McKinsey 2026 年全球 AI 調查結果顯示[1]，在工作上使用 AI 的受訪者中，有八成表示 AI 提高了自己的生產力。約一半受訪者則認為，AI 有助他們培養新技能，並作出更好的決策；但在企業層面，只有 37% 受訪者表示 AI 已對所屬企業的息稅前利潤（EBIT）帶來正面貢獻，與一年前調查結果持平。
息稅前利潤（Earnings Before Interest and Taxes，簡稱 EBIT）是企業扣除利息及所得稅前的利潤，常用來觀察企業核心業務的盈利表現，減少融資結構和稅務差異帶來的影響。
以上的數字不能直接證明「AI 提高個人生產力，卻沒有提高企業盈利」，調查依賴受訪者自行評估，而且個人生產力與 EBIT 本來就是不同層次的指標。不過，它點出了一個值得追問的落差：愈來愈多人感受到 AI 令工作變快，這些效率卻未必以相同比例出現在企業價值上。
在這裏，「企業價值」並不是指股票估值，而是較具體的營運結果，包括：
收入及成本
交付時間
產品與服務品質
客戶體驗
最終盈利能力
AI 可以直接令一個員工做得更快，但一個人的效率提升，要經過資源配置、工作流程與決策後，才可能正面地變成一間公司的營運結果。因為 AI 只是改變完成工作的時間、成本或能力。企業要從中得到實際價值，必須顧及：員工節省下來的時間是否被重新分配到更有價值的工作？有沒有縮短整條工作流程？還是反過來增加員工手動覆核的時間成本？
個人生產力與企業價值之間的「轉換」是否真的發生，正是本文接下來探討的地方。
個人生產力真的提高了嗎？
AI 確實能令部分以文字、資訊處理和分析為主的工作做得更快。美國全國經濟研究所（National Bureau of Economic Research，縮寫：NBER）於2025年5月發布《利用生成式人工智慧轉變工作模式》（Shifting Work Patterns with Generative AI）研究報告，研究涵蓋66間來自金融、專業服務、電訊、製造等不同行業的大型企業，共7,137名日常大量使用 Microsoft 365的員工（下稱 Copilot），一款整合於日常辦公軟件的生成式 AI 工具，協助處理電郵、會議和寫作等工作[2]；參與企業名稱並未公開。
結果顯示，80%員工每星期處理電郵的時間平均減少兩小時，加班時長亦有所下降；但除了節省個人時間之外，研究結果沒有發現因為提供 AI 工具，而令他們的工作數量或內容出現明顯變化。研究沒有進一步量度這些時間是否轉化成收入、成本下降或其他企業層面的商業成果。
員工省下兩小時，並不等於為公司多創造兩小時價值
這是個人生產力和企業價值之間第一個容易混淆的地方。
假設一名員工原本需要三小時準備一份客戶提案，現在利用 AI 一小時便完成。從任務層面看，生產力確實提高了。但公司是否因此增加價值，還要看餘下兩小時如何使用：員工有沒有處理更多重要工作？提案是否更快送到客戶手上？成交率有沒有提高？抑或省下來的時間只是變成更多會議、電郵和內部文件？
節省工時與增加企業產出之間，並不存在自動的換算關係。
NBER 研究亦發現，儘管員工可以利用 Copilot 產生會議記錄、整理摘要和列出行動事項，他們花在會議上的時間並沒有明顯下降。原因之一是，縮短會議時間涉及其他參與者的安排和團隊協調，並非單靠個別員工提高效率就能改變。
這亦說明，AI 帶來的局部效率若要進一步轉化成企業層面的產出，往往還需要工作流程、協作方式和職責分配一起調整。否則，零散省下來的時間未必會自然累積成公司整體效率，更有機會變成沒有意義的忙碌。
AI 產生的 「Workslop 」垃圾，如何偽裝成生產力
「Workslop」是由 work（工作）與 slop（垃圾）組成的新詞，用來形容一類外表完整、看起來專業，實際卻缺乏足夠內容、脈絡或判斷，無法真正推進工作的 AI 產物，例如篇幅很長的報告、整理得很漂亮的簡報、過度簡化的摘要，或缺乏背景脈絡的程式碼。
AI 大幅降低了製作初稿的成本。員工以前可能要花兩小時整理資料、理解問題和撰寫報告，現在十分鐘便能生成一份二十頁文件。單看產出數量，他的確快了；但如果文件缺乏脈絡、論證鬆散，下一名同事仍要重新理解問題、核實資料、補回判斷，原本由製作者承擔的工作並沒有消失，只是轉移到下一個環節。
企業行為研究中心 BetterUp Labs 與史丹福大學 Social Media Lab 在 2025 年 9 月訪問 1,150 名美國全職辦公室員工，40% 表示前一個月曾收到 Workslop；受訪者估計，每宗個案平均需要約兩小時處理。[3］
雖然這項研究是網上問卷，數字來自受訪者自行估算，不能據此推論 AI 令企業整體生產力下降，不過它指出了一個容易被「產出增加」掩蓋的成本：AI 可以令製作變快，但如果理解、覆核和修改的工作只是被推到下一個人身上，局部效率未必能轉化成企業整體的生產力。
取得較大 AI 價值的企業，做了甚麼不同？
如果單純提高個人效率不能有效確保為企業帶來價值，下一個問題是：那些已經從 AI 取得較明顯回報的企業，究竟做了甚麼不同？
