随着领导层信任受损，职场 AI 情绪转向负面

Google News 正在呈现 Glassdoor 评价中的一个明显反转：2026 年，关于职场 AI 的评论中仅 43% 为正面，低于 2019 年的 81%。这一变化发生在企业采购更多 AI 工具、要求更多员工使用这些工具之际。员工并非只是排斥陌生技术，而是在质疑管理层打算如何使用它。

Glassdoor 发现，2025 年 5 月至 2026 年 5 月期间，美国员工评价中提及 AI 的次数增长了 240%。这一规模表明，AI 已超出专业团队的范畴，成为日常就业关切的一部分。然而，接触增加也带来了更多批评，尤其集中在裁员、强制采用、监控，以及对核心工作的干扰。

这对将采用 AI 视为生产力挑战的高管而言构成了反转。越来越多的证据表明，问题实际上在于组织信任。Gallup、Microsoft、RSM 和 Catalyst 均发现，高管对 AI 的热情与员工在工作中使用 AI 的实际体验之间存在差距。

Glassdoor 评价揭示职场 AI 的反转

AI 成为员工评价中更重要的话题，但随着讨论扩大，整体语气却变得更负面。

这一事件的基础是 Glassdoor 对提及 AI 或大语言模型的员工评价进行的一项新分析。大语言模型是通过海量数据集中的模式训练而成、能够生成和理解语言的系统。该分析追踪员工如何在对雇主的评价中描述 AI。

根据员工评价数据，2025 年 5 月至 2026 年 5 月，提及 AI 的次数增长了 240%。这一增长并不直接衡量采用率，而是表明 AI 已变得足够重要，会影响员工如何公开评价其工作场所。

语气的变化更具启示性。2019 年，提及 AI 的评价中有 81% 将其描述为正面因素。到 2026 年，正面评价降至 43%，而 53% 为负面评价，或将 AI 视为一项劣势。

这两组观察相隔数年，其间职场环境发生了显著变化。早期评论往往将 AI 视为新兴能力或有趣的技术领域。近期评价则越来越多地描述被强加的工具、组织重组，以及自动化对就业意味着什么所引发的焦虑。

正面评论仍揭示了一条通向接受的路径。Glassdoor 发现，44% 的正面 AI 评论讨论了对公司的商业收益；另有 41% 提及实用工具、培训或雇主支持。

这些主题之所以重要，是因为它们将采用与可见价值联系起来。当员工能够看到 AI 如何改善工作或增强业务时，反应会更积极。当雇主提供负责任使用 AI 所需的资源时，员工的接受度也会更高。

负面评论则呈现出不同的体验。对被取代的担忧出现在 20% 的批评性 AI 评论中，是最常见的顾虑。其他抱怨包括强制使用工具、职场监控，以及 AI 让领导者偏离公司的主营业务。

这些评价还将对 AI 的批评与更广泛的组织压力联系起来。对 AI 持负面看法的员工提及职业倦怠或岗位不安全感的可能性高出 3.7 倍；他们提及裁员的可能性则是其他评价者的六倍。

将 AI 视为劣势的评价中，有四分之一也直接提到了裁员。这种关联并不能证明 AI 导致了这些裁员，但确实表明员工经常是在已有不确定性的氛围中接触这项技术。

正面情绪也与员工行为相关。Glassdoor 报告称，持正面评价的员工在随后一个月申请其他工作的可能性低 47%。同样，这一结果只是关联，并不能证明对 AI 的积极态度阻止了员工离职。

但这一实际信号仍然重要。职场 AI 情绪似乎与员工对战略、稳定性及领导层可信度的更广泛判断有关。工具推广无法脱离这些条件而单独存在。

这正是为什么这则故事不只是 Google News 上的短暂热点。这些评价记录了员工在 AI 进入绩效预期、运营计划和人力决策之后对它的讨论。他们的批评指向实施方式和意图，而不只是模型质量。

压力落在高管和中层管理者身上

高管制定 AI 指令，但中层管理者必须将这一指令转化为对岗位、工作流程和绩效而言可信的改变。

高级管理层面临来自投资者、董事会和竞争对手的压力，需要展示 AI 投入的可衡量回报。他们往往以采用目标、内部助手、自动化项目或智能体部署作出回应。员工随后会通过变化的流程和新的预期感受到这些雄心。

