在 2021 至 2025 年间约一万场财报电话会议中，谈及 AI 的高管口径一致地乐观——而这种乐观完全无法解释各家公司生产率的差异。真正与生产率同向变动的，是没人会放进董事会幻灯片的那个变量：员工对 AI 的情绪，来自同期同一批公司的数百万条 Glassdoor 评价 (Ding, Ma, Wu & Yang, SSRN, 2026)。
一个信号响亮、免费，且毫无价值。另一个安静、在多数中型企业里根本没被测量，却是唯一被证明与产出有关的信号。
如果你用批准预算那批人的信心来预测 AI 回报，你读的是错误的仪表。
匹兹堡面板究竟测了什么
这篇研究——《Tracking Artificial Intelligence Sentiment in the U.S. Labor Market》，由匹兹堡大学 Katz 商学院与 Michigan State 的研究者撰写的 116 页工作论文——用四类数据源构建了 2021–2025 年的公司层面面板：数百万条 Glassdoor 员工评价、约一万份财报电话会议记录、LinkedIn 个人职业档案，以及公司层面的招聘岗位 (Ding, Ma, Wu & Yang, SSRN, 2026)。
三项结果对运营负责人有实际意义。
第一，员工对 AI 的负面程度，明显高于他们对雇主整体的负面程度。这个落差专属于 AI。同一位评价者会给公司较高评分，却给 AI 项目更低的分数——所以这不是泛化的不满溢出到了 AI 这道题上。
第二，员工对 AI 的情绪与公司生产率呈现很强的正相关。情绪越高，产出越高。
第三，也是对正在决定该测量什么的运营负责人最有用的一点：管理层对 AI 的情绪无法解释生产率。无论后来业绩好还是不好的公司，管理层口径都一致乐观——正是这一点让它作为信号毫无用处。没有方差的变量，预测不了任何东西。
为什么高管的乐观提供不出方差
这不是说高管在撒谎，而是在说财报电话会议的语言是干什么用的。
财报电话会议是一场带着法务团队的定位演练。说出"我们的 AI 投资还没有回报"的 CEO，会为这句话立刻付出市场代价。结果就是一个几乎人人都显得自信的语料库，而这恰好抹掉了区分"运转中的项目"与"停滞的项目"所需的差异。
调查数据从另一个角度显示了同样的压缩。BambooHR 的《State of the Workforce 2026》覆盖六大行业 1200 多名员工与企业领导者，发现 81% 的领导者报告 AI 带来了生产率提升，同时 49% 的受访者表示 AI 并未带来实质价值、被过度炒作 (BambooHR, 2026)。这两个数字描述的是同一批公司。领导层并不是看到了不同的现实——他们报告了不同的现实。
高层读数偏高有结构性原因，而不是虚荣。领导者看到的是试点演示、供应商基准和汇总仪表盘。员工看到的是返工、验证环节，以及那个从未围绕工具重新设计过的流程。双方看的都是 AI 项目，但只有一方在看生产率本应产生的那个环节。
如果你的 AI 商业论证建立在领导团队有多自信之上，它就建立在整个数据集中唯一没有解释力的变量之上。
工作安全感是首要驱动因素，而把裁员归因于 AI 是放大器
论文对压低员工 AI 情绪的因素做了排序。对工作安全的担忧是最强的负向驱动因素，排在培训不足、再培训通道单薄、AI 领导力薄弱，以及单纯怀疑工具是否管用之前 (Ding, Ma, Wu & Yang, SSRN, 2026)。
接下来是运营后果最直接的一项发现：归因于 AI 的裁员公告，会显著压低宣布公司内部员工对 AI 的情绪——抵消掉这些裁减本应锁定的采纳收益。而市场对这类公告的反应，在超过一半的事件中为负或近似为零。
把它读成一次定价错误。当一家公司把减员表述为"AI 让这些岗位不再必要"，它选择了一个自认为免费的叙事。它并不免费。它买来的是与生产率相关的情绪变量的可测量下滑，换来的市场反应有一半以上根本不会出现。
Forrester 关于这个决定另一面的数据并不好看。55% 的雇主表示后悔因 AI 而裁员，约一半归因于 AI 的裁员预计将在 2026 年被悄悄逆转——以离岸招聘或明显更低的薪资重新雇人 (HR Executive 报道 Forrester Predictions 2026)。因此对相当一部分公司而言，顺序是：裁员、把裁员归因于 AI、承受情绪下滑、得不到市场认可，然后再招回来。
