“不问不说”AI 经济的兴起
Google News 呈现了 Bloomberg 的一个尖锐观点：在规则尚未明确、衡量机制薄弱、以更少资源完成更多工作的压力日益加大的情况下，员工仍在采用 AI。
“不要问，也不要说的 AI 经济”这一说法，概括了一种令人不安的交换。雇主希望获得更快的产出，却往往避免追究这些产出是如何生成的。员工使用个人 AI 账户，将材料复制到公开工具中，并保持沉默，因为获批的替代方案可能更慢，或者根本无法使用。
这并不只是又一个关于聊天机器人普及的故事，而是可见的生产力与不可见的流程风险之间的冲突。Microsoft、Anthropic 及职场研究人员都记录了这种分歧的部分表现，尽管没有任何单一数据集能完整呈现其规模。
核心矛盾很简单：企业希望获得 AI 带来的效率，但许多企业缺乏让 AI 使用情况变得可观察所需的政策、系统和激励机制。这一缺口在日常办公工作中催生了一种影子经济。
Google News 聚焦了什么
重要的变化并非员工发现了 AI，而是非正式的 AI 使用已成为日常生产流程的一部分。
生成式 AI 进入许多工作场所，更多是通过个人行为，而不是有计划的软件部署。员工开设个人账户、测试提示词，并找到模型可以节省时间的任务。采购、安全和法务团队往往在之后才介入。
这种采用模式不同于传统的企业软件上线。企业通常会选择供应商、配置访问权限、培训用户并监控活动。影子 AI 则颠倒了这一顺序，因为员工在组织评估服务之前就已开始使用它。
Microsoft 和 LinkedIn 的职场 AI 研究发现，2024 年员工主导的 AI 采用已相当普遍。在接受调查且使用 AI 的知识型员工中，78% 将自己的工具带入了工作场景。
这一数字并不意味着每个个人工具都会造成安全事件。它表明，正式采购记录无法描述职场中真实的采用程度。软件清单与实际工作状况已经脱节。
这种行为也跨越了组织层级。普通员工使用 AI 来总结文档、起草信息、编写代码、分析反馈和制作演示文稿。管理者则使用类似工具审阅计划、组织会议，并将不完整的笔记转化为精致文档。
这些活动往往看似无害，因为每一条提示都很短小。但累积效应则截然不同。一连串提示可能泄露客户姓名、产品计划、源代码、财务假设、法律策略或内部意见分歧。
Bloomberg 的表述之所以重要，是因为它为围绕这类活动形成的社会安排命名。员工可能不会主动说明自己使用了多少 AI。只要产出有所改善、又没有明显问题出现，管理者也可能不会追问。
因此，Google News 突出的不只是技术趋势，而是一个围绕策略性模糊构建的劳动与治理问题。所有人都能从工具中获益，但责任仍未被界定。
这种模糊性在日常运营中显得高效。当客户质疑某个回答、机密数据出现在未获批准的系统之外，或自动化决策伤害了某个人时，它就会变得脆弱。届时，组织必须重建一个自己从未选择观察的流程。
将其称为隐蔽经济，并不意味着每项 AI 辅助任务都被禁止。它意味着，AI 在持续创造经济价值，却并未稳定地出现在官方工作流、预算、绩效指标或风险登记册中。
产出是可见的，方法却不是。
为什么雇主和员工都接受这种沉默
这种非正式交易得以延续，是因为双方都能从让 AI 使用部分保持不言明中立即获益。
雇主面临着提高生产率的巨大压力。他们已经为模型、助手、基础设施和实验投入资金，但许多人仍难以将这些投资与可衡量的业务成果联系起来。员工悄然采用 AI，可以带来收益，却无需启动一套完整的转型计划。
员工面对的是另一种压力。他们必须处理不断增加的信息、文档、会议、研究和行政工作。AI 可以减少将信息从一种格式转换为另一种格式所花费的时间。
一名员工若用 AI 将会议笔记整理为项目更新，就几乎没有动力披露每一条提示。披露可能引发额外审查、对工作质量的质疑，或对更高产出的要求。沉默保住了节省下来的时间。
管理者也可能从“不问”中受益。如果团队更早交付，管理者就能获得结果，而无需直面数据处理、署名归属或评估方面的棘手问题。眼前的回报是具体的，风险却显得遥远。