管理者处于这些群体之间的艰难位置。他们必须鼓励试验，同时回答有关数据安全、准确性、工作量和职业后果的问题。他们还需要决定 AI 输出何时必须接受人工审查。

Gallup 于 2026 年 8 月发布的职场研究说明了这一负担。在一项针对 102 名首席人力资源官的圆桌调查中，99% 的受访者认为 AI 对组织战略“较为重要”或“非常重要”。然而，50% 的人对管理者引导员工使用 AI 的能力缺乏信心。

这些 HR 负责人中，仅 57% 表示其组织正在为管理者提供 AI 培训。62% 表示正在建立内部 AI 推广者或卓越中心。这些投入具有意义，但本身无法解决岗位预期不明确的问题。

管理者本已负责招聘、绩效、人员配置和员工福祉。增加 AI 治理责任可能会形成另一项缺乏相应资源支持的义务。一次简短培训无法替代关于可接受使用方式、责任归属和岗位设计的明确决策。

这种压力在采用模式中清晰可见。Gallup 于 2026 年 2 月调查了 23,717 名美国员工。在雇主提供 AI 的员工中，67% 的管理者经常使用 AI，而个人贡献者的这一比例为 46%。

这种差异部分反映了领导工作的性质。当前 AI 工具非常适合起草、规划、分析和沟通。许多一线或专业岗位并不具备同样明显的适配性。

但工具是否可用，并不能完全解释这种差距。员工需要知道 AI 应当在流程中的何处发挥作用、它可以访问哪些信息，以及谁对错误负责。没有这些答案，犹豫可能是一种理性的风险管理。

Gallup 发现，在强烈认同管理者支持使用 AI 的员工中，78% 经常使用 AI；在不强烈认同管理者支持其使用 AI 的员工中，这一比例为 44%。

整合程度呈现出更强的关联。在强烈相信 AI 适配现有系统和流程的员工中，88% 经常使用 AI；在不具备同等信心的员工中，这一比例降至 55%。

明确的政策同样重要。在强烈认同其组织拥有清晰 AI 政策的员工中，经常使用 AI 的比例达到 68%；在不强烈认同的员工中，这一比例为 47%。

这些结果并不意味着领导者应该更强硬地推动员工使用 AI。它们表明，当组织消除实际操作中的模糊地带时，员工会更愿意使用 AI。支持必须包括工作流程设计、权限边界，以及对预期收益的可信解释。

因此，高管被迫作出的回应，不应仅限于增加许可证数量或监控使用情况。他们需要界定哪些工作应当改变，哪些人类决策仍须受到保护。他们还必须说明，生产力收益将如何影响人员配置、评估和职业发展。

对管理者而言，回应更为迫切。他们需要时间测试工具、识别失效模式，并建立适合团队的实践方式。跳过这项工作的公司，会将战略不确定性转移给权力有限的人。

Google News 追踪的是领导力鸿沟，而非简单的 AI 抵触情绪

核心冲突是高管热情与员工亲身体验之间的矛盾，而不是创新与拒绝改变的员工之间的对立。

将持批评态度的员工称为抵触者，是一种颇具吸引力的解释，因为它保护了实施战略。它将责任归因于个人态度、技能或年龄。更广泛的证据则指向一种更复杂的组织性失败。

RSM 的 2026 年中端市场研究调查了高级领导者的 AI 战略。85% 的受访者认同，高管层对 AI 的热情高于员工。这一发现来自领导者自身，而非批评管理层的员工。

同一研究发现，61% 的受访者认同全力投入式的领导方式。30% 则更倾向于以投资人为核心的谨慎方式。这一差异显示，高管思维对更快部署的偏好有多强烈。

RSM 还报告称，88% 的人预计，其员工队伍的规模和构成将在未来两到三年内发生根本性变化。91% 的人预计，在此期间，人类与 AI 系统将以整合团队的形式协同工作。

