企业曾蜂拥采用AI，如今部分开始收缩

过去几年，企业以“快速引入、广泛试验”的方式拥抱 AI。但据《卫报》这篇分析报道，一些起步迅猛的企业正在踩刹车：在原本鼓励试验的地方实施限制、召回有经验的员工并加大培训力度。这一转向并非个别现象，而是从 Meta、微软到沃尔玛、麦肯锡等不同类型组织共同面对的问题。

最直接的信号来自 Meta。据路透社报道，Meta 在发现员工花越来越多时间清理技术与安全错误后，缩减了裁员并用更多 AI 代理替代员工的计划。与此同时，在 2023 年效率行动中裁减员工（尤其是中层管理者）之后，Meta 正再次扩大其管理者队伍，这一迹象来自员工的 LinkedIn 帖子。

需要说明的是，Meta 缩减计划的具体幅度和是否已正式生效尚不明确；Meta 也未回应置评请求。但“先裁人、再用 AI 代理补位、再重新招回管理者”这一路径本身，已经暴露出快速替代的假设与真实运营之间的落差。

企业收缩使用的一个直接原因，是 AI 产出的错误与低质量工作正在消耗员工时间、抬高隐私与安全风险并推高成本。微软执行副总裁 Ryan Roslansky 公开抱怨日常工作中 AI 垃圾内容泛滥：他收到一份“明显由 AI 生成的文档”，用 AI 总结后却没有得到任何新思考，并警告可能陷入“末日循环”——AI 负责读和写，留下“千篇一律的海洋”。

沃尔玛的情况更贴近一线运营。据 Business Insider 报道，沃尔玛门店与仓库员工受到 AI 工具不合理期望、错误和误报警的困扰，这些工具负责任务分配、排班和绩效监控。员工描述，机器人给拣货员工规划出荒谬路线，反而更难快速完成订单；发出无用的安全警报；设定不现实的排班，迫使员工为赶进度而偷工减料。一名管理者对 Business Insider 表示，这些机器人假定员工“每次都会做到完美”，并称“我们不会用不可能的标准要求人”。

沃尔玛拒绝置评，AI 工具问题的普遍程度与受影响员工规模也未知。但这些描述指向一个共同机制：当 AI 被用于评估和调度人类工作时，它的错误不是被忽略，而是被转化为对员工的不合理压力。

宾夕法尼亚大学沃顿商学院管理学助理教授 Jessica Reif 解释，AI 倾向于产出“看似合理”但弱点或错误不会立即显现的内容，这使错误更可能在流程中传播而非被立即纠正，问题可能滚雪球。这一判断解释了为什么“清理错误”会占用越来越多员工时间——错误不是集中爆发，而是分散地嵌入工作流。

微软的实践印证了这一点。微软首席战略与转型官 Kathleen Hogan 在博客中表示，公司最初把 AI 当作传统技术推广：部署工具、提供培训、推动采用，但“访问和使用并不等于转型”。微软还发现，“把代理加入有缺陷的流程，流程仍然有缺陷”，“加速一个步骤只会在下一步造成更长的排队”。

换言之，AI 本身的速度并不自动转化为组织效率。如果流程本身存在缺陷，AI 只是把瓶颈从一处推到另一处，同时增加了需要人工复核和纠错的环节。

尽管全球企业在过去几年投入了数十亿美元，主要回报仍有待显现。根据亚特兰大联邦储备银行的一份工作论文，90% 的高管表示其公司的 AI 努力尚未转化为生产率提升。这一数字与企业的直观感受一致：工具被广泛部署，但产出端的改善并不明显。

风险也在累积。安永上月发布的一项调查发现，年收入至少 10 亿美元的公司中，36% 的高级 AI 高管报告了一起导致数据丢失、财务损失、品牌损害或运营中断等问题的 AI 事件。这说明 AI 带来的不只是效率问题，还有治理与安全问题。

需要指出，亚特兰大联邦储备银行工作论文、安永调查的具体方法与样本未在来源中说明，来源也未提供 AI 生产率收益的正面量化数据。因此，这些数字应被理解为对当前状况的描述，而非对 AI 长期潜力的最终判断。

面对错误、成本与安全顾虑，企业开始从“鼓励试验”转向“实施限制”。据路透社报道，从微软到麦肯锡等公司正在限制员工使用 AI，而 Palantir、博思艾伦和英伟达等公司则因担心组织数据在 AI 公司处的安全性而限制员工使用。来源未说明各公司限制的具体政策内容与执行范围，微软与沃尔玛拒绝置评，Meta、Palantir、英伟达、博思艾伦未回应置评请求。

与此同时，培训缺口十分明显。根据 Indeed 七月发布的一项调查，超过一半员工表示“没有得到所需的 AI 培训”，而多数管理者表示自己在 AI 方面被员工超越，仅 45% 的管理者觉得自己“有能力有效领导 AI 原住民”。

美国人力资源管理协会总裁兼 CEO Johnny C Taylor Jr 表示，高管们感觉“我们一边开卡车一边造卡车，这就是问题所在”，并称若能重来会以更审慎、更缓慢的方式引入 AI。企业正在从面向大批员工的一次性网络研讨会，转向“持续的、针对具体角色的培训”。微软发现，聚焦员工培训——尤其是让早期职业工程师与更有经验的员工配对——提升了生产率。

AI 的风险不仅停留在内部流程。Stubbs Alderton & Markiles LLP 律师 Neil Elan 表示，他观察到企业客户认为 AI 被使用的方式与实际使用方式之间存在“越来越大的差距”，由此引发保密、知识产权、效率和员工行为方面的问题。

3M 案是一个具体案例。在 3M 因 2020 年休斯敦工厂瓦斯爆炸案受审前夜，律师 Will Moye 发现对方独立专家证人 Josh Autenrieth 的报告有 AI 迹象：格式和字体异常，时间戳显示 14500 页在数小时内组装完成。聊天记录显示，Autenrieth 曾向 ChatGPT 上传气体探测器照片并提问“我在看什么？”，而他就这份主张 3M 无责任的报告向 3M 开出 90000 美元账单。

陪审团最终认定 3M 未妥善检查气体检测系统，并判其向 24 名房主赔偿 6150 万美元。Moye 称，判决后陪审团对该公司会依赖这样一份报告“表达了深切的不相信”。需要说明的是，来源无法确定 AI 生成报告对判决结果的实际影响程度，但该案至少表明：当 AI 生成内容进入法律、合规等高风险场景，其“看似合理”的表象可能带来严重后果。

把上述事实放在一起，可以看到一条清晰的逻辑链：企业快速引入 AI 工具，期望直接获得生产率提升；但 AI 产出“看似合理”的内容，错误不易立即发现，反而在流程中传播并消耗员工时间；当 AI 被用于排班、绩效监控等与人相关的场景，错误又转化为不合理压力；同时，数据安全与合规风险上升，导致企业限制使用、召回有经验员工并加大培训。

这一转向是短期调整还是长期趋势，来源未给出判断。企业收缩 AI 使用的规模、时间表或量化影响也未披露。但可以确定的是，微软的自我总结具有代表性：“访问和使用并不等于转型。”AI 的价值不取决于部署了多少工具，而取决于它被嵌入的流程是否健全、员工是否得到足够培训、治理是否跟得上。

对于正在或计划引入 AI 的企业，这些事实指向一个更审慎的路径：先修复流程，再加速；先培训人，再部署代理；先明确数据与合规边界，再扩大使用范围。否则，AI 带来的可能不是生产率，而是更多需要清理的错误。