Deloitte 英国 AI 支出调查揭示 9.58 亿英镑的职场鸿沟

Deloitte 表示，英国员工如今每年估计花费 9.58 亿英镑购买用于工作的生成式 AI 工具。Deloitte 英国 AI 支出调查显示，员工采用这项技术的速度，已超过许多雇主能够治理、资助甚至察觉的速度。

这个 headline 数字颇为惊人，但更重要的是其背后的冲突。员工日益将 AI 视为必不可少的个人软件，而雇主仍将其视作需要管控的企业系统。正式的采购和安全流程尚未跟上之前，员工已在自行购买访问权限、挑选工具并构建工作流。

这种分歧在英国职场内部催生了庞大的影子 AI 经济。影子 AI 指在雇主不知情或未经其批准的情况下使用生成式 AI 服务。它延续了此前未经授权使用云软件的趋势，但提示词可能泄露敏感数据，生成的回答也可能引入隐蔽错误。

Deloitte 的发现并不能证明所有这些支出都能产生同等价值。受访用户中有一半表示没有节省时间，且最常见的用途仍然较为基础。因此，真正的故事并非对 AI 毫无限制的热情，而是技术决策、成本和风险正从雇主转移到个人员工身上。

Deloitte 的英国 AI 支出调查揭示规模

无论组织是否正式支持，员工已经让生成式 AI 成为职场的一部分。

Deloitte 于 2026 年 9 月 16 日发布首届 GenAI Workforce Survey 的调查结果。Ipsos UK 于 5 月 7 日至 6 月 10 日开展在线调研，收集了 25,000 名 18 至 70 岁劳动者的回复。

样本涵盖 22 个行业和 24 类职位的雇员及自雇人士。Deloitte 通过人口统计和就业情况加权，使其反映更广泛的线下人口。该公司称，这是迄今为止针对职场生成式 AI 使用情况开展的最大规模单国调查。

根据这项员工调查，63% 的受访者表示曾有意识地将生成式 AI 用于工作。这部分人在完整样本中共有 16,749 人。另有 34% 表示未在工作中使用，3% 则不清楚。

采用并不局限于偶尔的尝试。Deloitte 表示，24% 的英国劳动者每天都在工作中使用生成式 AI。不过，另一份调查页面给出的每日使用比例为 12%，这似乎反映了一个范围更窄的回答类别。这个差异说明，频率估算需要谨慎解读。

工具获取也来自多个渠道。在生成式 AI 用户中，46% 使用免费服务，34% 使用由雇主资助的外部工具，17% 使用内部系统。受访者可使用不止一种类别，因此这些数字不应相加。

最重要的是，17% 的人至少为一款用于工作的工具自行付费。Deloitte 将这项支出外推至整个英国劳动力市场后，估计每年达 9.58 亿英镑。该估算反映出一个常规企业软件预算可能忽视的市场。

Deloitte 的影子 AI 调查还提供了另一项重要细节。自费用户中有 6% 表示每月支出超过 50 英镑，通常用于多款工具。这表明，一些员工正在搭建个人 AI 工具栈，而非依赖单一的通用助手。

这些工具栈可能包括分别用于写作、研究、编程、会议摘要、图像生成或文档分析的服务。员工或许将每项订阅视为实用的捷径；雇主看到的则是一组安全条款和数据控制各不相同、彼此分散的账户。

因此，Deloitte 英国 AI 支出调查衡量的不只是对聊天机器人的需求。它揭示了员工能够多快地在工作周围建立一层非官方软件。这一层由个人账户资助，且往往处于企业视野之外。

员工正在为雇主尚未提供的工具买单

由于员工将 AI 访问权限视为工作所需，而非职场福利，这一支出缺口正给雇主带来压力。

一些员工似乎愿意付费，是因为他们偏好的服务表现优于获批准的替代方案。在使用未经批准工具或个人付费的受访者中，21% 表示这些产品优于公司工具。另有 14% 称这些服务对工作至关重要，但雇主并未提供资金支持。

职业发展激励也影响着这一决定。Deloitte 发现，该群体中有 16% 认为自己挑选的 AI 工具提升了晋升前景。购买软件成了一种对个人表现的非正式投资，即使由此产生的工作成果会让组织受益。

