monday.com AI 调查揭示更快产出的管理成本

monday.com AI 调查发现，53% 的高级管理者在采用 AI 后，更难评估员工的原创贡献。这一发现将管理难题置于生产力叙事之中：完成工作与理解某人的贡献，是两项不同的任务。

这项由 Nielsen 开展、于 10 月 21 日发布的研究，调查了来自七个国家的 1,701 名总监和高级经理。其结果表明，随着 AI 辅助工作变得寻常，雇主面临的衡量难题愈发棘手。一份精致的交付成果，能提供的关于其背后判断的证据更少。

这种张力与 AI 能在特定场景改善绩效的证据并存。Erik Brynjolfsson、Danielle Li 和 Lindsey Raymond 的研究发现，客户支持工作出现了可衡量的提升。对雇主而言，问题在于：这些提升能否经受住从个人产出到经过审核、可实际使用的工作成果这一完整过程。

monday.com AI 调查令评估承压

根据该公司的 AI 管理发现，47% 的受访者花费更多时间审核和指导团队产出。与此同时，78% 的人在采用 AI 后改变了员工评估方式。

这些发现描述了相互关联的压力，但并未证明每位受访者都经历了所有问题。它们也没有衡量管理者额外投入了多少审核时间。在将员工评估困难转化为企业绩效主张时，这一区别很重要。

直接变化在于：最终交付成果与其表面上所代表的个人贡献之间的联系被削弱了。

在 AI 辅助出现之前，呈现质量可以在一定程度上反映写作能力、准备程度或对某一主题的熟悉度，但它从来都无法呈现全貌。同事、模板、编辑和既有材料一直都会影响职场产出。

AI 使这种推断更加复杂，因为它可以提供可见呈现中的很大一部分。一段清晰的解释，可能体现了深刻理解、有效编辑，也可能只是接受了生成式答案。仅凭最终文档，无法可靠地区分这些可能性。

对管理者而言，由此产生的问题不止于员工是否使用了 AI。他们需要了解员工是否选择了恰当证据、发现了错误，并作出了站得住脚的决策。这些贡献可能在最终文本中仍然不可见。

这项研究也让简单的抵制叙事变得复杂。在同一项调查中，94% 的受访者表示对借助 AI 改善工作感到兴奋。热情与困难并存，说明问题关乎实施与评估，而非直接的拒绝。

这项核心发现通过 TechCrunch 对 员工评估困难 的报道受到关注。原始报告为解读提供了更有用的依据：这是高级管理者对其自身经历的描述。

这为管理摩擦提供了有意义的证据，但并非对使用 AI 的组织与回避 AI 的组织进行的受控比较。它也没有证明雇主损失的时间多于员工节省的时间。

因此，monday.com AI 调查指出了一个压力点，而非终结了生产力争论。采用 AI 的组织需要找到评估贡献的方式，不能假定流畅表达就代表专业能力。否则，表面上的产出提升仍会留下一个悬而未决的问题：谁应当获得功劳？

这改变了管理层的讨论。更有价值的问题是，雇主能否在认可有效 AI 辅助工作的同时，保留有意义的能力标准。这要求人们不能只看一份交付成果进入收件箱时显得多么令人信服。

管理者接手了产出指标忽略的工作

承受直接压力的是同时负责交付与员工发展的管理者。他们必须接纳有用的辅助，同时判断团队成员是否能够解释并捍卫由此形成的工作成果。这些职责彼此重叠，但并不可以互换。

一名管理者可以批准一份正确的文档，却无法从中了解作者的底层能力。这对于常规沟通或许已足够；但当同一份文档将影响晋升、人员配置或承担更具挑战性任务的准备度时，就不那么足够了。

只有当形成的工作成果仍然具有经济的审核成本且值得信赖时，更快的产出才能创造商业价值。

以一份示例性的产品规划备忘录为例。一名员工使用 AI 将客户观察结果整理为一项建议，说明哪个功能值得优先关注。该备忘录行文清晰，论证井然有序。

管理者仍需确认这些观察结果是否支持该建议。相互矛盾的客户诉求是否被保留？员工是否区分了直接证据与解释？草稿是否悄然将一项假设变成了看似既定的事实？

这些是假设性问题，并非调查中记录的结果。它们说明了为何呈现质量无法承担全部评估负担。一份易读的备忘录可以减少沟通成本，却可能让底层决策依然同样困难。

员工或许更快完成了任务，并在整个过程中展现了出色判断力。另一种可能是，由于支撑性证据缺失，管理者需要重建分析过程。同样精致的表面，可能掩盖截然不同的工作流程。

这使界定过窄的产出指标信息量更低。统计完成的文档数量会奖励生产，却无法证明同事能否据此采取行动。衡量起草时间，则排除了澄清、纠正、批准和实施过程中发生的一切。

真正重要的经济单位是完整工作流程。一份草稿是这一流程的一部分，验证它并解决其后果的人也是。将工作量在这些参与者之间转移，并不会自动消除工作量。

员工发展又增加了一层复杂性。管理者需要知道，员工是否能识别一个答案何时薄弱、不完整或不恰当。如果员工无法解释塑造答案的选择，即使交付成果成功，其提供的证据也有限。

