人工智能节省了时间，检查却消耗了时间。

我们将四个数据集视为一个故事。Google、DeepMind和MIT发现科学家使用AI每周节省接近七小时，而相同的研究显示时间的去向：用于验证输出、处理未测试的假设积压、以及在实验和临床验证中的瓶颈。麦肯锡发现个人收益并未传递到公司账户，而欧洲央行和新加坡自己的数据则显示，节省在整个劳动力中分摊后缩小。我们的观点是，收益是真实的，而净收益要小得多——大多数组织引用的是粗略数字。

通过Google的AI和经济ATLAS项目于2026年9月15日发布的研究，对美国和英国的科学家进行了调查，并分析了一大批专业AI模型。近一半的受访者每天使用某种形式的AI，并报告每周节省接近七小时。论文随后报告了在验证AI输出上花费的显著时间、等待测试的假设积压，以及物理实验和临床验证中的瓶颈。作者称之为早期快照，指出节省是自我报告的，并得出结论，真正实现这一点需要重新设计科学流程，而不仅仅是更快的模型。

麦肯锡于2026年8月25日发布的《2026年AI状态》报告显示了相同的资金差距。在其调查的公司中，80%的公司表示AI提高了他们的个人生产力，但只有37%将任何利润影响归因于此，与一年前基本没有变化，而真正的高绩效者的比例保持平稳。与此同时，大多数人表示AI正在全公司范围内扩展：工具的传播速度快于结果。

New Relic于2026年6月10日发布的《2026年AI编码状态》报告准确测量了检查成本。在审查时，几乎所有受访的技术领导者都认为AI生成的代码质量高于人类编写的代码。一旦发布，大多数报告更多的事件，大多数报告高级员工花更多时间修复代码，而大多数表示过去一年中大量AI代码需要重大返工。代码只是最容易看到这一点的地方，因为缺陷伴随着发票；同样的审查负担存在于任何输出看似合理但未经验证的地方。

Workday于2026年2月26日发布的新加坡研究发现，大约一半的新加坡受访者每周至少花一个小时澄清、纠正或重写AI生成的输出，较小比例的人每周仅在返工上花费两到四小时。其于2026年8月11日发布的东南亚研究增加了第二个成本：该地区许多员工每周在不同系统之间转移信息时损失超过一天的工作时间，而只有少数组织将AI嵌入到业务核心。

欧洲央行于2026年8月26日的博客显示，头条节省在整个群体中缩小的速度有多快。工作中使用AI在其数据的三年中急剧上升。中位数用户报告每周节省了真实时间——但只有大约一半的工人有任何节省，这使得经济整体数字约为3.8%。最大的收益也是最狭窄的：代码生成和调试节省最多，但只有少数工人使用AI进行此操作。

三个习惯使净数字更大。选择一个重复的任务，而不是推出一个工具。在开始之前写下完成结果的样子，包括谁签字。然后测量净值，而不是粗略值：节省的小时减去检查的小时。对于一个小工作室来说，等同于已经熟悉的——剧本、镜头清单、批准的静态图——每一个都存在于捕捉错误的便宜时刻。

返工并不是这些工具令人失望的证据。这是证据，表明大多数使用它们的人从未决定什么是好的输出，因此这一决定被推迟到审查时，以最高的价格和持有文件的任何人来做。我们会将Google和MIT的发现视为有用的，因为它是适度的：这些小时是真实的，它们以未完成工作的队列而不是节省的形式出现。

我们会对数字保持谨慎。编码调查是针对大型公司的美国技术领导者，而Workday和欧洲央行的数字是自我报告的，因此它们确立了一个方向，而不是一个精确的比率。任何引用AI生产力单一百分比的人，包括我们自己，都是在引用粗略数字。