最近几份研究释放了同一个信号
5 月，Microsoft 多位研究者发布了关于 M365 Copilot Chat 企业使用行为的论文。研究基于匿名化、隐私保护的数据分析，覆盖约 550 万个会话样本。论文指出，M365 Copilot 已经被全球超过 100 万家公司使用，正在成为知识工作的日常助手。
更重要的是，企业员工使用 AI 的任务已经不局限于写作。研究显示，用户会把 Copilot 用于信息检索、公司内部信息查询、分析、决策、策略制定、沟通和系统诊断等工作。相比普通消费级聊天工具，M365 Copilot 更明显地嵌入企业工作环境，也更常涉及公司特定信息。
但论文也提醒：使用是广泛的，却并不均衡。不同行业、岗位和工作活动之间，AI 使用深度差异明显。也就是说，企业采购同一套工具，不代表不同团队会自然获得同样收益。
6 月，另一篇关于跨国企业 HR 场景中生成式 AI 采用的研究，给出了更细的解释。研究者观察一家跨国科技公司从传统 HR 搜索系统切换到 GenAI 支持系统的过程，结合搜索日志、问卷和访谈发现：员工是否采用 AI，不只取决于系统能力，还取决于这个系统是否适配员工的角色、语言、任职时间和具体工作处境。
这篇研究有一个很有价值的结论：员工对 AI 答案的信任，不是简单“相信”或“不相信”，而是通过查看来源、对比不同系统、在不确定时求助同事或 HR 来逐步建立。研究者也明确提出，企业需要把组织知识基础设施视为 AI 基础设施。
这与 Stanford AI Index Report 2026 的大背景相互呼应。该报告在 6 月 29 日更新版本中强调，AI 能力快速发展，但治理框架、评估方法、教育系统以及用于追踪 AI 影响的数据基础设施，正在追赶技术进展。
放到企业内部，这句话可以翻译得更直接：AI 工具已经足够容易获得，但让 AI 进入稳定生产，需要企业先把自己的知识和管理系统补齐。
员工不是“不愿意用 AI”，而是不知道哪些答案可以用
很多企业看到 AI 活跃度不高，会把原因归结为员工保守、培训不足、提示词不会写。这里确实有一部分真实问题，但不是全部。
在真实业务里，员工面对 AI 答案时，通常会有更具体的顾虑：
如果这些问题没有答案，员工自然会回到原来的工作方式：问熟人、翻历史文档、找群聊记录、等主管确认。不是员工没有接受 AI，而是企业没有给他们足够的信任条件。
这也是很多内部 AI 项目从“试用热闹”走向“长期沉默”的原因。早期大家愿意体验新工具，但一旦进入真实工作，员工会本能地区分“可以帮我起草”和“可以作为工作依据”。前者容易发生，后者才是企业效率真正提升的起点。
- 这条制度是不是最新版本？
- 这个口径能不能对客户说？
- 这个数据来自哪个系统，更新时间是什么？
- 如果 AI 引用了过期材料，责任算谁的？
- 哪些问题可以直接采用，哪些必须找主管确认？
- 我把客户信息、合同条款、财务数据输入进去是否合规？
企业知识基础设施，决定 AI 答案能不能被采用
企业内部 AI 的上游，不是提示词，而是知识基础设施。
所谓知识基础设施，不只是知识库文档数量，而是企业对业务事实、制度口径、流程规则和数据来源的组织方式。它至少包括几类能力：
第一，知识有明确责任人。每一类关键制度、产品说明、交付流程、合规口径、客户服务标准，都应该有人负责维护，而不是散落在多个部门文档里无人确认。
第二，内容有版本和有效期。AI 最怕的问题之一，是把旧文件说得像最新答案。企业需要知道哪份材料仍然有效，哪份已经废止，哪些内容只能在特定地区、客户类型或合同条件下使用。
第三，答案能回到来源。员工不一定要求 AI 永远正确，但他们需要知道答案依据是什么。可追溯来源会显著降低员工采用成本，也让复核和纠错更容易。