这些预期使员工的担忧变得可以理解。员工被要求采用系统，而领导者同时预测劳动力将发生重大变化。当运营计划仍预期重组时，笼统的安抚无法化解这种冲突。

领导力鸿沟也改变了员工对培训的理解。当未来岗位明确时，一门课程可以代表对职业发展的投入；而当领导层回避讨论人员配置时，同一门课程可能让人感觉是在为裁员做准备。

Microsoft 的 2026 年 Work Trend Index 提供了另一种视角。其全球调查涵盖了 20,000 名已经使用 AI 的受雇或自雇知识型工作者。研究人员测试了与员工报告 AI 产生实质影响相关的 29 项因素。

组织因素解释了已报告 AI 影响的 67%，而个人心态和行为占 32%。主要的组织因素包括文化、管理者支持和人才实践。

这项AI 影响分析识别的是关联，而非因果关系的证明。Microsoft 明确指出，这些指标是在同一时点由受访者自行报告的。不过，三种不同的统计模型得出了相同的类别排序。

这一结果挑战了这样一种观点：不情愿的员工只需要提升提示词技能。员工在其环境支持安全试验、并在发展实践中体现 AI 时，会报告更高的价值。个人热情无法修复一个自相矛盾的系统。

Catalyst 在聚焦变革期间领导力的研究中得出了相关结论。仅 16% 的员工表示，在 AI 驱动的变革中，领导者始终保持自信并给予支持。33% 的员工认为，领导者在业务动荡期间缺乏诚信。

近半数，即 47%，对将 AI 融入日常工作能提升生产力持悲观看法。37% 的人因数据共享问题而不信任 AI。这些发现将技术担忧与对领导行为的判断结合在一起。

Catalyst 认为，培训不均衡和员工参与有限会加深不信任。获得信息很少的员工只能自行推断采用 AI 对自己意味着什么。裁员公告和激进的效率目标往往会填补这一信息空白。

因此，冲突在于承诺与体验之间。领导者承诺带来更高价值的工作、更强的创造力，以及摆脱重复性任务的解脱。员工实际得到的却可能是额外的核验工作、不明确的绩效规则，以及自动化将减少人员配置的信号。

负责任的 AI 工作流程需要可靠的机构记忆。团队在评估生成内容时，需要获取已批准的政策、源材料和过往决策。可搜索的知识库能够支持这项工作，但技术无法决定用工政策。

Google News 的报道放大了这一逆转，因为它挑战了一个熟悉的采用叙事。员工并不是在等待认识 AI。许多人如今已经接触过它，并对雇主如何使用它形成了更具批判性的判断。

评论数据无法证明什么

Glassdoor 的发现是一个强烈的警示信号，但无法证明 AI 导致了负面的职场环境。

员工评论是由选择发帖的人写下的观察记录。它们并不代表所有员工的随机样本。拥有异常积极或消极经历的员工，可能更有理由提交评论。

评论者的构成也会随时间变化。2019 年谈论 AI 的员工，可能是在早期采用者企业担任技术岗位。到 2026 年，评论可能涵盖更广泛的职业和组织。

这种变化可能解释了部分情绪下滑。AI 已从研究团队进入保险、客户服务、招聘、软件开发和行政管理等领域。不同岗位让员工面临不同的收益与风险。

Glassdoor 的分类还会将复杂评论压缩为积极和消极两类。一名员工可能认可 AI 助手，却批评公司的人员配置计划。另一名员工可能反对监控，但支持用自动化处理重复性文档工作。

批评 AI 的评论与裁员之间的关系尤其需要谨慎对待。提及两者的评论并不能说明技术淘汰了这些岗位。面临财务压力的公司，可能同时推进裁员和 AI 项目。

高管也可能使用 AI 话语来为由其他条件驱动的决策辩护。削减成本、需求下降和组织整合，都可能与自动化项目同时出现。公开声明很少提供足够细节来区分这些原因。

积极评论者后续求职申请减少 47% 也有类似局限。积极情绪可能反映的是员工对雇主整体更满意，而不能证明良好的 AI 体验导致员工留下来。

Microsoft 和 Gallup 的调查结果同样高度依赖自我报告的感受。喜欢自己经理的员工，可能会对多个职场因素给出积极评价。这种共同感知可以强化相关性，却无法证明某一个因素导致了另一个因素。

