香港每周 72% 的 AI 使用率暴露职场准备度缺口

Google News 带出了一项引人注目的说法：72% 的香港专业人士每周都会使用人工智能，据称是全球平均水平的两倍。这个数字描绘出这样一种劳动力市场：员工采用 AI 的速度，快于许多雇主围绕 AI 重新设计工作的速度。

这则标题归因于《南华早报》，为越来越多的证据增添了一笔：香港员工是热衷使用 AI 的群体。然而，采用率本身并不能说明组织是否获得了可衡量的价值、是否保护了敏感信息，或是否保持了可靠的人工监督。

这种区别才构成真正的故事。香港似乎拥有一支积极使用 AI 的劳动力队伍，但其所在机构对 AI 驱动运营的准备程度仍显不足。Microsoft、McKinsey、PwC、Cisco 以及专业协会，均从不同角度独立记录了这一差距。

在底层调查方法完全公开之前，72% 这一数字仍应谨慎看待。可访问的 Google News 列表 能确认该报道，但并未公开其问卷、样本或田野调查细节。

即使存在这一限制，更广泛的趋势仍很清晰。香港面临的并非简单的采用问题，而是转化问题：如何把高频的个人使用，转化为可靠、受治理且覆盖全组织的绩效。

72% 这一数字改变了什么

这则标题将讨论重点从“专业人士是否使用 AI”，转向“其雇主能否负责任地管理这种使用”。

每周使用意味着习惯已经形成，而不只是偶尔尝试。每周打开一次 AI 助手的专业人士，很可能已将其纳入重复性工作中，即使没有正式工作流程也是如此。

这些工作可能包括总结文件、起草信息、研究陌生主题、翻译材料、分析电子表格，或准备会议纪要。这类任务在金融、法律、咨询、科技、营销和运营领域都很常见。

不过，频率衡量的是活动量，而不是使用深度。一名每周用户可能只提出一个低风险问题，另一名用户则可能委托 AI 处理多个涉及机密公司信息的步骤。

与全球平均水平的这一据称比较，同样需要方法论背景。调查人群可能因职业、资历、行业、雇主规模和获准工具的可用性而不同。

定义也同样重要。一些研究将传统机器学习功能计入 AI，另一些则专门询问生成式 AI 或自主代理。因此，“每周使用”可能描述的是截然不同的行为。

PwC 提供了一个有用的对照。其香港《劳动力希望与恐惧调查》发现，61% 的本地受访者在 2025 年期间曾在工作中使用 AI。这高于报告中的全球比例 54%。

PwC 在一项涵盖 49,843 名员工的全球研究中调查了香港的 1,061 人。其问题涵盖的是此前 12 个月内的 AI 使用情况，并不一定是每周使用。

同一项研究还发现，22% 的香港受访者每天使用生成式 AI。这低于全球的 25% 和亚太地区的 29%。

这些结果并不直接与 72% 的标题相矛盾。相反，它们说明了为何必须谨慎比较调查问题与分母。

更宽泛的类别可能产生更高的采用率。仅限于每天使用生成式 AI 的问题，则会产生更低的比例。

这一最新说法仍然重要，因为每周使用是一个重要门槛。它表明，对于相当大比例的受访专业人士而言，AI 已成为日常工作工具。

然而，这个数字本身无法证明生产率、质量或投资回报。它也无法显示员工使用的是获批准系统，还是公司控制范围之外的个人账户。

缺失的这一背景，正是个人采用与组织准备度之间的分界线。也是香港看似领先之处变得更为复杂的地方。

对于通过 google news 进入报道的读者，核心结论并不是香港已赢得国际 AI 竞赛，而是员工行为已经走在机构变革之前。

Google News 捕捉到采用热潮，但证据并不均衡

多项调查支持香港 AI 采用快速增长，但它们衡量的是不同人群，不应合并为一份统一的评分表。

McKinsey 于 2026 年 2 月发布了另一项针对香港专业人士和学生的重要研究。该公司随后公布了涵盖 4,521 名受访者的扩展研究结果。

其香港调查发现，约 70% 的白领员工已采用 AI。在使用者中，据称超过 90% 每天使用 AI。

McKinsey 还报告称，88% 的使用者体验到了生产率提升。然而，使用 AI 覆盖整个工作流程的人不足四分之一。

这一区别至关重要。完整工作流程会将多个步骤、决策、数据来源和审查节点连接成可重复执行的过程。

使用 AI 总结一份文件，并不一定会改变组织的运作方式。围绕 AI 重新设计研究、审查、审批和分发，则代表着规模大得多的转型。

McKinsey 还发现了另一个显著分化。只有 14% 的高管是 AI 高频用户，明显低于更广泛劳动力群体的使用率。

McKinsey 香港办事处管理合伙人 Arthur Shek 向《南华早报》表示，这种领导层差距拖慢了企业采用。员工需要从领导者身上看到持续强化的行为，组织才能一致地改变。

这形成了一种不同寻常的压力格局。员工并未等待正式转型计划启动后才尝试这项技术。

他们可以通过浏览器和手机使用 ChatGPT、Copilot、Gemini、Claude 和专业应用程序。采购周期、数据控制和内部培训计划的推进速度则慢得多。

Microsoft 的 2026 年《Work Trend Index》也指向同一方向。该报告发现，18% 使用 AI 的香港员工符合“Frontier Professionals”标准，而全球比例为 16%。