第四，权限边界足够清楚。不同岗位能看什么、能问什么、能让 AI 处理什么，需要和企业现有权限体系一致。否则，AI 会在便利性和数据风险之间制造新的冲突。
第五，反馈能回流。员工发现 AI 答错、引用过期材料、无法理解业务场景时，这些问题要进入知识维护和系统优化流程，而不是停留在个人抱怨里。
这些工作听起来不如模型发布和工具采购热闹，但它们决定了 AI 能不能从“个人辅助”变成“组织能力”。
真正需要建设的是“信任校准”机制
企业不应该要求员工盲目信任 AI，也不应该因为 AI 可能出错就禁止使用。更成熟的做法，是建立信任校准机制，让员工知道在不同任务中如何使用、验证和升级。
低风险任务，例如会议纪要整理、邮件初稿、资料摘要、格式转换，可以让 AI 直接提高效率，员工做轻量检查即可。
中风险任务，例如客户方案、销售话术、政策解释、财务分析初稿，需要 AI 给出来源和推理依据，由员工按业务标准复核。
高风险任务，例如合同承诺、用工决定、价格审批、合规判断、客户赔付、医疗或金融建议，AI 应该只能做辅助分析，最终决定必须由指定责任人确认。
这套分层不是为了限制 AI，而是为了让员工更敢用 AI。因为员工知道哪些场景可以快，哪些场景必须稳，哪些场景必须停下来找人确认。
从管理角度看，企业还需要把 AI 采用指标从“用了多少次”升级为“用得是否可靠”。更值得跟踪的指标包括：
这些指标能帮助企业看清楚，问题到底在员工培训、知识质量、系统权限、流程设计，还是管理激励。
- 不同岗位的有效使用率
- AI 答案被直接采用、修改采用和放弃的比例
- 员工最常追问或复核的来源类型
- 过期知识、冲突知识、缺失知识出现频率
- 高风险问题是否按规则升级
- AI 生成内容被主管或专家退回的主要原因
- 因 AI 辅助缩短的查询、撰写、审批和交付周期
对正在推进 AI 落地的企业，建议先做四件事
第一，按岗位重画 AI 使用地图。
不要只做统一培训，而要把销售、客服、财务、人力、法务、研发、运营、管理层分别拆开看。每类岗位最常处理什么信息、哪些任务重复、哪些答案需要权威来源、哪些动作有风险，应该形成清单。
第二，优先治理高频知识，而不是一次性整理全部资料。
企业知识库通常庞杂，试图一口气全部清洗，成本高且容易失败。更实际的路径，是先选择高频、高价值、高误用风险的知识域，例如产品口径、价格政策、合同模板、交付流程、售后规则、员工制度、合规问答。
第三，为 AI 答案设计来源和复核体验。
员工需要的不只是一个自然语言答案，还需要知道答案来自哪份文档、哪个系统、什么时候更新、是否适用于当前场景。AI 系统如果不能提供足够的证据，就很难进入严肃工作流。
第四，把培训从“提示词技巧”改成“工作判断”。
提示词培训可以做，但更重要的是教员工判断：什么任务适合 AI，什么任务必须复核，什么信息不能输入，什么答案不能外发，什么异常必须升级。这类训练比记住几个 prompt 模板更接近企业真实风险。
一个现实判断
企业内部 AI 的长期价值，不是让每个员工都多生成几段文字，而是让组织知识更容易被找到、理解、验证和复用。
如果知识散乱、版本混乱、权限模糊、责任不清，AI 会放大这些问题。它可能让错误答案传播得更快，让员工在更多材料之间反复确认，也让管理层误以为工具上线就等于效率提升。
反过来，如果企业能把知识基础设施、信任校准和岗位流程一起建设起来，AI 就不只是一个聊天入口，而会成为企业内部协作和决策的加速层。
下一阶段，企业 AI 落地的分水岭，不是谁买了更先进的模型，而是谁能让员工在真实工作中安全、清楚、可验证地使用 AI。
真正的竞争力，会出现在员工敢把 AI 答案带进工作成果的那一刻。
