performance。报告名：Humans in the Loop: The Evolution of Work in Early Experiments With Generative AI。

落到珠三角产线：试点、校准、问责

多数工厂不是缺模型，是缺“先证据再缩放”。一个可执行的最小闭环：

1. 从一个业务问题起跑——例如换模准备表核对、来料外观初筛、异常工单分类；写清成功标准：一次通过率、返工小时、总周期，而不是“打开工具的次数”。
2. 允许同一岗位不同用法——白班老师傅少用、夜班新人多用，都记入台账；差异本身是证据，别强行统一成一种点击路径。
3. 信任校准写进SOP——哪些输出可直接过，哪些必须人工复核；黑箱解释不清时，责任在制度设计，不在操作工“悟性”。
4. 问责挂钩变量——AI建议导致的漏检/误杀，计入班组质量与班长浮动；随机抽查类似安检二次筛，让人愿意真学、不愿盲点。

减琐事要听最靠近重复劳动的人。保全协作也要写进设计：别把本来需要工艺与质量对谈的环节，全部改成个人对着屏幕点确认，否则师徒带教与现场信任一起薄掉。

组织力比“上了AI”更早一步

写春秋管理咨询做制造业组织与薪酬绩效一体设计时，常见同一断层：墙上贴着数字化口号，KPI仍只计件数，AI产出无人认领。组织力用在这里，是把试点指标、信任边界与问责口径钉进同一套现场规则，而不是多买一个插件。

公开简报也提醒：只想用AI砍工时的公司，会错过它腾出的时间——那正是重设岗位、补技能的窗口。工人感到公司在投自己的成长，才更可能把工具用成正向力量。

十五分钟自检

上周试点有没有留下“优于旧法”的对照数？假阳性/漏检有没有抽查台账？班长浮动里有没有AI相关质量项？两项空白，就还在“更快”而不是“更好”。

数字与表述以Sloan公开页为准；本文只翻译管理动作，不抄报告全文。