Microsoft 用这一标签指代广泛使用 AI 和代理的高级用户。代理是旨在以有限人工干预完成多步骤任务的系统。

该公司还发现，57% 的香港 AI 用户正在产出一年前无法产出的工作成果。这一比例在 Frontier Professionals 中升至 73%。

这些结果表明，AI 的作用不止于简单的起草协助。一些员工正在拓展自己能够完成的任务范围或复杂度。

不过，Microsoft 发现这些用户周围的组织支持较弱。仅有 19% 的人表示，领导层在 AI 方面具有清晰且一致的共识。

只有 10% 的人表示，当结果未能立即显现时，雇主会奖励他们利用 AI 重新设计工作。与此同时，75% 的人担心若不迅速适应就会落后。

这种组合从两个方向制造压力。员工感到必须采用 AI，但许多人缺乏明确许可、激励机制或运营标准。

一则 google news 标题可以将这种张力压缩成一个令人印象深刻的统计数字。雇主仍需拆解该数字背后涉及的工具、任务、用户和结果。

调查证据也应被视为自我报告的行为。受访者可能对 AI 有不同理解、夸大社会期待的行为，或忘记不频繁的使用情况。

供应商赞助的研究仍可提供有价值的证据。在解读结论时，其定义和商业动机应保持可见。

没有任何一项调查能够证明香港精确的全球排名。但综合来看，这些研究表明，职场 AI 已不再局限于一小部分早期采用者。

员工的步伐快于组织

香港的主要矛盾是员工采用与组织准备度之间的冲突，而不是本地员工与其他地区专业人士之间的比较。

Cisco 的 2025 年 AI Readiness Index 为采用数据提供了鲜明对照。仅有 2% 的受访香港组织符合 AI 完全准备就绪的标准。

这是 Cisco 研究涵盖的 30 个市场中最低的比例。全球范围内，13% 的受访组织符合“pacesetters”标准。

Cisco 调查了横跨 26 个行业的逾 8,000 名高级技术和商业领导者。其准备度框架评估了战略、基础设施、数据、治理、人才和文化。

该公司发现，近 99% 的 pacesetters 已制定 AI 路线图。所有受访香港组织中，只有 32% 制定了路线图。

这并不意味着 98% 的香港公司没有使用 AI，而是意味着大多数公司缺乏 Cisco 认为实现可重复部署所需的综合基础条件。

这种错配解释了为何员工高频使用与组织准备度低可以并存。员工只需能够访问一个可用的应用程序。

组织则需要获批准的数据流、身份控制、网络安全保护、评估方法、预算、培训和明确负责的所有者。它们还需要应对故障的流程。

非正式使用通常从低摩擦任务开始。一名员工起草电子邮件、总结笔记，或让助手重新整理文件。

当这种行为在没有共同标准的情况下扩散，风险便会增加。员工可能将客户信息、合同、源代码、财务记录或尚未发布的计划粘贴到未经批准的服务中。

即使没有机密信息离开公司，不一致的使用方式也会造成质量问题。两名员工可能从同一模型获得不同答案，并采用不同的审查标准。

组织因此获得了活动量，却没有形成可靠的机构知识。有用的提示词、修正内容和源材料仍分散在个人账户和临时聊天记录中。

这正是AI knowledge base可能发挥作用的地方。只要治理措施与技术同步，它可以保存获批准的上下文，并使既有工作可被检索。

运营挑战不止于信息存储。公司必须决定哪些决策需要人工批准，以及哪些任务可以安全地委托出去。

它们还必须界定可接受的错误率。粗略的内部摘要，与监管建议、信贷决策或面向客户的财务分析，带来的后果并不相同。

香港以服务业为主的经济结构，使这一差异尤为重要。专业工作往往依赖保密性、可追溯的证据和可问责的判断。

