为什么AI能让部分员工效率提升25%（却让另一些人更慢）

核心摘要

你需要了解的是： Harvard与BCG针对758名咨询顾问开展的研究发现，使用AI的参与者多完成了12.2%的任务，速度提升了25.1%，产出质量也更高。但同一项研究也表明，在某些任务上，使用AI的参与者比不使用AI的人准确率低了19%。研究人员将这一现象称为"参差不齐的技术前沿"。获益最大的那批人，已经摸清了这条前沿的边界。大多数人还没有。

核心发现：

• 在AI擅长的任务上，它能带来真实的效率优势：写作、总结、头脑风暴、编程
• 在AI能力边界之外的任务上，AI反而可能拉低你的准确率
• 2026年，善用AI的人与其他人之间的差距正在扩大
• 将AI融入可重复的工作流，比选择哪款工具更重要
• 在关键环节保留自己的判断力，是真正的高效用户与过度依赖者之间的本质区别

---

Harvard商学院与Boston Consulting Group联合开展了一项广受引用的AI职场研究。他们为758名咨询顾问布置了18项贴近实际的工作任务，一部分人使用AI，另一部分人不使用。

结果泾渭分明。

使用AI的组别多完成了12.2%的任务，速度提升了25.1%，产出质量也可量化地更高。对于每周工作40小时的知识工作者来说，25%的速度提升意味着周五的工作量，周四下午就能收尾。

但有一点，大多数人都忽略了。

在超出AI能力范围的任务上，使用AI的顾问给出正确答案的概率，比不使用AI的人低了19%。某些情况下，AI的介入实际上拖累了表现。

研究人员将这一现象称为"参差不齐的技术前沿"。获益最大的那批人知道这条前沿在哪里。大多数人还不知道。

什么是"参差不齐的技术前沿"？

想象一张涵盖知识工作者所有任务的地图：写邮件、市场调研、数据分析、制作演示文稿、调试代码、在模糊问题上做判断……

现在，在这张地图上画一条参差不齐、形状不规则的边界线。边界以内：AI擅长的任务；边界以外：AI力不从心、容易出错甚至会误导你的任务。

这条前沿之所以"参差不齐"，是因为它违反直觉。AI能流畅地起草一封有说服力的邮件，却可能在财务计算上自信满满地给出错误结果。它能在30秒内总结一份50页的报告，却可能错过那个改变全局的关键段落。它能写出像模像样的样板代码，但遇到真正新颖的问题时，逻辑往往会出错。

那些真正从AI中受益的人，是通过实践摸清了这条前沿的边界。他们不再把AI当成万能答题机，而是把它当成一个术业有专攻的专家来使用。

AI用户的三种类型

观察职场人士使用AI的方式两年多后，大多数人可以归入以下三类。

怀疑者几乎不用AI。他们试过一次，结果平平，便回到了原来的工作方式。他们白白放弃了25%的效率提升，而与那些熟练使用AI的同行之间的差距，正在随时间不断拉大。

过度使用者把AI用在了所有事情上——每一封邮件、每一个决策、每一项调研。BCG研究所警示的正是这类人。他们在简单任务上更快，但在真正重要的任务上反而更差。他们在不知不觉中外包了自己的判断力。

精准用户善于取舍。他们通过反复试错，摸索出了属于自己的那条前沿边界。他们清楚AI能在工作流的哪些环节提速，也知道何时该信任AI的初稿，何时不能把最终决策交给AI。

大多数人介于怀疑者和过度使用者之间，真正做到精准使用的人寥寥无几。这恰恰就是优势所在。

精准用户的实际做法有何不同？

他们已经摸清了自己的前沿边界

精准用户脑子里有一张清单，列着AI可靠地能帮上忙的事情。对大多数知识工作者来说，这张清单通常包括：

• 任何内容的初稿：邮件、提案、报告、代码
• 总结长篇文件、会议记录、研究论文
• 在卡壳时快速梳理思路、头脑风暴
• 用通俗语言解释陌生概念
• 重复性的格式整理与数据转换任务

同时，这张清单也会排除以下内容：

• 需要原创判断的全新问题
• 出错后果严重、且不会在审查环节被发现的任务
• 依赖AI所不掌握的背景信息：公司战略、近期事件、细分领域专业知识
• "足够好"还不够好的创意工作

清楚这张清单，会从根本上改变你使用AI的方式。你不会再把棘手的判断题丢给AI，然后期待一个可靠的答案。

他们在提示语中提供背景，而不只是下命令

一个模糊的提示与一个有效的提示之间的差距，几乎始终在于背景信息。大多数人只会写"帮我总结这个"或"给我写一封关于X的邮件"。高效用户则会补充受众、目标、语气和限制条件。

这并不复杂。它就像在给一位有能力但需要了解背景的同事做任务交接，而不是在向一个自己会想办法的搜索引擎发出指令。一个好的交代应涵盖：这是给谁看的、你想达到什么目的、需要什么格式、以及要避免什么。