这形成了一种不同寻常的经济安排。雇主获得了由员工自行选择并资助的服务生成的草稿、摘要、研究或代码。组织从中获得部分产出，同时承担其可能尚未评估的风险。

员工仍可能认为这种安排值得。若某个工具能减少重复工作，或帮助人们完成困难任务，那么等待数月采购审批会显得代价高昂。消费级 AI 服务几分钟内即可开通，而企业评估则需要经过安全、法务、财务和信息技术审查。

英国职场 AI 支出模式也反映出获批访问与偏好访问之间的差异。提供一款内部助手，并不保证员工会停止使用外部服务。员工会比较输出质量、速度、模型可用性、集成能力及熟悉程度。

金融服务业就体现了这一问题。Deloitte 发现，金融、银行和保险业的生成式 AI 用户中，28% 使用内部工具，高于整体的 17%。由公司资助的外部工具使用率也达到 41%，高于全行业的 34%。

然而，该行业中仍有 19% 的生成式 AI 用户为自己的工具付费。尽管获批选项更多，这一比例仍高于跨行业水平。更多企业软件并未自动消除个人订阅。

这一发现挑战了企业部署背后的一个常见假设。雇主往往预期，获批准的助手能够整合使用行为。员工却似乎愿意维持多个独立服务，只要这些产品更契合特定工作流。

这并不意味着每一款偏好的工具都客观上更出色。用户可能偏爱自己熟悉的界面，或限制更少的服务。获批系统之所以显得较弱，恰恰可能是因为它阻止了消费级账户所允许的敏感操作。

雇主如今面临被迫作出的选择：报销选定服务、改进内部替代方案，或更积极地限制外部使用。每种应对都有成本，而简单的禁令可能会让使用行为更深地转入地下。

Deloitte 英国 AI 支出调查将这一选择置于财务维度中。近 10 亿英镑的个人支出表明员工需求强烈，但并未指出哪些工具值得企业采用。企业仍需获得有关使用情况、风险和可衡量回报的证据。

核心冲突是员工需求与雇主控制之间的矛盾

员工希望立即使用有用的模型，而雇主需要针对数据、准确性、问责和软件支出制定一致规则。

Deloitte 发现，31% 的生成式 AI 用户在雇主不知情的情况下使用工具。其影子 AI 分析描述了正式政策与员工实际行为之间的差距。

这并不只是鲁莽员工造成的合规失败。调查同样指出，领导力和培训尚不完善。员工正在一个官方指导可能不清晰、不可用或与实际工作脱节的环境中作出决定。

只有 28% 的用户表示，其组织拥有清晰、及时、易于理解且容易查找的生成式 AI 政策。另有 34% 表示雇主没有任何政策，23% 则不知道政策是否存在。

员工找不到的政策几乎没有实际价值。它无法回答员工是否可以上传会议记录、客户往来邮件、源代码或机密提案。面对截止期限，员工会自行作出判断。

一半生成式 AI 用户没有接受过正式培训。只有 20% 表示接受过强制性指导。这些数字意味着，数百万劳动者正通过实验、在线建议以及 AI 公司提供的界面学习。

培训缺口之所以重要，是因为对话式界面会掩盖技术复杂性。聊天机器人看起来类似搜索或消息软件，但输入数据可能会在不同服务和账户类型所适用的不同条款下被存储、审查或处理。