这种安排可能扭曲绩效预期。一名员工可能借助 AI 将原本需要四小时的任务压缩至两小时。一旦管理层将更快的节奏视为常态，节省下来的时间就不再属于员工。
生产率提升会变成更高的基准。员工随后需要持续使用该工具，才能满足由早期 AI 使用所形成的预期。自愿的捷径会逐渐变成非正式的岗位要求。
其中还存在披露难题。一些员工担心，承认广泛使用 AI 会让自己的岗位显得可被替代。另一些人则担心，隐瞒此事日后会显得不诚实。
管理者则从另一个方向面临同样的矛盾。他们可能鼓励试验，同时又警告员工不要暴露敏感信息。若没有获批工具和清晰示例，这类信息只是表达了雄心，却没有提供可用的运营模式。
研究支持 AI 能在明确场景中提升绩效这一说法。一项 NBER 实地研究考察了客服人员使用的生成式 AI 助手，并报告平均生产率提升了 14%。
这些收益并非均匀分布。经验较少、技能较低的员工获益更多，这表明系统有助于传递与高绩效员工相关的工作模式。这一发现使简单的替代叙事变得更为复杂。
受控的客服环境并不等同于整个经济体。研究人员可以观察工具、工作流、产出和绩效指标。许多办公室部署并不具备这种可见性。
当员工使用未经批准的服务时，组织无法可靠地区分有用协助与虚构内容、复制文本、隐性偏见或处理不当的数据。它看到的只有最终文档或决策。
这正是“不要问，也不要说”依然具有诱惑力的原因。衡量成本高昂。沉默让双方都能先主张收益，再决定由谁承担风险。
真正的较量是生产率与问责之间的较量
首要冲突不是员工对抗雇主，而是可衡量的产出对抗可问责的生产过程。
组织早已评估完成的工作。他们审查销售结果、已解决的工单、已发布的功能、已完成的分析和已发布的文档。生成式 AI 改变的是产生这些结果的隐秘过程。
一份精致的答案可能包含捏造的说法。可运行的代码可能引入不安全的依赖项。一份简洁的客户摘要可能遗漏关键异议。一项有说服力的招聘评估可能复制早期决策中的偏见。
这些失败并不总会体现在产出中。因此，问责依赖于有关来源、审查步骤、模型行为和人类判断的信息。影子 AI 剥离了其中大量背景。
Anthropic 的首份 Economic Index分析了 Claude 对话中的模式，而非仅依赖问卷回答。其早期发现显示，增强型使用多于完全自动化，尽管这一界限取决于任务分类方式。
增强是指人和模型共同完成工作。自动化则是指模型在有限人工参与下完成任务。两者都能改善产出，但需要不同的控制措施。
员工要求模型提供备选标题时，仍由员工负责选择。若系统生成并发布标题而无人审查，更多责任就转移到工作流设计者和模型运营者身上。
这种差异在调查过程中至关重要。企业必须知道员工是获得了协助、委托了决策，还是在未经核验的情况下接受了输出。最终文件很少能回答这些问题。
正式的 AI 系统可以保留日志、限制数据保留时间、执行身份控制，并限制模型访问。它们还可以将输出与获批的知识来源连接起来。个人账户未必遵循相同的配置。
仅仅批准工具并不能解决问题。员工即使获得企业聊天机器人，仍可能使用其他模型，因为它响应更好、支持所需的文件类型，或使用起来更方便。治理必须与便利性竞争。
这给技术领导者带来了压力。他们不能只是封锁所有公共服务，然后宣布成功。过度限制的政策会将更多活动推向不可见的系统之外。
他们也不能宣布每项试验都可接受。当模型让工作变快时，客户合同、隐私义务、职业责任、版权问题和安全要求依然适用。
实际的较量在于两种运营模式之间。
一种模式只衡量结果。它将 AI 协助视为一种看不见的个人技巧，直到某件事出错。这种做法将摩擦降到最低，但几乎不保留证据。
第二种模式将 AI 使用视为生产系统的一部分。它识别获批任务、记录重要交互、测试输出，并分配审查责任。这种做法需要投资，也可能放慢试验速度。
两种模式都无法消除人类判断。区别在于，这种判断是成为有意设计的控制措施，还是被假定存在的安全网。