在这类工作中，快速的个人采用可以创造竞争优势，也可能带来集中的法律和声誉风险。

Microsoft 将这一差距描述为“Transformation Paradox”。其研究表明，个人绩效的提升速度快于组织设计的变革速度。

公司的研究结果显示，所分析的 Microsoft 365 Copilot 对话中有 49% 支持认知型工作。这一类别包括分析、问题解决、评估和创造性思考。

然而，个人产出的提升并不会自动带来更好的组织成果。一份更快完成的草稿，可能只是将瓶颈转移到审查、审批或核验环节。

因此，领导者必须作出回应。他们必须以任务层面的政策、获批系统、培训和衡量机制，取代泛泛而谈的 AI 鼓励。

完全禁止这项技术，不太可能阻止有意愿的员工使用易于获取的消费级工具。毫无约束地采用，则会带来另一系列风险。

更务实的路径介于这两个极端之间。雇主可以识别反复出现的低风险任务，测试受控工作流程，并在衡量节省时间的同时衡量错误情况。

随后，只有在证据支持扩展时才扩大应用。这种方法将每周使用视为一个起始信号，而非转型已经完成的证明。

生产力提升止步于信任门槛

最有力的证据表明，AI 正在帮助员工提高产出，但信任、就业保障和可追责的判断仍未得到解决。

PwC 发现，使用 AI 的香港员工中，77% 表示生产力有所提升。另有 75% 表示 AI 改善了其工作质量。

这些是相当可观的自我报告收益。它们有助于解释，为何即使雇主提供的正式支持有限，AI 的采用仍可能迅速扩散。

同一批香港受访者中，只有 24% 将 AI 与更高的就业保障联系起来。仅 19% 认为这项技术与加薪有关。

这种反差很重要。员工或许能创造更多价值，却未必觉得自己能够分享这些价值，或保住现有岗位。

PwC 调查的管理者预计，入门级就业将面临压力。44% 的受访者预测，未来三年入门级岗位将有所减少。

其中，10% 预计会出现显著减少，34% 预计会小幅下降。这些观点反映的是预期，而不是已获确认的就业结果。

不过，预期会影响招聘和职业决策。即使尚无法证明 AI 能完全取代这些岗位中培养的学习能力和判断力，雇主也可能先行减少初级人才招聘。

这会造成长期的人才问题。资深专业人士通常通过反复接触基础任务、修正、例外情况和客户反馈来培养判断力。

如果 AI 吸收了这些任务，组织就需要另一种方式来培养未来的审核者和决策者。否则，今天的效率可能削弱明天的专业能力。

特许公认会计师公会在其 2026 年人才调查中记录了类似担忧。全球共有来自 160 个国家的逾 11,000 名受访者参与。

在香港，44% 的受访者表示 AI 已在其当前岗位中被经常使用，低于全球的 52%。与此同时，53% 担忧 AI 对其工作的影响。

只有 36% 的香港受访者信任 AI 能支持公平、无偏见的招聘。中国内地、南亚和亚太其他地区的相应比例更高。

ACCA 参与者还担忧初级员工在未充分审核的情况下接受 AI 输出。这种行为会削弱发现错误所需的批判性思维。

这些发现使关于 72% 每周使用率的简单叙事变得更复杂。高频使用可以与怀疑态度、薄弱监管和对职业后果的焦虑并存。

在高风险决策中，信任门槛尤为明显。HSBC 调查了包括香港逾 1,200 人在内、横跨十个市场的近 10,000 名富裕投资者。

其 2026 年研究发现，75% 的香港受访者会将 AI 用于财务或投资决策。研究和分析是最常见的应用场景。

不过，60% 的受访者将自己最近一次重大投资想法归功于金融专业人士或机构。只有 29% 将这一角色归于 AI。