这并不意味着员工应当在没有辅助的情况下完成每一项任务。工作本就依赖工具与协作。评估问题在于，当辅助承担更多可见执行工作时，识别哪些形式的判断仍不可或缺。

对工程经理而言，这可能意味着理解一项拟议变更为何适合现有系统。对销售经理而言，这可能意味着核实某项建议是否反映了客户的真实约束。相关证据因岗位而异。

压力也会波及那些最重要贡献在于拒绝糟糕建议的员工。当评估只强调最终成品时，他们的工作可能从视野中消失。防止错误往往比再生成一页内容留下更少可见证据。

这些是对调查结果的分析性推论，而非额外调查结果。它们解释了为何组织不能仅靠要求更多使用 AI 来解决员工评估困难。采用与能力回答的是不同问题。

因此，管理者面临艰难的资源分配决策。他们需要足够的可见性来评估判断力，却不能让每项任务都变成细致审计。如果评估变得过于繁重，这一过程就会消耗原本应由辅助创造的效率。

生产力提升取决于工作最终落在何处

有可信证据表明，AI 辅助能够改善职场绩效。生产力论点最有力的版本，并不依赖于每位员工都变得更快，而是依赖于在特定条件下、特定任务中可衡量的改进。

Brynjolfsson、Li 和 Raymond 的 客户支持研究 考察了 5,172 名客服人员，发现每小时解决的问题数量平均提升了 15%。不同员工获得的收益有所差异，经验较少的员工提升更大。

研究者还报告了质量和学习方面的差异。这些发现很重要，因为它们超越了参与者是否喜欢使用工具的问题，而是考察了与工作存在明确关联的运营结果。

AI 辅助与管理摩擦可以同时存在，因为它们描述的是生产流程的不同环节。

帮助员工解决客户问题的支持助手，运行在相对具体的工作流程中。用于准备内部战略文件的通用写作助手，则面临不同预期。评估成功所需的证据也不同。

这种比较并不意味着支持工作简单。它表明，为何生产力主张需要明确的任务和结果。“每小时完成更多有用的问题解决”所传递的信息，是“更多 AI 辅助内容”所无法提供的。

相反的结果来自 AI 评估机构 METR。其 开发者生产力实验 涉及 16 名经验丰富的开发者，他们在熟悉的开源项目中完成了 246 项任务。使用 2025 年初期 AI 工具后，完成时间增加了 19%。

尽管如此，参与者仍相信 AI 让他们更快。这一差距揭示了衡量难题：一个工作流程可以让人感觉更轻松或更高效，却未必产生预期的时间节省。感知到的辅助与测得的加速，需要分别的证据。

这一结果有明确边界。它涉及特定时期内的特定开发者、代码库、任务和工具。它并不能证明当前的编程助手会拖慢每一位开发者，也不意味着其他地方报告的收益是虚构的。

METR 后来强调了这些限制。在其 2026 年 2 月发布的 生产力衡量更新 中，该机构称选择效应使其较新的估计不可靠。一些开发者不愿在要求无 AI 工作的条件下参与。

该更新还描述了当开发者同时使用多个 agent 时，衡量时间所面临的困难。METR 认为，较新的工具可能比早期估计显示的更有帮助。它警告称，现有数据对于这种改善幅度仅提供了较弱证据。

综合来看，这些研究支持一个克制的结论：AI 的影响取决于场景、员工经验、任务选择和成功的定义。无论是热情还是孤立的负面结果，都不能解决更广泛的问题。

产品比较同样遵循这一逻辑。ChatGPT 和 Claude 可以帮助生成文本，而编程助手则运行于软件开发工作流程中。像 monday.com 这样的工作管理平台，处理的是围绕任务和团队的协调。