生成的内容同样需要评估。流畅的回答可能包含错误陈述、不完整推理、虚构引用或不恰当措辞。员工需要领域知识和验证习惯，而不仅仅是提示技巧。

当个人账户成为专业工作流的一部分时，风险会进一步增加。组织可能不知道哪种模型生成了一份文档、哪些信息进入了系统，或是否有其他人审核过输出。这削弱了可审计性。

采购也面临问题。分散的个人账户使雇主无法了解总需求，或依据真实使用情况协商访问权限。同时，企业许可证可能被闲置，因为组织在不了解员工偏好的情况下选定了产品。

Deloitte 表示，在雇主监管之外使用工具的用户中，有 22% 认为，只要组织知情便会批准。这部分人可能并不认为自己违反了有意义的规则，而是将沉默视为默许。

雇主对同样的行为可能有不同解读，尤其是在受监管或涉及机密的工作中。即便是无害的试验，只要没有人记录所用服务、提供的信息或后续审核，也可能造成不确定性。

因此，Deloitte 的影子 AI 调查揭示了由激励不匹配造成的治理问题。工具节省精力时，员工立即获益；雇主则承担更长期的法律、安全、声誉和质量风险。

仅靠严格控制无法解决这种不匹配。在受管设备上屏蔽网站，无法覆盖个人手机、家用电脑或复制的文本。监控还可能在不揭示员工为何拒绝官方工具的情况下削弱信任。

组织需要为获批的试验提供可行路径，包括清晰边界、易用的替代方案，以及申请额外服务的方式。领导者还需要说明，哪些数据绝不可输入外部模型。

知识工作者可以通过将可信的工作资料保留在受控的个人知识库中，减少不必要的复制。不过，该系统仍需要与其内容敏感度相匹配的政策。

因此，核心竞争并非某一家 AI 供应商与另一家之间的较量，而是员工主导的采用与雇主主导的控制之间的对抗。胜者将决定谁来选择职场 AI，以及当它失效时谁仍须承担责任。

高支出尚不意味着高生产力

9.58 亿英镑的估算显示了付费意愿，但 Deloitte 的证据反映的是广泛而浅层的使用，而非已经稳定形成的生产力转变。

据 Deloitte 公布的调查结果，员工报告称，生成式 AI 平均每周可节省 70 分钟，其中大部分节省下来的时间被用于为同一雇主完成更多工作。

平均值可能掩盖截然不同的实际体验。Deloitte 更详细的生产力结果显示，半数用户没有节省任何时间。约八分之一的受访者称，每周节省的时间超过三小时。

在全体劳动力中，7% 的人表示 AI 每周至少为他们节省五小时。这一比例在信息与通信行业升至 21%，但在医疗保健和社会工作行业降至 5%。行业背景显然会影响员工所感知到的价值。

该调查依赖员工的回忆，而非对生产力的直接测量。Deloitte 自己也指出，大多数人无法准确记住节省了多少时间。这些估算反映的是主观感受到的收益，而非产出增加或工作质量提升的受控证据。

常见用例也较为基础。43% 的用户会用生成式 AI 搜索信息，另有 43% 的用户会用它起草电子邮件。生成摘要以 31% 位居第三。

这些任务可能很重要，尤其是在大规模劳动力中重复出现时。然而，更快地生成邮件，也可能只是增加同事需要阅读的文字量。发件人节省的一分钟，可能会给收件人带来额外工作。

Deloitte 发现，31% 的全体受访者曾在工作中使用生成式 AI，却没有节省任何时间。其生产力分析还称，52% 的用户认为，失去访问权限不会让他们的工作变得更困难。另有 11% 的人认为工作甚至可能更容易。

只有 8% 的人表示，生成式 AI 对他们足够重要，以至于失去它会让工作困难得多。这是一个不小的群体，但远小于曾尝试过该技术的 63%。

这些发现令 Deloitte 的英国 AI 支出调查变得更为复杂。在劳动力尚未展现出持续生产力提升之前，员工已经在为工具付费。支出所揭示的，既是人们感知到的选择价值，也是已被证明的商业价值。

订阅服务让员工能够持续使用新模型和新功能。即使日常收益有限，它也可以在棘手任务中充当保险。有人可能保留某项服务，只因为它曾出色地处理过一项紧急任务。

这种价值也可能是心理层面的。当空白文档或陌生问题阻碍进展时，生成式 AI 能提供一个起点。员工可能会感觉自己更有能力，却未必产出传统绩效指标能够轻易单独识别的结果。

即使节省了时间，雇主也无法获得全部收益。Deloitte 发现，27% 节省了时间的人至少将部分收益用于个人事务。约半数人将节省下来的时间用于完成更多同类工作。

这不一定意味着浪费。短暂休息可以减轻疲劳，更快完成任务也可能提升工作满意度。但这使得仅根据工时来计算财务回报变得更困难。

因此，雇主不应把采用人数当作生产力指标。账户数量、提示词数量或活跃用户数，几乎无法说明工作是否得到了改善。可靠的评估应考察产出质量、周期时间、错误率和员工体验。

Deloitte 的发现提供了一个有用的基线，而非最终结论。其计划中的六个月调查周期应能揭示，试验性使用是否会演变为依赖。它也可以显示，培训是否能让用户超越邮件、搜索和摘要等基础用途。