这并不意味着证据毫无价值。独立数据集一再将经理支持、工作流程契合度、政策清晰度和组织文化，与更好的员工体验联系起来。这种趋同使领导力成为一个可信、需要关注的因素。

还有证据显示，一些非使用者持有与领导质量无关的反对意见。Gallup 发现，43% 的非使用者在伦理上反对 AI。39% 的人不相信它能帮助自己完成工作。

43% 的非使用者和 38% 的低频使用者提到了隐私、安全和合规担忧。这些都是实质性问题。当系统的数据实践仍不可接受时，更好的沟通无法消除这些担忧。

同样，46% 的非使用者更偏好既有的工作方式。即便新流程能带来价值，熟悉感也可能放缓采用。组织仍需要区分习惯与知情后的担忧。

因此，怀疑性的解读有两面性。领导者不应假定每一条负面评论都证明其 AI 战略失败。但他们也不应将 38 个百分点的情绪逆转简单归为对变化的恐惧。

最好的检验是运营证据。公司应在部署前后比较任务质量、完成时间、返工、员工工作负荷和客户结果。他们应在内部公布这些发现，包括那些挑战投资合理性的结果。

员工还需要受到保护的渠道来报告失败。如果批评会影响绩效评分，员工就会隐瞒问题，直到问题传导至客户或监管机构。因此，心理安全是技术质量控制的一部分。

可信的实施必须允许得出这样的结论：AI 不适合某项特定任务。强制使用可能制造表面采用，却降低效率。仅凭使用次数无法说明工具是否改善了工作。

经理支持会改变员工体验 AI 的方式

经理无法消除工作不安全感，但他们的支持可以将抽象的企业指令转化为可检验、可问责的工作流程。

Gallup 发现，拥有支持性经理的员工更可能报告文化改善。在强烈认同经理积极支持使用 AI 的员工中，31% 表示职场文化有所改善。缺乏这种强烈认同的员工中，这一比例为 21%。