这些类别存在重叠，但回答的并不是完全相同的问题。助手可以改进草稿，却无法证明是谁核实了其中的主张。协调系统可以记录活动，却无法证明这些活动是否促成了可靠的决策。

因此，核心冲突依然是生产力承诺与实现这些承诺所需工作之间的矛盾。竞争品牌提供了背景信息，但更换助手并不会自动解决模糊的评估标准。雇主仍需界定何为高质量工作。

这正是解读 monday.com AI 调查的有益角度。它将注意力引向围绕辅助工具的组织条件。下一阶段的生产力提升，部分取决于这些条件是否能让有价值的产出更容易被识别和批准。

一份精致的文档可能朝任一方向掩盖判断力

最显而易见的担忧是，AI 生成的润色会让薄弱的工作显得更强。另一个同样重要的可能性则恰恰相反：员工可能展现出出色的判断力，却因为可见的文字看起来像是机器辅助完成的，而获得较少认可。

这会在任何自动化绩效评级介入之前就造成公平性问题。如果管理者将流畅的语言视为可疑信号，有能力的员工可能失去应得的认可；如果将其视为胜任力的证明，薄弱的推理则可能得到不应有的批准。

公平的评估需要有关责任归属和判断力的证据，但不应要求员工证明自己是在没有辅助的情况下完成工作的。

一份示例研究摘要展现了这一困境。一名员工收集原始材料，识别相互矛盾的发现，剔除缺乏支持的主张，并使用 AI 改善结构安排。最终文稿几乎看不出那些使摘要值得信赖的艰难决策。

另一名员工可能在几乎未核查支撑证据的情况下，提交同样流畅的文本。在快速审阅中，这两份文档看上去可能相当接近。但它们的可靠性，以及员工所展现出的能力，会有显著差异。

答案不能完全依赖于识别生成式语言。即使识别正确，也只能证明存在辅助，而非证明员工决策的质量。知道 AI 参与过一份文档，并不能说明作者是否负责任地使用了它。

提示词记录同样无法自动解决问题。它可以显示某人要求系统做什么，却无法单独证明此人是否识别出错误回答，或是否选取了恰当证据。

这正是区分归因与问责变得有用的地方。归因关注的是哪个人或系统提供了某项具体贡献；问责关注的是谁对结果负责，并必须解释其背后的决策。

雇主需要这两个概念，但细节程度应与任务相匹配。例行内部公告不需要与影响人员配置的建议接受同等审查。将每份文档都视为同样重要，会造成不必要的审阅工作。

绩效标准也需要保持一致。员工不应在一项任务中因使用 AI 而受到赞扬，却在其他任务中因获得同等程度的辅助而无故受罚。即使基础工作质量良好，不一致的预期也会使评估更加困难。

知识管理在此变得相关，因为证据往往存在于最终交付物之外。决策、源材料和先前讨论都能帮助解释一项建议为何采用特定形式。它们的价值在于让推理过程可以被追溯。

一个可搜索的知识库为组织这些支撑材料提供了有用背景。它不能替代管理者的评估。只有当审阅者理解哪些证据重要时，访问记录才有帮助。

组织面临的挑战，是在不形成无差别监控流程的前提下维持这些上下文。记录每一次互动会产生更多需要审阅的材料。对关键来源、决策和审批的更聚焦记录，可能与评估问题更相关。

这是分析性判断，而不是 Nielsen 研究中经过验证的干预措施。该调查并未证明哪种文档记录方式效果最佳。雇主需要自己的证据，才能宣称某项具体政策降低了审阅成本。

同样的谨慎也适用于 AI 辅助评估。一个系统可以将反馈整理成易读的语言，但底层评估仍可能不完整。更好的措辞无法补充缺失的观察，也无法化解关于员工绩效的相互矛盾说法。

归根结底，一份精致的文档既可能掩盖依赖，也可能掩盖专业能力。管理任务在于通过与岗位相关的证据区分这两种可能性。否则，评估流程可能奖励表象，却忽略那些让辅助真正有价值的决策。

调查指出的是摩擦，而非生产力结论

monday.com AI 调查值得关注，因为它指出了一个具体的组织问题。其发现并不能证明 AI 在工作中已经失败，也不能说明每一种被报告的困难都只是暂时的适应过程。

这项研究由一家销售工作管理软件的公司委托开展。在解读该公司提出的解决方案时，这一商业背景应当保持可见。关于协调问题的发现，并不能独立验证一个旨在解决这些问题的平台。