在此之前，不应将 9.58 亿英镑的估算表述为同等规模经济收益的证据。它衡量的是根据自我报告行为推算出的支出，而不是利润、产出或投资回报。

当员工担心管理者的反应时，保密行为会增加

影子 AI 部分是安全问题，但 Deloitte 的数据也表明，它同样是一个职场信任问题。

近四分之一的员工，即 23%，认为在工作中使用生成式 AI 带有污名。在每周使用者中，64% 担心管理者会认定 AI 可以胜任他们的工作。

这种担忧让员工有理由隐藏有效的工作流程。每周节省数小时的员工，可能会预期得到更多任务、被调整岗位，或面临有关人员配置的质疑。分享这种收益可能会让人感觉存在个人风险。

保密行为随之阻碍组织了解哪些工作流程真正创造价值。管理者既看不到成功的试验，也看不到它的局限。安全团队同样失去了在做法扩散前评估数据处理方式的机会。

Deloitte UK 首席 AI 官 Hayley McKelvey 表示，感到被污名化的员工更可能隐瞒自己的使用情况。她的观点将文化信号与风险管理联系起来。当披露看起来具有威胁性时，不能期待员工主动公开试验。

领导层沟通依然薄弱。根据 Deloitte 的培训研究，65% 的用户没有听到领导层以清晰理解的方式讨论生成式 AI。

这一群体既包括听到前后矛盾信息的人，也包括完全没有听到相关信息的人。无论哪种情况，员工都难以区分哪些使用方式受到鼓励，哪些不可接受。

结果是一个相互矛盾的职场。领导者可能公开要求采用 AI，而管理者私下却不信任 AI 辅助完成的工作。员工听说该技术具有战略意义，却没有获得稳定的应用规则。

质量问题会进一步强化这种不信任。管理者可能遇到质量较差的 AI 生成内容，并因此打压所有使用行为。熟练用户则会更不愿解释自己如何结合模型、来源与人工审查。

更好的应对方式，首先是将辅助与问责区分开来。员工可以使用 AI 生成选项、整理笔记、总结材料或起草文字。他们仍须负责核查结果，并保护受限信息。

披露规则也需要与风险相称。要求员工为每一项拼写建议提交正式报告，会制造不必要的摩擦。高影响决策、机密输入内容或对外发布的主张，则值得更严格的记录。

培训应基于真实工作场景。通用演示无法告诉招聘人员、软件工程师、营销人员或医疗管理者，他们各自面对的风险有何不同。当员工能将政策应用于实际任务时，政策才会显得可信。

Deloitte 发现，更广泛劳动力中的 51% 表示，培训会鼓励他们更频繁地使用 AI。当前用户中，只有 20% 认为自己高度熟练。这意味着在不强制采用的前提下，结构化支持仍有很大空间。

雇主还可以让获批系统更方便地处理内部信息。割裂的工作流程往往会促使员工在应用程序和外部聊天机器人之间复制材料。更好的知识融合可以在保留有用回答所需上下文的同时，减少这种摩擦。

不过，获批系统不应成为监控每一个问题的借口。过度追踪可能重现促使影子使用出现的同一种恐惧。治理需要透明说明记录哪些内容、谁可以查看，以及原因何在。

这正是个人支出数字格外值得关注的地方。员工带来的不只是自己的软件。他们还在用个人资金，维护自己完成被分配工作时的选择权和隐私。

只以限制来回应的雇主，可能会加深这种分裂。忽视这一行为的雇主，则是在接受未受管理的风险暴露。可行的中间路径，是结合实用工具、明确边界、务实培训，以及可信的反报复保护。

Deloitte 影子 AI 调查无法证明什么

该调查确立了一种大规模自我报告行为模式，但其中最令人印象深刻的数字，仍是估算，而非直接观察到的交易或生产力记录。

9.58 亿英镑的数字是根据在线调查外推得出的。Deloitte 没有查阅银行记录、费用报销单或供应商收入。该估算依赖于受访者准确报告自己的支出和工作场景中的使用情况。

有些人可能主要因个人原因订阅，同时偶尔在工作中使用同一项服务。另一些人可能共享账户，或在免费与付费访问之间切换。这些情况使得很难将每一笔付款完全归因于工作用途。

该调查在更广泛的劳动力定义中，还将雇员与自雇受访者合并计算。自雇专业人士通过个人账户购买软件，属于商业采购，这与员工为大型雇主提供补贴并不相同。

Deloitte 为部分问题提供了独立的样本基数，但公开摘要无法解答所有方法论问题。月度支出的分布情况将有助于判断，总额是来自广泛而适度的付款，还是来自较小群体的大额使用。

