ARTICLE · 1234411
公司买的 AI 工具,员工死活不用?也许你错在「太尊重」他们
先想一个你大概率熟悉的场景：
公司花几十万采购了一套 AI 工具——可能是销售助手、客服 Copilot，也可能是代码生成器。上线时轰轰烈烈：培训做了，宣贯做了，使用率甚至挂进了 KPI。
三个月后一看后台，日活使用率三成不到。问员工，回答惊人地一致：「试过，不太好用，不如自己来。」
于是你加钱做培训，请专家来宣讲，树典型、发奖励——核心逻辑都一样：尊重员工意愿，让改变自愿发生。
这套打法看起来天经地义。但一篇 2026 年刚发在管理学顶刊上的论文，用一场真实的随机实验得出了一个反直觉的结论：
面对新工具采用，「太尊重」员工意愿，可能恰恰是问题本身。
🔍 01｜一个反直觉的实验：强制用了三周，之后反而更离不开
先交代研究背景。
论文发表在 Manufacturing & Service Operations Management（M&SOM，运营管理领域顶刊），作者来自香港中文大学、科罗拉多大学博尔德分校、帝国理工学院和圣路易斯华盛顿大学。他们跟踪的是一家头部在线教育公司：主营欧美外教给 4–15 岁的中国孩子上英语课，获客靠电话销售，销售顾问的工作是打电话、约试听课、跟进转化。
2018 年底，公司上线了一个「试听课老师分配算法」：根据学生情况自动匹配最合适的外教，目标是把试听后的购买率最大化。
听起来是个好东西。但实验前的数据显示，这个算法用得很不充分：
平均使用率只有 20.08%——五个试听课里，只有约一个用了算法； 而且销售顾问是「选择性使用」——专挑低质量线索（本来就不太可能成交的客户）交给算法； 同期一看账：用算法订的课，转化率比手动订的低约 9.9%（相对值）。
如果只看这些数据，结论似乎是现成的：算法不行，员工不用是对的。
但研究者没有停在这里。他们注意到一个细节：员工可以自己决定把哪些线索交给算法。 一个专挑差生用的算法，成绩差，到底是谁的问题？
公司随后做了一场随机实验（2019 年 5 月 30 日至 6 月 18 日，为期三周），销售顾问被随机分成三组：
- 算法组
：所有试听课必须用算法分配； - 手动组
：一律不许用算法，全部手动； - 对照组
：没有任何变化，照旧自由选择。
注意一个关键设计：用了算法，就必须接受它的分配结果，不能修改。
三周后，所有干预取消，所有人恢复自由选择。接下来发生的事，才是这篇论文真正值钱的地方：
实验结束后的一个月里，「必须用」组的使用率，比对照组高了 15.8 个百分点。
而且这个效果：在不同初始使用水平的员工身上都存在；在观察期内没有衰减；对转化率也没有负面影响——算法并没有把业绩搞砸。
强制用了三周，撤掉之后，员工反而更愿意用了。
🧭 02｜核心发现：不是员工讨厌 AI，而是偏见在自我证实
先给结论：
这篇论文的真正发现，不是「强制管理很有效」，而是「员工对 AI 的抗拒，大多数不是体验后的判断，而是体验前的偏见在自我证实」。
研究者把这个恶性循环还原成了四步：
① 先有偏见。 没怎么用过，仅凭印象和同事的吐槽，就认定「算法不行」。
② 选择性使用。 既然不信，就不会把重要客户交给它——只把低质量线索丢给算法「试试看」。
③ 表现显得差。 算法专挑最难转化的线索干活，成绩单当然不好看。前面那个「低 9.9%」，就是这么来的。
④ 偏见被证实。 「看，果然不行。」信念更坚定了，使用更少了。
这个循环最麻烦的地方在于：它不需要任何新信息，就能一直转下去。 员工越不信，越不给它机会；越不给机会，它越没机会证明自己。如果不从外部打破，这个循环是稳定的——它会自己锁死。
而「强制介入」，恰好打断在关键一环上：
它让员工无法「挑任务」，也就无法把算法限制在低价值场景里。当算法被用在真正重要的客户身上，员工第一次看到了它的无偏表现——原来没那么差，原来有些地方确实比自己准。
实验数据支持了这个解释：算法组的员工里，那些在实验期间实际体验到算法真实表现的人，之后用得更多；而对照组里不存在这种关系。实验结束后，算法组把算法用在高价值客户上的比例也明显上升了。
也就是说，起作用的是学习（亲眼看到、更新认知），而不是习惯（用久了顺手）。
研究者给这种现象起了个名字：「选择性算法厌恶」——员工不是不用算法，而是只在不重要的地方用它。
还有一个更大的背景值得说：AI 在早期普遍处于「冷启动」阶段——算法要靠人使用产生的数据才能变好，用的人越多，数据越多，算法越强，又会吸引更多人用。就像特斯拉的自动驾驶，每个用它的司机，都是算法的「教练」。早期让员工深度使用，看似牺牲了一点短期体验，实则同时买了三样东西：算法进化、数据积累，和员工自己的认知校准。