Google News 的报道指向了一个更广泛的经济问题。如果 AI 生产率始终处于隐蔽状态，企业便无法准确地在员工、雇主和技术提供商之间分配其价值，也无法为相关风险定价。
员工可能贡献了领域知识、机密背景、提示词设计、验证工作和最终问责。模型贡献的是生成的语言或分析。组织贡献的是数据、系统、声誉和法律风险敞口。
将最终结果称为“AI 生成”，抹去了这些贡献。将其称为完全由人类产出，则抹去了其中的机制。更好的衡量必须同时保留两者。
生产率数字无法证明什么
证明 AI 能加快特定任务，并不能证明它能改善整个组织。
许多 AI 研究测试的是边界明确、产出清晰的活动。参与者总结文本、起草商业文档、编写代码，或回答客服问题。研究人员可以比较完成时间，并根据既定标准评估质量。
真实工作包含更多依赖关系。更快的初稿可能导致更慢的审查。更多生成的代码可能增加测试要求。简洁的摘要可能掩盖不确定性，进而在之后导致糟糕的决策。
本地生产力与组织生产力并不相同。一名员工可以节省一小时，却把核验工作转移给同事。一个部门可以产出更多内容，同时在其他环节制造更高的审核成本。
任务复杂度也会改变质量衡量方式。与战略建议相比，结构化客服答复的正确性更容易测试。后者取决于假设、背景和未来事件。
Stanford AI Index汇集了显示 AI 能力和采用率快速提升的研究。它也记录了持续存在的评估难题，以及 AI 在不同任务上的表现不均衡。
基准测试可以表明模型能够回答一组明确的问题，却无法证明员工知道模型何时出错。这种人的校准能力是另一项独立能力。
影子 AI 让这种校准更难审查。组织可能不知道答案由哪个模型生成、提示词中输入了哪些信息，或员工是否核查了引用来源。
调查数据也存在另一项局限。员工可能少报被禁止的行为、夸大生产力，或对“使用 AI”有不同理解。有人把偶尔编辑算作使用，另一些人则把整篇初稿交给 AI 完成。
使用日志也有自身盲点。它们能显示服务内的交互，却无法说明输出是否有用；同时还可能遗漏个人设备、外部账户或嵌入式 AI 功能上的活动。
这种不确定性并不会抹杀生产力提升的可能性，但会改变领导者能够负责任地作出的表述。企业可以说员工正在采用 AI，或某项明确部署改善了可衡量的工作流程。
但企业不应仅凭订阅数量就推断全公司的收益，也不应因为员工生成了更多文字、代码或演示文稿，就宣称实现了转型。
需要审慎追问的是净价值：在审核、纠错、协作和安全工作之后，AI 是否降低了产出可靠结果的完整成本？
这个问题必须逐一按工作流程回答。一个通用的生产力百分比会掩盖客服、软件开发、法律审查、研究、销售和管理之间的重大差异。
同样的审慎原则也适用于失业论断。自动化完成任务的一部分，并不必然取消整个岗位。它可能改变技能结构、减少初级工作、提高产出预期，或将责任转移到其他地方。
不过，不确定性不应成为无所作为的借口。组织已经依赖于不可见的 AI 使用。拒绝衡量既无法保障安全，也无法维持就业稳定。
恰当的回应是谨慎的可见性。企业需要掌握足够的信息来理解重大风险，而不是把每一条普通提示词都变成合规事件。
影子 AI 要求不同的治理模式
一项可行的政策，必须让安全披露比隐瞒更容易。
许多治理计划都从禁止活动清单开始。限制措施很重要，尤其涉及机密数据、受监管的决策和高影响力的自动化行动时。然而，禁止规定不能替代易于使用的工具和易于理解的流程。
员工需要清晰的分类。某些任务可以允许广泛试验；另一些则要求使用获批账户、妥善处理受保护数据、进行人工审核，或完全禁止使用生成式 AI 系统。
一项有用的政策应提供示例，而不只是抽象原则。它应说明员工是否可以总结公开报告、编辑内部文件、分析客户记录、起草法律文本，或审查源代码。
组织还必须区分低风险辅助和具有重大后果的决策。语法纠正与决定谁能获得信贷、工作、保险、医疗服务或服务访问权，风险并不相同。
高影响力使用需要更严格的审核和记录。批准输出的人必须理解决策依据。聊天机器人不能成为一个无人能够辩护的结果的便利解释。