该研究测量的是自我报告的采用情况。受访者对生成式 AI 的理解可能不同，尤其是在搜索引擎、办公套件、手机或专业软件中嵌入相关功能时。Deloitte 提供了简短定义，但类别边界仍然流动。

同样，在雇主不知情的情况下使用工具，并不总是等同于违反政策。一些组织可能没有相关政策，一些管理者也可能容忍非正式使用。影子 AI 覆盖了多种不同的治理情境。

一篇独立新闻报道报道了相同的核心发现，同时指出节省时间并未被直接测量。在将员工支出与生产力联系起来时，这一限定非常重要。

该调查也仅在本文发布日期前两天发布。独立研究人员、劳工团体、安全专家或雇主审查其假设并作出回应的时间仍然有限。

Deloitte 既是研究发布者，也是 AI 咨询服务提供者。这并不使调查结果失效，而且 Ipsos 负责了实地调研。但这意味着读者应区分基础调查结果与那些与咨询业务相契合的建议。

在样本范围内，最有力的结论仍得到充分支持：使用广泛存在，个人付费确实存在，培训并不均衡，雇主的可见性也不完整。与这些方向性结论相比，精确的全国支出总额具有更大的不确定性。

计划中的后续调查将使研究更具价值。一致的方法论可以揭示，自我报告的个人支出是上升、下降，还是转向由雇主资助的访问方式。一次调查只能提供快照，重复开展的调查则可以建立趋势。

独立交易数据可以增添另一层证据。供应商、支付处理商和费用管理平台能够观察订阅行为，但它们很少知道个人账户是否被用于支持有偿工作。

雇主可以通过结合匿名员工研究、获批工具使用情况和工作流程结果，生成更好的内部证据。他们应避免将监控日志视为完整图景，因为隐藏使用仍将难以被发现。

Deloitte 影子 AI 调查最有价值之处，在于它警示了组织的盲区。它不应成为宣称每项订阅都能提高生产力，或每条未经批准的提示词都会造成数据泄露的借口。

三个信号将揭示雇主是否正在跟上步伐

下一阶段的衡量标准将是资金投入、培训和已验证的价值，而非又一轮随意试用的增加。

第一个信号是个人付费与雇主资助访问之间的平衡。Deloitte 的下一轮调查应能显示，17% 的自费比例是否下降。如果该比例下降而使用率保持稳定，则表明组织正在承担员工已经认可的工具成本。

但如果下降是由限制性封锁措施造成的，含义就截然不同。雇主必须将报告中的使用情况与员工满意度及获批工具的采用率进行比较。否则，表面支出的减少可能只是意味着隐瞒行为更加深入。

第二个信号是，培训是否能在政策变成执行机制之前覆盖员工。一半当前用户表示未接受过正式培训，只有 28% 的人认为其雇主的政策清晰、及时、广为知晓且便于获取。

如果这些指标得到改善，企业或许能够减少意外的数据暴露，同时获得更有价值的探索成果。如果政策认知度提高，但没有培训或可信赖的访问渠道，治理仍将只是纸面工作。

第三个信号是，应用是否超越了基础的起草、搜索和摘要。Deloitte 当前的数据描述了一种广泛但浅层的采用状态。最有力的验证将是完整工作流程获得可衡量的改善，而不只是生成更多文本。

企业应追踪 AI 是否能缩短完成时间，同时不增加修正次数、审核负担或后续混乱。他们还应考察，这些收益是否覆盖不同岗位，还是集中于原本就具备技术技能的员工群体。

对员工而言，实际问题在于，AI 辅助工作流程能否被安全地披露。员工应了解哪些信息可以使用、输出内容必须如何核验，以及获批替代方案是否能匹配他们已经在使用的工具。

对雇主而言，问题已不再是生成式 AI 是否进入了工作场所。Deloitte UK AI spending survey 显示，员工已通过数千次个人购买和试验作出了这一决定。

剩下的选择关乎谁来塑造下一阶段。组织会为有效工具提供资金，并制定员工能够遵循的规则，还是让员工独自拼凑非官方系统？

这个答案将决定，近 10 亿英镑的个人支出会成为通向更好工作的桥梁，还是成为持久鸿沟的证据。雇主应先询问员工：他们为哪些工具付费，这些工具解决了什么问题，以及是什么阻碍了同样的工作在获批系统内安全开展。