宏观图景显示，这些裁减中的大部分本来就不被总量层面的用工算术所支持。美联储 CFO 调查面板——603 份回复，加上 145 份补充回复，采集于 2025 年 11 月至 2026 年 1 月——发现 2025 年 AI 对就业的影响可以忽略不计，2026 年的预期总量影响也接近于零。变化发生在结构上：2026 年常规文书类工作占比预计下降 0.76%，到 2028 年下降 2.19%，部分被技术型岗位的增长所抵消 (NBER Working Paper 34984, 2026)。
结构变化不需要公告，它需要的是招聘计划。
没人定价的留任发现
面板中还有一项结果值得在你的人力模型里单列一行：拥有更多 AI 技能员工的公司，离职率更高、招聘率更低、就业增长更慢。作者检验了最明显的混淆因素——疫情后过度招聘、如今在修正的公司——排除它们后结论依然成立，因此这主要不是"AI 洗白"的假象 (Ding, Ma, Wu & Yang, SSRN, 2026)。
与之并列的还有：AI 技能工作者的薪资溢价上升、向上流动更快。
把这两点放在一起，中型企业的风险敞口就很具体了。你在 2025 年培养到 AI 熟练度的那些人，在一个现在愿意付更多钱的市场里变得更容易流动，而他们所在的公司招聘却更慢。你的 AI 赋能计划附带一张留任账单，而它恰好在最难替补的资历层级到期。
值得认真对待的反方论点
这是一份工作论文，不是同行评审出版物，核心关系属于观察性研究。没有人对员工情绪做随机分配。情绪与生产率之间的关联，既可能来自反向因果——高生产率的公司是宜人的工作场所，人们会写更好的评价——也可能来自被遗漏的第三个因素：优秀的管理，它同时产生两者。
这个反对意见是对的，但它不改变你该做什么。
没人要求你相信"改善情绪会带来生产率"。你被要求注意的是：一个可测量的变量与公司业绩同向变动，另一个则没有。先行指标不需要具备因果性才有用；它需要有信息量，并且能够提前拿到。员工对 AI 的情绪两者兼具。就现有证据看，高管对 AI 的情绪两者都不具备。
站得住脚的立场不是"我们必须修复士气才能拿到 AI 回报"，而是"我们目前用一个毫无已证预测力的信号来预测回报，而替代信号的采集成本几乎为零"。
该测量什么：把员工 AI 情绪作为你的先行指标
把 AI 情绪与敬业度分开测量
你现有的敬业度调查不会呈现这个信号。匹兹堡研究的要点正是：AI 情绪低于对公司的整体情绪——把两者混在一起就会掩盖落差。在你已有的问卷里加三到四个 AI 专项题：工具是否让你的工作变得更好、你是否得到了使用它的培训、你是否理解它对你岗位意味着什么。把 AI 情绪与整体情绪之间的差值，当作一个独立指标来跟踪。
按职能和司龄拆分，读离散度
全公司平均值会看起来还不错，同时什么也不告诉你。信号在于哪些团队已经转负——考虑到那项离职率发现，还在于转负的是不是你最擅长用 AI 的人。这两个切面就是报告本身。
审计今年的重组是如何归因的
回看过去十二个月的每一次减员，核对当时告诉员工的原因是什么。如果在 AI 并非真实动因的地方把它说成原因，你就为一个什么都没买到的叙事付了情绪成本。今后修正措辞：归因于业务原因，而不是技术。
按重要性排序修复驱动因素，而不是按好拿预算的顺序
工作安全感排在培训之前。多数赋能预算把顺序颠倒了——重金投在工具和提示词工作坊上，却对"流程改变后岗位会怎样"闭口不谈。就某个具体岗位，清楚具体地说明 AI 意味着什么、不意味着什么，成本为零，且直击排名第一的驱动因素。培训解决的是第二位。按这个顺序采购。
然后扩大使用场景，而不是席位数
Gallup 2026 年第二季度数据显示，报告生产率有正向影响的员工比例，从只有一到两个 AI 使用场景的 45%，升至有七个及以上场景的 90% (Gallup, 2026)。当工具真的有帮助时，情绪就会改善。推动它的是实际应用的广度，而不是发出去的许可证数量。
摆在你桌上的决定
你已经有员工调查。你也已经有季度业务回顾，会上有人拿着由供应商基准和领导层信心拼成的 AI 进展幻灯片。要改变的不是新增一条预算，而是你把这两件东西中的哪一件当作证据。
在下一次 AI 投资评审之前，把一个数字放到会议室中央：按职能和司龄拆分的员工 AI 情绪，并标出它与整体情绪的差值。如果它比在座任何人预期的都低，那不是该转给人力资源的士气问题。那是你的生产率预测，而且来得足够早，还来得及行动。