数据边界也必须同样具体。员工应知道哪些信息分类可以输入每个获批系统。当公共工具提供企业产品缺少的功能时，他们也需要有安全的替代方案。
技术控制可以支持这些规则。身份管理、保留设置、访问限制、审计日志和数据泄露防护都能降低暴露风险。但没有任何一种控制能够判断某个答案是否适合其业务背景。
人工审核仍然必要，但“人在回路中”并不是完整的控制措施。疲惫的员工可能未经实质检查就批准输出。审核需要明确标准、充足时间，以及拒绝自动化工作的权力。
组织应同时衡量纠错成本和速度。它们可以跟踪核验主张、修复错误、解决客户问题或重写生成内容所需的时间。这些成本决定净生产力。
它们还应审视 AI 如何改变初级工作。入门级任务往往提供培养专业能力的练习。取消所有基础任务，可能削弱未来能够识别复杂错误的审核人员储备。
管理者同样需要培训。如果领导者只奖励数量而不讨论方法，员工就会为可见产出而优化。负责任的体系会将绩效目标与核验和披露相结合。
最佳的报告机制不应像一张认错表。它应通过日常工作流程设计捕捉有意义的 AI 使用。获批助手可以保留相关记录，而不要求员工记录每一句话。
知识溯源同样重要。团队应区分公开网页材料、授权内容、内部记录和人类专业知识。个人知识系统可以帮助个人在 AI 将来源和推理压缩成答案之前，保留这些内容。
这条来源轨迹的作用不止于合规。当模型摘要遗漏细微差别时，它让员工能够回到原始证据。它还保护了原本可能消失在一次性聊天中的宝贵人类背景。
当员工无需规避规则就能完成正当工作时，治理才能成功。如果获批系统难以访问、速度缓慢或不适合任务，违规行为就会变得可预见。
目标并非实现完美观察，而是围绕有价值的数据和具有重大后果的输出建立适度问责。
三个信号将检验“别问，别说”的 AI 经济
下一阶段将取决于企业是否衡量结果、重新设计工作，并为员工披露 AI 使用提供可信理由。
第一个信号是报告方式的变化。企业经常宣布 AI 访问权限、许可证、助手或培训计划。更有力的证据将把这些投入与完成的工作流程、错误率、审核时间、客户结果或运营成本联系起来。
如果雇主公布可信的净生产力指标，这个隐蔽经济就更容易评估。如果它们继续强调工具可用性，AI 支出与已证明价值之间的缺口仍将存在。
第二个信号是工作流程重设计。在不变的流程旁加上一个聊天机器人，很少能解决由谁审核输出、承担错误责任或记录来源的问题。持久的采用需要改变岗位、检查点和绩效预期。
重新设计的流程让模型的贡献可见。它界定员工何时可以依赖 AI、何时必须核验，以及何时不能委托人工判断。
第三个信号是获批工具改进后的员工行为。如果员工从个人账户转向受管理系统，便利性就是影子 AI 的主要成因。如果隐蔽使用仍在持续，员工可能不信任监控，或更偏好雇主未提供的能力。
这种区分很重要。技术问题需要更好的产品和访问方式；信任问题则需要更清晰的激励、对监控的限制，以及关于生产力收益如何影响工作量和岗位的坦诚讨论。
Google News 让一个契合当下的说法受到关注。经济体系已经在接收由 AI 参与塑造的工作成果，但组织往往无法准确说明这些工作在哪里、如何完成，或由谁授权。
答案不是假装每一项 AI 辅助任务都很危险，也不是把更快的产出当作流程健全的证明。
雇主需要问清 AI 在何处改变了具有重大后果的工作。员工需要有安全的方式作答，而不把有益的试验变成自我定罪。双方都需要能够在初稿之后衡量质量的证据。
读者应关注企业选择哪些指标。许可证数量有利于讲述采用故事；净生产力、纠错成本、事件发生率，以及员工转入获批系统的情况，才能揭示运营模式是否真正有效。
只要收益依然即时、失败依然分散，“别问，别说”的安排就可能持续存在。一旦客户、监管机构、审计人员或员工要求清楚说明重要工作是如何完成的，它就会弱化。
决定性的问题不再是人们是否在工作中使用 AI，而是机构能否识别这种使用、明确责任，并保留挑战机器所需的人类知识。
