行业观察

生成式AI让知识工作更快，不等于更好：按任务类型看人效

佛山一家零部件厂给工艺员开了生成式AI。写培训摘要、整理异常通报确实快了。可周一晨会上，班长发现：有人用模型“查完”来料公差就直接回复客户，数字对不上图纸。工具省了时间，岗位质量却裂开了。

2026年7月28日挂上 arXiv 的一篇现场实验，把这种裂口写成了可核对结论：生成式AI对知识工作的人效，要拆开效率和质量，还要按任务类型分开看。本文只翻译管理动作，不整篇转载。

公开可核对的要点

Bottesch、Schwenke、Zimmermann、Förster、Klier 等人与一家跨国工业组织合作，做了随机对照的 lab-in-the-field 实验：128名知识岗位员工，完成三类代表性任务——知识获取、知识包装、知识创造——一组可用生成式AI，一组不可用。效率用任务完成时间；质量由专家按任务维度打分。

论文正文可核对的主线包括：

• 效率：三类任务在有生成式AI时都显著更快。知识获取平均缩短约 29%，知识包装约 52%，知识创造约 39%。
• 质量随任务分化：包装任务在保真度、代表性、简洁性、规范性等维度更好；创造任务除“新颖性”不显著外，完整性、相关性、清晰度等多数更好；获取任务的定性与定量信息正确性反而更低。
• 方差与谁更受益：包装与创造任务上，生成式AI往往压低质量方差，低表现者受益更大；获取任务上，部分正确性指标的方差反而变大。

原文：arXiv:2607.25922（PDF：2607.25922）。题目：Faster, Higher, Stronger? The Impact of GenAI on Knowledge Work Productivity - Evidence from the Field。

落到珠三角工厂：别用一把尺子

多数车间不是缺聊天框，是缺“任务地图”。一个可执行的最小闭环：

1. 先给现场知识活贴标签——查图纸答复、编工序卡摘要、写改善提案，分别对应获取、包装、创造；别混成“用了AI就算数字化”。
2. 双轨量人效——时间可以记，正确性、一次通过、客户/下道返工也要记。获取类任务尤其要抽查事实与数字，不能只看提交速度。
3. SOP写清可用边界——包装与创造可先让模型起稿再人工定稿；获取类必须核对源文件，模型输出默认“待核”。
4. 辅导盯低基线——研究显示包装/创造上，水平偏弱的人提升更明显。班组浮动别只奖“用得勤”，要奖“抽查合格、带教留痕”。

组织力用在这里，是把任务类型、质量口径与辅导责任钉进同一套现场规则。写春秋管理咨询做制造业组织与薪酬绩效一体设计时，常见断层是：墙上贴着AI口号，KPI仍只计件数或工时，模型出错无人认领。

十五分钟自检

本周三类知识活有没有分开记账？获取类有没有事实抽查台账？低基线员工的辅导指标是“多用几次工具”，还是“抽查合格率”？两项空白，就还在用速度冒充人效。

数字与表述以 arXiv 论文为准；本文只映射工厂管理动作。