🏥 03｜现实诊断：为什么你的 AI 推广止步于「试点」
框架有了，来看真实世界。
先看一组公开数据。据 Worklytics 2025 年的基准数据，Microsoft 365 Copilot 卖出了超过 2000 万个企业付费席位，但职场实际使用率只有约 35.8%——有权限的人里，不到四成真的在用。Gartner 2025 年的一项调研则显示：试点了 Copilot 的企业中，最终走向全员推广的只有约 6%。
采购热，使用冷。这不是微软一家的尴尬，是当下企业 AI 落地的普遍状态。
用上面的框架诊断一下，你会发现多数公司的应对之策，恰好打在了循环的错误一环上。
面对使用率低，标准动作是培训、宣贯、树标杆、发激励——本质都是在「说服」：向一群没有充分体验过工具的人，证明工具很好用。但循环的症结不在「不信」，而在没机会形成无偏判断。培训做得越多，越像是在加固一个从未被校准的信念——因为员工自始至终都停留在「自愿试错」模式：只在自己方便的时候、用在自己不重要的任务上，然后得出「不过如此」的结论。
一个更扎心的本土版画面：打开你公司的 IM，找到那个买了没人用的 AI 助手，翻翻它的使用记录——大概率集中在写周报、起标题、翻译邮件这类「没人愿意干的杂活」上。
一个只被用来干杂活的 AI，是永远无法赢得尊重的。
再回看那个四步循环，你会发现「只让 AI 干杂活」和「只把低质量线索交给算法」，是同一个动作：把 AI 固定在最容易失败的位置上。
当然，这个框架不是万能的。诚实地说边界：
- 论文本身有局限
：单一场景、单一干预方式，且系统不允许员工覆盖算法推荐——这些条件换到你的公司，未必成立。 - 框架在三种情况下会失效
：第一，短期绩效损失不可控（论文里算法与人的表现相当，这是前提；如果算法确实明显更差，强制使用就是硬亏）；第二，错误代价不对称的场景（医疗、法务、财务审批——这类岗位的「试错权」本身就该收紧）；第三，反对理由具体且可验证时（数据安全、责任归属），那是真问题，不是偏见——先解决问题，再谈采用。 最后一点最容易被误读：强制的是「使用窗口」，不是「强制接受一切」。 论文里三周后干预全部取消、恢复自由选择，效果反而持续了下来。它的本质是「强制体验」，不是「强制服从」。
🧰 04｜工具箱：三步判断，该不该「强制」
如果下周就想用，按这三步走：
第一步，先分清抗拒的类型。
问一个问题：员工是在「没怎么用就说不好」，还是「用了之后有理有据地反对」？前者是偏见，后者是反馈——两者要用完全不同的打法。
第二步，如果是偏见，设计一个「深度使用窗口」。
全员必用，2–4 周为宜，三个设计要点：
- 窗口内不允许挑任务
——重要场景也必须用，这是打破「选择性使用」的关键； - 窗口内不允许覆盖算法结论
（或至少在高价值任务上不可绕过）； - 窗口结束，立即恢复自由选择
——效果靠体验说话，不靠惯性绑定。
第三步，窗口里只做一件事：校准。
让每个人在开始前写下「我觉得它会怎么不行」，使用期间对照「实际发生了什么」。不需要打分，不需要评比——让员工自己发现预期和现实的差距，这个动作本身就是干预的目的。
用之前，过一个前提检查：这个工具的短期表现和人相比如何？差距可控、窗口期不会造成实际损失，方案才成立。如果工具确实还不行，那就先补工具，别急着补管理。
最后，留一个开放问题：
你公司买的 AI 工具，现在有多少人真的在用？
欢迎在评论区聊聊——我特别想听两种故事：一种是「死活推不动」的，一种是「莫名其妙就推开了」的。
下一篇（周日晚），「海公公断案」开案第一断：派拉蒙天舞 1100 亿美元吞下华纳兄弟探索——买家花了天价，却承诺「不关制片厂、不改新闻、每年多花 3 亿美元做内容」。这 1100 亿到底买了什么？一篇组织理论顶刊论文，断给你看。
觉得这篇有点用，点个「在看」，转给那个正在为 AI 使用率发愁的朋友。
📄 论文出处Cao, X., Hu, C., Sun, J., & Zhang, D. J. (2026). How Forced Intervention Facilitates AI Adoption. Manufacturing & Service Operations Management. DOI: 10.1287/msom.2024.1137
📊 数据来源Worklytics 2025 Copilot Benchmarks；Gartner 2025 年关于 Microsoft 365 Copilot 的 IT 决策者调研。