面向初学者的提示词工程指南详细介绍了影响最大的具体技巧，包括角色扮演提示和少样本示例。

他们建立了可复用的工作流

普通AI用户只在卡壳时才去找AI。精准用户则已将AI嵌入日常流程。他们有一套经过验证的常用提示词，把有效的方式沉淀下来，不必每次从零开始。

比如一位自由内容策划师，可能有客户简报模板、文章调研框架和修改核查清单，每个环节都在特定步骤引入AI。她不只是偶尔使用AI，而是建立了一套系统。

如果你想搭建这样的体系，用AI自动化日常任务指南是一个实用的起点，帮助你识别哪些任务最适合优先自动化。

他们在关键环节保留了自己的判断力

BCG研究中，超出能力边界的任务导致准确率下降19%，原因正是顾问们轻信了本应核实的AI输出。精准用户将AI的产出视为初稿，而非定稿。他们会核查重要的论断，选择修改润色而非直接复制粘贴。

这听起来显而易见，却恰恰是过度使用者频繁踩坑的地方。AI用得越顺手，就越容易停止仔细阅读。BCG研究发现，无论资历深浅，这一现象同样存在——当有经验的专业人士不再质疑AI输出时，他们掉进的是同一个坑。

效率差距正在扩大

2023年，大多数知识工作者还在摸索AI的边界。到2026年，两个群体已经明显分化。

一个群体已养成稳定的AI使用习惯。每周有10到20小时的脑力工作，如今由AI完成初稿。他们响应更快、产出更多，承接的工作范围过去需要一整个团队。

另一个群体则变化不大。也许偶尔用一用AI，也许试过几款工具但没看到价值。他们仍在以大致相同的节奏做着同样的工作。

这种差距直接体现在定价能力和承接范围上。拥有强大AI工作流的独立从业者，正在竞争过去只有机构才能拿下的合同。2026年最适合独立从业者的AI工具这一品类持续增长，正是因为回报切实存在——但前提是真正学会了用好这些工具。

你不必成为AI的重度用户，但在竞争激烈的领域，精准使用AI正日益成为一项基本门槛。

如何找到你自己的前沿边界

你不需要什么框架，也不需要生产力顾问。你只需要五天的诚实观察。

选一个工作周，每天结束时记录两件事：

1. 一项AI为你带来了明显更好、更快结果的任务
2. 一项AI拖慢了你、给出了错误信息、或需要大量修正以至得不偿失的任务

五天后，你就有了10个数据点。这就是你的初始地图。收获告诉你在哪里加大AI的使用，亏损告诉你在哪里及时止损。

每隔几个月重复一次。工具在进步，你的技能也在进步，前沿边界也会随之移动。

如何进入精准用户的行列

几个实际有效的做法：

从你频率最高的任务开始。 你做得最多的事情，正是精准使用AI回报最快的地方。如果是写邮件，就从这里入手；如果是代码审查，就从这里入手。

建立一个提示词库。 当某个提示词给你带来了很好的结果，就把它保存下来。大多数精准用户都有一份文档，收录了10到20条最常用的提示词。这就是持续获得稳定结果的全部秘诀。

养成核实习惯。 任何要发给他人的AI输出，都设置一个审查步骤。不是所有内容都需要核实，但在发送前有一个标准化的检查，可以防止那种逐渐放松警惕、最终导致准确率下滑的"信任蔓延"。

用AI来探索，而不是做决策。 AI擅长生成选项、梳理问题空间，但在最终拍板上不够可靠。用它来发现你可能遗漏的视角，然后由自己来做决定。

常见问题

用哪款AI工具重要吗？

没有大多数人想象的那么重要。BCG研究使用的是GPT-4，但这些习惯适用于任何工具：了解你的前沿边界、在提示词中提供背景信息、在关键环节保留自己的判断。当然，部分工具在特定任务上确实更出色——专为编程设计的助手处理代码审查的方式，与通用对话工具是不同的。

如果我从未真正在工作中用过AI，该怎么开始？

从你花时间最多的任务入手。如果是写作，试试用AI起草初稿；如果是调研，试试用它做摘要。选定一个使用场景，把它用好，再逐步扩展。试图一下子把AI用在所有事情上，是人们沦为过度使用者的最常见方式。

资深专业人士也会陷入准确率陷阱吗？

会。BCG研究发现，准确率下降在各个资历层级都有发生。决定因素不是经验多寡，而是能否识别出某项任务超出了AI的能力边界。那些想当然地认为AI在所有方面都可靠的资深员工，表现反而不如保持质疑态度的初级员工。

成为一个精准用户需要多长时间？

大多数人在持续使用2到4周后就能开始看到规律。你不需要几个月。你需要的是在足够多的不同任务类型中积累经验，从而能识别出AI哪些情况下可靠、哪些情况下不可靠。

结语

Harvard/BCG的研究结论在2026年依然成立：AI能让精准用户的效率显著提升，也可能让过度自信的用户变得更不准确。差距不在于你用的是什么工具，而在于你是否了解AI在你具体工作中的真实优势所在。

每个人的前沿边界都不同。开发者的前沿与写作者或策略师的前沿长得不一样。但每个人都有自己的边界，把它摸清楚，比往工具栈里多加一款工具更有价值。

如果你想在一个地方跨任务测试AI、找到真正适合自己工作流的方式，Zemith 提供多款主流AI模型的统一入口，集聊天、编程辅助与AI智能体于一身。不用在多个平台之间来回切换，更容易找到你自己的前沿边界。