受支持群体中，9% 表示文化有显著改善。对照组中，只有 3% 报告了同等程度的改善。这一差异表明，经理影响的不只是采用频率。

这种影响并不关乎激励演讲。有效支持始于判断 AI 在何处有用。经理可以确定一项边界明确的任务，定义可接受的输入，并设立人工审核要求。

以使用 AI 起草回复的客户支持团队为例。员工需要知道客户信息是否可以输入系统。他们还需要针对医疗、法律、金融或情感敏感请求的升级处理规则。

软件团队需要不同的控制措施。AI 生成的代码需要测试、安全审查和许可证意识。只衡量开发者接受了多少建议，可能会奖励速度，却掩盖维护成本。

人力资源团队面临另一组风险。起草职位描述不同于对候选人排序或评估绩效。后一类任务可能影响就业机会，需要更严格的审查。

因此，有效的推广会将 AI 视为工作设计的一部分。工作设计规定任务、权限、信息和问责如何安排。它不能被简化为访问凭证和提示词库。

经理还需要被允许报告某个工具表现不佳。如果高管赞助者期待成功，中层经理可能会过滤负面结果。员工随后会看到错误，而官方仪表盘却显示进展。

这种可信度差距可能加剧 Glassdoor 观察到的情绪变化。员工不太可能信任一个将批评视为不忠的采用计划。他们看得出生成内容何时需要大量修正。

领导层应说明，节省的时间将用于减少工作负荷、提高产出目标，还是改变人员配置。每一种选择都有不同后果。沉默会让员工认为，每一项效率提升都会威胁一个岗位。

培训也必须匹配岗位。通用演示通常强调起草、总结和头脑风暴。它们并不涉及特定团队所需的获批数据、审查标准或相关后果。

Gallup 的职场采用研究发现，工作流程整合与高频使用密切相关。这支持按岗位实施，而非泛泛鼓励。

经理需要可衡量的质量阈值。团队应知道输出必须达到何种准确度，以及有哪些证据支持它。对于高风险工作，人工仍必须对最终决定负责。

员工也应参与选择应用场景。他们了解行政摩擦存在于何处，也知道何处的语境至关重要。参与能将采用从外部要求转变为共同设计过程。

这种参与并不保证获得认可。员工仍可能反对某个系统，或担心其后果。但它确实能在组织大规模推广前暴露实际问题。

高管仍要对最棘手的问题负责。经理没有权限就无法承诺工作保障。当绩效体系无论结果如何都奖励采用时，他们也无法解决相互矛盾的激励机制。

这就是为什么领导层仍是问题的一部分。公司经常将实施工作向下委派，同时在顶层保留战略模糊性。经理成为他们未参与制定、也无法完全解释的决策的传话人。

更可信的模式是将高管承诺与运营保障相连接。领导者定义用工原则和问责机制。经理设计团队工作流程。员工检验这些工具能否在不造成不可接受风险的前提下创造价值。

三个信号将表明 AI 信任是否正在恢复

下一阶段将由员工结果和运营实践来衡量，而不是又一波高管 AI 公告。

第一个信号是，在 AI 提及仍处于高位的同时，评论情绪是否改善。批评减少而讨论持续，说明实施可能正变得更有用或更少威胁性。仅仅提及减少，可能意味着员工脱离参与，而非信任恢复。

Glassdoor 未来发布的数据还可以显示，裁员是否仍与负面 AI 评论紧密相关。关联减弱将支持这样一种观点：公司正在将技术部署与不加区分的劳动力缩减区分开来。

如果负面情绪持续上升，领导力解释就会更有说服力。这将表明，职场 AI 的使用体验并未消除员工担忧，反而可能印证了他们对战略和就业的担心。

第二个信号是，组织是否缩小了经理支持差距。Gallup 发现，半数受访 CHRO 对经理指导 AI 使用的能力缺乏信心。只有 57% 表示提供了经理培训。

仅有培训数字还不够。公司应追踪经理是否获得时间、权限、政策支持和技术协助。员工调查应检验团队层面的预期是否变得更清晰。

Gallup 的文化研究结果提供了有用的基准。拥有积极支持型经理的员工报告了更好的文化结果。未来研究可以检验，随着部署成熟，这些差异是否持续存在。

改善将强化这样一种观点：管理实践会塑造 AI 结果。没有改善则意味着支持计划过于肤浅，或更大的就业担忧主导了地方领导力的影响。

第三个信号是，公司是否披露使用量以外的结果指标。有用的指标包括错误率、返工、周期时间、员工工作负荷、客户满意度和内部流动性。人员数量变化应与生产力主张一并呈现。

这类披露将帮助员工判断 AI 是否正在创造更高价值的工作。它也会暴露那些只是将工作量从生产转移到核验的部署。

RSM 的发现使这一点尤为重要。大多数受访领导者预计，劳动力构成将发生重大变化，人类与 AI 的协作将广泛普及。员工需要看到证据，了解人们将在这种未来中扮演怎样的角色。

公开报道或许仍然有限，但内部透明度同样重要。管理层可以分享试点结果、失败率，以及停止不适合项目的决定。承认局限性，比宣称全面成功更能建立信心。

通过 Google News 关注这一话题的读者，应谨慎看待采用数据。更多许可证、提示词或活跃用户，并不能证明实现了高效整合。强制性的使用活动可能增加，但信任和工作质量却可能下降。

更值得关注的问题是：随着 AI 使用范围扩大，员工是否获得了更清晰的认知、更多控制权，以及可信的职业发展路径。这些条件将决定批评声是会减弱，还是会成为工作环境中长期存在的特征。

对于知识型员工而言，眼下应记录 AI 在哪些环节节省了时间，又在哪些环节增加了核验工作。将这些观察带入工作流程评审、安全讨论和绩效规划中。当生成内容出现问题时，应追问谁仍需承担责任。对管理者来说，在扩大使用范围前，应将承诺的收益与可衡量的团队成果进行比较。对高管而言，应说明效率提升会如何影响岗位，而不是让员工自行揣测答案。下一条 Google News 头条应依据这些信号来评判，而不是又一个雄心勃勃的采用目标。