研究提供的证据

NBER 工作论文《Generative AI at Work》研究了客服人员使用生成式 AI 辅助工具的情境。2024 年 11 月修订版涉及 5,172 位客服人员，其摘要报告按每小时解决问题数衡量的平均生产率提高 15%。效果因经验而异：经验较少的员工改善较大，最有经验的员工速度小幅提高、质量略有下降。

原始工作论文页面 · 作者论文预印本 · NBER 后续研究介绍

这里采用已核对的 2024 年修订版 摘要口径，不混用早期版本的百分比。研究场景是人使用辅助工具完成客服工作；这些结果不能直接证明一家独立公司的利润或可裁减人数。

三个容易被写错的转换

处理量不等于节省同样比例的时间。 假设每小时原本处理 10 件、现在处理 11.5 件，处理 100 件所需时间从 10 小时变成约 8.70 小时，理论上减少约 13.0%。这是固定工作量的算术示例，不是研究测得的工时结果。

释放时间不一定变成现金。 如果经营者本人承担客服，省下的时间可能用于获客、产品或休息；账单不会自动减少。只有确实减少了支出，才能记为现金节省。

平均效果不是你的业务预测。 产品问题、知识库、员工经验和异常比例都会影响实际使用结果。把一个平均数直接乘上全公司的工资，是越过了证据边界。

独立经营者怎样设计小规模试点

下面是编辑提出的试点方法，不是论文给出的标准流程。

先选重复、可复核的一类咨询，例如产品使用问题。暂不纳入退款争议或需要特殊承诺的情况。记录一段现有流程，再在可比问题中试用 AI 草稿，由同一个负责人复核后发送。

每次记录四类时间：准备、生成、复核、返工。还要记录问题是否解决、是否重新联系、是否升级处理。只计生成速度，会漏掉大量人工劳动。

下载试点记录表。这是空白模板，没有预填研究结果或商业收益。

怎样决定继续还是停止

开始前写下自己的最低收益条件和不可接受错误，例如捏造产品条款。试点后比较包含复核与返工的总工时，同时查看解决质量。案例太少、问题构成变化或同期政策调整时，继续收集信息，不急于下结论。

如果节省的主要是写作时间，但复核增加更多，就调整知识材料、缩小适用问题，或停止使用。如果可以稳定减少重复劳动，再评估哪些释放的时间确实有更好的用途。

成本表应包含什么

模型与软件费、维护知识材料的时间、人工复核、异常处理都属于新增投入。若要换算时间价值，公开你使用的假设时薪，并把“估算的时间价值”和“实际减少的现金支出”分开列。

这类文章的结论应当与证据同样具体：在什么任务、什么人群和什么条件下发生了什么变化。没有公司的原始经营数据，就不写一个收入数字来补齐故事。