多数人更偏好将 AI 与人类顾问结合的混合型未来。这一模式表明，用户欢迎速度和探索能力，但在作出承诺前仍寻求可追责的判断。

同样的逻辑也适用于公司内部。AI 可以发现模式、总结证据或提出选项，但必须由一名负责任的人对最终决定负责。

这种责任不能停留在默认状态。雇主需要为不确定、敏感或影响重大的输出建立明确的审核要求和升级路径。

数据保护构成了另一道信任边界。员工之所以经常求助于 AI，恰恰是因为他们需要处理大量杂乱的文件。

这些文件可能包含个人数据、机密通信或商业敏感材料。便利性可能掩盖了信息流向何处，以及如何被保留。

香港消费者委员会于 2026 年调查了 1,219 名消费者，发现公众对企业使用 AI 存在显著担忧。74% 担心过度收集数据。

另有 72% 担心算法失灵时没有人愿意承担责任。81% 希望拥有退出 AI 辅助服务的权利。

消费者态度并不能直接衡量职场行为。它们说明，一旦 AI 接触到客户，内部采用为何可能转变为外部信任问题。

因此，一家企业可能拥有高度活跃的员工，却仍无法安全地部署他们的工作成果。从个人使用转化为制度性价值，取决于治理。

72% 的说法并不衡量商业价值

使用量是投入指标，而可靠输出、工作流程完成度和经济价值才是重要成果。

对这一标题持怀疑态度的解读，首先要看其分母。“香港专业人士”可能指来自特定行业的员工、某个专业网络的成员，或更广泛的就业人口。

如果缺乏公开的方法论，读者无法判断该样本是否代表全港劳动力。他们也无法评估回应偏差，或将其与全球样本进行公平比较。

“每周使用 AI”这一表述同样需要审视。它可能包括用户几乎未察觉的嵌入式功能，也可能仅指主动使用生成式助手。

被描述为“全球平均水平两倍”的比较，也可能掩盖调查设计上的差异。全球组别可能包括许多难以接触数字工具的职业。

这些担忧没有任何一项意味着该数字是错误的。它们限制了该数字所能支持的结论。

合理的做法是带有归因地报道调查中的这一说法。得出香港企业生产力是全球同行两倍的结论，则并不合理。

McKinsey 的完整工作流程发现说明了原因。尽管整体使用率很高，其香港受访者中，使用 AI 覆盖整个工作流程的比例不足 25%。

与登录次数或每周使用指标相比，工作流程衡量更接近组织层面的变化。即便如此，它也不能证明准确性或财务回报。

组织需要分层衡量。第一层跟踪采用情况，包括活跃用户、获批工具和反复出现的用例。

第二层跟踪效率。有效指标包括完成时间、吞吐量、审核时间，以及有缺陷输出所造成的返工量。

第三层跟踪质量和风险。企业可以记录事实错误、缺乏依据的说法、隐私事件、政策违规和人工推翻情况。

第四层跟踪商业成果。这些成果可能包括客户满意度、转化率、服务能力、收入贡献或运营损失减少。

领导者还应将 AI 辅助工作与基线进行比较。如果纠正结果耗尽了节省下来的时间，更快完成就没有太大意义。

同样的原则也适用于知识工作。一份措辞流畅的回复可能看似完整，却包含虚构事实、过时信息或错误推理。

人工审核仍然不可或缺，但“人类参与决策”并不是完整的政策。组织必须明确由谁审核、检查什么，以及保留哪些证据。

审核者还需要具备足够的专业知识和时间来质疑输出。一名匆忙批准数百项 AI 生成决策的员工，只能提供名义上的监督。

因此，培训必须超越提示词写作。专业人士需要掌握来源评估、错误识别、数据处理、模型局限性和升级处置等技能。

组织不应假设高频用户已经具备这些能力。信心与能力并不总是同步提升。

成熟的 AI 项目应让获批行为比影子使用更容易。员工需要适合其工作的易用工具，而不必采取不安全的捷径。

他们还需要获批的信息来源和可复用的上下文。否则，员工会反复重建相同背景，并获得不一致的结果。

