AI前沿动态：揭秘“机器佣工式劳动”，效率光环下的隐形代价

当Glean与Work AI研究所联合发布的报告披露，87%的数字从业者已引入AI辅助工作，每周节省约11小时，却仅13%认为所在企业因此绩效有所改善时，一个违背常理的事实逐渐显现：被节省下来的时间，正在被一种新型隐性劳动——“机器佣工式劳动”——悄无声息地吞噬。

AI虽让员工每周腾出6.4小时空闲，却仅有13%的企业真正从中受益，隐性劳动正逐步侵蚀效率红利。

•87%的数字从业者已在工作中应用AI，其中75%表示效率得到提升。

•员工每周平均节省11小时，但其中6.4小时被“空转”消耗。

•73%的“机器佣工”高频用户更倾向于主动寻找新工作机会。

•同时使用多个AI工具的员工沦为“佣工”的概率高出35%。

•当AI出现失误时，40%的员工倾向于归咎于工具本身，而非自身操作。

•高绩效AI使用者将AI当作导师的可能性，是低绩效者的两倍。

该报告基于去年12月至今年1月针对6000名员工的调研数据，揭示了AI在企业内部的真实应用现状。数据显示，87%的数字从业者已采用AI，其中75%感到效率提升，但仅13%的员工表示公司因AI实现了显著绩效增长。报告的核心结论在于，个人效率与组织收益之间存在巨大落差，根源是一种新型隐性劳动——“AI佣工式劳动”——正在蚕食节省下来的时间。

报告将AI使用时间划分为三类：学习与搭建智能体（27%）、主动借助AI开展工作（36%）、以及“值守”（37%）。值守进一步细分为生产性与非生产性两类。非生产性值守涵盖在多工具间反复输入、比对输出、清理AI生成内容等行为，每周平均耗费6.4小时。其中，2.3小时用于为AI补充上下文信息，2.2小时用于监控输出结果，1.7小时用于调试纠错。报告还提出“疲劳乘数”概念：员工每多投入10%时间为AI补充背景，疲劳感产生的几率便增加25%。

这表明，AI带来的效率提升正被隐性劳动所对冲，若企业无法破解这一困局，AI投资的回报将难以兑现。

报告指出，频繁从事“机器佣工”工作的员工中，73%更可能正在积极寻觅下一份工作。这类用户的AI使用时间有40%以上用于佣工式劳动。成因包括工作量过载与工具过度堆叠——同时使用多个AI工具的员工，充当佣工的概率高出35%。60%的员工会在多个工具上重复输入相同提示，原因往往是首个工具的输出未达预期，报告将此现象命名为“AI切换税”。

更为隐蔽的代价是“批处理”——员工开始将大量认知负荷转嫁给AI，逐步放弃对输出内容的核查与验证。报告显示，40%的员工在AI出错时将责任推给工具，仅29%承认自身失误。重度AI用户将错误归咎于工具的可能性是轻度用户的3.4倍。报告描绘了一个恶性循环：部署AI后，员工被迫承担让AI顺利运行的劳动，引发疲劳，进而催生甩锅行为，最终劣质输出向上传导，导致更多返工。

这揭示了AI普及背后的人力代价，企业必须警觉员工职业倦怠与责任推诿带来的系统性隐患。

报告发现，工具越智能化，用户反而越粗心。在ChatGPT、Claude与Copilot中，生产力提升最为显著的是ChatGPT（67%）与Claude（59%），但这两个工具的用户也最易“偷懒”。71%的ChatGPT用户与92%的Claude用户至少每月出现一次“偷懒”行为，即直接采纳首个看似合理的答案，而非坚持使用可解释、可追溯的版本。

研究还表明，当AI从效率型工具转向机遇型工具——即创造过往无法实现的新事物时，全新的失误类别随之诞生：用户无法验证或审视输出结果。德克萨斯大学奥斯汀分校的K KPMG团队分析了近140万次真实职场AI交互，发现最高效的使用者并非精通提示词技巧，而是将AI定位为推理伙伴，以框架化思维处理问题。

这意味着，AI的普及不仅带来效率提升，也催生了新的认知挑战，用户需要重新掌握与AI协作的方法论。

报告所定义的“机器佣工式劳动”，特指为使AI正常运行而必须开展的隐性工作：补全缺失的背景信息、核查输出结果、修正错误、反复调整提示词、以及清理AI自信却错误的产物。这类劳动每周平均消耗6.4小时，几乎吞噬了AI节省11小时中的一半以上。报告将其归为两类：生产性值守（如核查高风险输出、优化提示词）与非生产性值守（如重复输入、多工具对比）。其中，非生产性值守是主要消耗源