McKinsey 在 2026 年的全球 AI 調查中，把約 6% 受訪企業列為「AI 高績效企業」（AI high performers）：這些企業表示，將至少 5% 的息稅前利潤歸功於人工智慧應用，認為AI 為公司帶來顯著的價值。
高績效企業和其他企業一樣，兩者都有約八成表示希望用 AI 提升效率。不同的是，高績效企業不只想停留「AI 加快工作效率」，更會運用 AI 推動業務增長和創新。它們計劃未來三年內，利用 AI 重塑業務的可能性，是其他企業的 3.3 倍。
所謂利用 AI 推動「增長」或「創新」，並不只是提高員工效率。例如 AdVon Commerce 利用生成式 AI 優化商品內容，其中一個客戶在 60 日內增加約 1,700 萬美元收入；
Home Depot 則把 AI 直接做成新的購物助手，協助顧客由規劃家居改善項目，到建立購物清單和完成購買。前者直接推動收入，後者則改變產品與服務的提供方式。 [4]
另外，工作流程亦出現明顯差異。接近四分之三的高績效企業表示，已因應 AI 重新設計更適合自己企業和員工的工作流程，高於前一年的 55%；其他受訪企業則只有約四分之一這樣做。
這些數據仍然只能顯示高績效企業和AI的關聯，不能證明重新設計工作流程必然帶來更高盈利。規模較大、管理能力較成熟的企業，本身亦可能更有能力同時投資 AI、改革流程和取得較佳業績。
不過，兩組企業之間至少出現了一個值得繼續觀察的分野：大部分企業仍然把 AI 當成提高現有工作效率的工具；取得較大價值的企業，則更常利用 AI 改變原本的工作方式，甚至重新思考業務如何運作。
接下來應該量度甚麼？
如果企業真正關心的是 AI 能否創造價值，員工的 AI 使用率不應該是最重要的指標。企業真正應該量度的，是工作結果有沒有改善。
部門／場景 | 不只看甚麼 | 更值得追蹤的指標 |
客服 | AI 處理多少宗查詢 | 首次解決率、人工接管率、重複查詢率、每宗個案成本 |
軟件開發 | 生成多少程式碼 | 由需求到上線所需時間、程式審查時間、返工比例、故障率 |
市場推廣 | 產出多少內容 | 推出速度、轉換率、收入、獲客成本 |
銷售 | 寫了多少電郵或提案 | 成交率、銷售週期、客戶回覆率、每宗成交成本 |
跨部門流程 | 單一任務節省多少時間 | 等待時間、人工覆核次數、交接次數、例外個案比例 |
對香港企業而言，最簡單粗暴增加公司AI的使用率，就是要求員工開始使用相關工具。較難的是，導入 AI 之後，有沒有重新檢視原有的審批、分工和工作流程。如果工作方式沒有改，AI 很可能只是令個別員工更快完成手上的一小部分工作，整間公司的運作速度卻沒有同步改變。
我們不能因此斷言「AI 沒有為企業創造價值」的結論，更值得追問的是：企業能否把已經出現在個人層面的效率，真正轉化成組織層面的結果。
未來我們要看的，也許不再只是員工每天用了多少次 AI，而是一件工作由開始到完成是否真的縮短、人工覆核和返工有沒有下降、單位成本有沒有減少，客戶是否得到更好的結果，以及這些改善最後有沒有反映在收入和盈利之上。
AI 可以替一個人省下兩小時。對企業而言，真正重要的從來不是節省了兩小時，而是這兩小時有沒有創造更大價值。
資料來源與延伸閱讀
[1] McKinsey & Company, “The State of AI.” QuantumBlack, AI by McKinsey. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
[2] Eleanor W. Dillon, Sonia Jaffe, Nicole Immorlica, and Christopher T. Stanton, “Shifting Work Patterns with Generative AI.” NBER Working Paper No. 33795, National Bureau of Economic Research, 2025. https://doi.org/10.3386/w33795
[3] BetterUp, “Workslop.” https://www.betterup.com/workslop
[4] Google Cloud, "1,302 real-world gen AI use cases from the world's leading organizations"
https://cloud.google.com/transform/101-real-world-generative-ai-use-cases-from-industry-leaders
Harvard Business Review 繁體中文版，〈為何人們製造「AI 工作垃圾」？如何阻止？〉 https://www.hbrtaiwan.com/article/24739/why-people-create-ai-workslop-and-how-to-stop-it
Gallip, "AI Use at Work Has Nearly Doubled in Two Years"
https://www.gallup.com/workplace/691643/work-nearly-doubled-two-years.aspx
其他文章