治理应保持与风险相称。一项头脑风暴提示词不需要与自动化招聘或面向客户的财务建议采取同等控制措施。

风险分类能够在保留有益实验空间的同时，对影响重大的决策施加更严格的控制。这种平衡在一个已显示出高采用率的市场中尤为重要。

因此，报告中的 72% 最适合被视为需求信号。员工想要 AI 能力，并且已经在寻找使用它们的方法。

尚未解决的问题是：在非正式习惯根深蒂固之前，雇主能否将这种需求引导至值得信赖的系统之中。

雇主和专业人士接下来应关注什么

三项信号将表明，香港是否能将高频 AI 使用转化为持久的组织能力。

第一个信号是完整 AI 辅助工作流程的增长。未来调查应区分偶发的任务支持，与连接到获批公司系统的可重复、多步骤流程。

如果完整工作流程的采用率高于 McKinsey 报告的不足 25% 水平，转型论点将更有说服力。这将表明雇主正超越零散的个人使用。

这种增长应伴随质量衡量。没有可靠评估而增加自动化步骤，只会扩大风险暴露，而非证明成熟度。

第二个信号是领导层的一致性。Microsoft 发现，只有 19% 的香港 AI 用户认为领导者提供了清晰且一致的方向。

这一比例若显著提高，将表明高管正在建立优先事项、责任归属和可接受的边界。它也会缩小积极员工与谨慎机构之间的差距。

领导层一致性应体现在行为上，而非口号中。高管应使用获批工具、投入培训资金、审查可衡量的成果，并为失败承担责任。

第三个信号是更有力的治理证据。组织应披露隐私控制、模型评估、审计程序、事件处理和人工审核要求。

Cisco 的准备度研究提供了一个基线。在受调查的香港组织中，只有 2% 符合“完全准备就绪”标准，32% 已制定 AI 路线图。

这些数字若有所改善，将加强采用正走向制度化的论据。若准备度停滞不前，则表明每周使用仍主要由员工驱动。

专业人士也有值得关注的信号。他们应检视 AI 是否在核验后仍能节省时间，而不只是加快首稿生成。

他们应记录哪些来源支持影响重大的输出。他们还应避免将敏感信息输入未经雇主批准的系统。

管理者应研究瓶颈转移到了哪里。AI 可能加快分析，却增加审核工作；也可能加速客户回复，却带来更多升级处理。

入门级招聘尤其值得关注。若持续下降，可能表明雇主正在围绕自动化重塑职业发展阶梯。

企业随后将需要替代性的培养路径。学徒制、受监督的模拟训练以及结构化审核工作，可以取代部分过去通过常规任务积累的经验。

监管机构和专业团体也将塑造下一阶段的发展。有关隐私、自动化决策、招聘和专业问责的指导意见，可以将宽泛原则转化为可执行的要求。

在 google news 上传播的标题抓住了一个真实的时刻。无论确切比例是 72% 还是略有不同，AI 的使用似乎已深深融入许多香港专业人士的工作之中。

然而，这座城市在个人层面活动上的领先，并不自动意味着其在组织能力上同样领先。现有研究一再显示，领导力、工作流程再设计、基础设施、信任和治理方面仍存在缺口。

这一缺口既带来机遇，也带来风险。雇主可以依托一支对 AI 异常乐于接受的劳动力队伍，而无需花费数年时间说服人们尝试 AI。

他们现在必须提供受控工具、可靠的上下文、可衡量的工作流程和清晰的问责机制。没有这些基础，采用规模或许广泛，却仍可能停留在浅层。

下一项调查不应只问人们在一周内是否使用过 AI。它还应问：哪些工作发生了变化，质量是否提升，谁审核了结果，以及谁承担责任。

对专业人士而言，眼下的行动同样具体：选择一项重复性任务，记录当前基线，并在完成核验后衡量 AI 辅助下的表现。

对雇主而言，问题则更为尖锐：在员工自行确立规则之前，你的组织能否将广泛的试验转化为值得信赖的工作？