这些证据支持人们关注评估和审阅负担，但其净经济影响仍未得到确定。

自我报告的困难具有相关性，因为管理者的经历会影响采用决策和员工关系。不过，它不同于对时间使用的观察或独立评估的绩效。这些指标回答的是相关问题，却不能相互替代。

受访人群同样重要。总监和高级管理者不能直接代表每一位一线主管或个体贡献者。他们的视角能说明领导层的体验，却无法完整描述员工如何感受同样的安排。

跨国样本扩大了研究范围，但并不保证不同工作场所具有相同条件。岗位、管理实践和采用阶段各不相同。汇总结果可能掩盖对雇主决定如何应对至关重要的差异。

因果关系仍是另一项限制。受访者可以将更大的评估困难与 AI 的采用联系起来，却无法将 AI 与其他变化隔离开来。工作负荷增加、目标调整或团队重组，也可能影响这种体验。

这些限制并未消除被报告的问题。它们界定了更强证据需要证明什么。下一步研究应将报告的摩擦与实际观察到的工作联系起来，而不是假设这种联系已经被衡量。

一种解释是，雇主在重新设计流程时正承担调整成本。另一种解释是，低成本生成带来了对高成本判断的持续需求。现有发现无法确定哪种解释占主导地位。

如果随着团队经验增加，审阅负担逐渐下降，第一种解释将获得支持；如果尽管进行了培训并明确了预期，增加的生成量仍持续压垮审批能力，第二种解释将获得支持。两者都需要随时间推移进行观察。

额外审阅也可能存在积极解释。管理者花更多时间检查工作，或许是因为员工如今尝试了更有价值的任务。在这种情况下，更多审阅投入可能伴随着有益的雄心提升。

另一种可能是，额外审阅主要用于纠正本可避免的错误或补回缺失的上下文。这将表明是工作投入被转移，而非直接的生产力提升。单独的时间指标仍需要同时配合质量指标。

更站得住脚的结论比标题所作的宽泛承诺更为有限。AI 改变了管理者能够从成品中推断出的信息。在将产出增加视为绩效改善的证明之前，雇主需要更好的证据来了解其后果。

关注审阅成本、评估规则和工作流结果

在未来几个月中，最有用的信号将涉及审阅投入、评估实践和已完成工作。这些信息比又一次统计尝试使用 AI 的员工数量更有参考价值。它们将采用情况与研究指出的管理压力联系起来。

下一项检验是，雇主能否将辅助产出转化为被接受的工作，同时让贡献清晰可见。

首先，关注公司和研究人员是否衡量草稿完成后的工作。有用的披露包括修正投入、审批延迟以及审阅者需要付出的注意力。这些指标有助于区分节省的工作量与被转移给他人的工作量。

如果审阅负担下降且质量保持稳定，就会削弱“AI 只是将工作前移”的担忧；持续的修正成本则会强化这种担忧。重要的比较应追踪类似任务直至完成，而不是在生成结束时停止。

其次，关注雇主如何改变绩效标准。一项有意义的更新应说明他们如何评估 AI 辅助结果的核实、判断和所有权。仅仅要求使用更多工具，无法充分证明评估困难正在得到解决。

更清晰的标准将强化组织正在成功适应的判断。持续依赖文档数量或呈现质量，则会使归因问题依然存在。员工需要在管理者能够一致评估之前，先理解什么会赢得认可。

第三，关注具有可信比较的工作流层面结果。更强的证据会将辅助与可用成果联系起来，同时考虑质量和审阅因素。它还应承认不同岗位间的差异，而不是为每一位员工提出单一的生产力主张。

供应商案例研究可以提供有用细节，但其设计至关重要。读者应寻找明确界定的任务、可比较的条件，以及对测量排除内容的说明。缺少这些要素的有说服力叙述，无法解决其中的权衡。

这些信号并不依赖于某个特定的预定产品发布。它们是对雇主、研究人员和软件公司下一轮主张的检验。每一项都将帮助判断，这种管理难题是在减轻，还是正在固化。

对知识工作者而言，眼前的影响关乎自己的贡献如何变得可见。产出清晰的文档依然有用，但解释其证据和决策同样重要。最好的工作能让结果可靠，而无需迫使同事重新构建其推理过程。

对企业采购方而言，影响在于预期采购将改善什么。起草辅助、协调和员工评估涉及不同要求。成功的部署需要与其拟解决的问题相关联的证据。

把 monday.com 的 AI 调查视为审视整条链路的契机。不要只看某个工具能否生成令人惊艳的初稿。还要问：接收者能否核验它、使用它，并了解是谁作出了判断。将这些答案与辅助介入工作流之前所需的投入进行比较。当下一项生产力宣称出现时，审视它止于何处：生成、审批，还是完整成果。这个边界往往决定了该宣称描述的是个人便利，还是组织价值。对于团队下一项由 AI 辅助完成的任务，审核者能否在不重复底层工作的情况下辨认出员工的贡献？