AI 重塑专业服务：把专家时间从琐务还给判断

专业服务机构的核心问题不是缺少专家，而是专家的注意力被低价值工作大量消耗。会计、咨询、投资与分析人员每天大量时间用于找资料、跨系统搬运数据、对齐版本、格式化交付物、追进度和修正本可避免的错误，而客户真正付费购买的判断，反而被挤压在流程末端。文章认为，生成式 AI 真正能改变这一状况，前提是工作流本身被重新设计，而不是简单地把旧流程套上新的工具。

高级专家沦为「整合层」

文章把那些反复占用专家注意力、却并不需要专家判断的工作称为「junk work」（琐务）。文件需要被找到、数字需要被核对、交付物需要被复核，这些都是必要步骤；问题在于，这些步骤是否一定要由机构里最稀缺的人来默认承担。

一项由 Asana 委托、GlobalWebIndex 在六个国家执行的 2023 年调查显示，9615 名知识工作者自述 58% 的工作时间花在「work about work」——协调而非战略性工作。文章也提醒，该数据来自厂商赞助的自我报告，并非直接观察，不应被视为铁律，但它确实描述了多数专业团队立刻就能识别出的问题。

研究证据：增益明确，边界同样明确

文章梳理了三项关键证据。

• 《Science》发表的同行评审实验中，453 名受过大学教育的专业人士在写作任务中使用 ChatGPT，平均完成速度快 40%，评估者给出的产出质量评分高 18%；但任务限定在有边界的写作，无法证明 AI 对所有专业工作流都有效。
• 一项涉及 758 名咨询顾问的更大规模现场实验中，在模型能力边界内的 18 个真实任务上，使用 GPT-4 的参与者完成任务多 12.2%、速度快 25.1%，质量也显著提升；但在同一研究的一项复杂管理任务（位于模型能力边界之外）上，使用 AI 的参与者正确率反而低 19 个百分点。
• 2025 年一项对 319 名知识工作者的调查显示，对生成式 AI 信心越高，自身报告的批判性思考投入越低；936 个一手案例显示，批判性思考的重心正在从「自己推理」转向「信息核验、整合与任务把关」。这是关联性结论，并非对认知能力的直接测量。

核心结论是：当任务在模型能力范围之内时，AI 能显著压缩准备时间并提升产出；当任务超出能力范围时，AI 可能让原本专业的人「更自信地犯错」。

重新分配注意力，而非堆叠工具

文章提出，机构应先绘制一张「人类注意力地图」，而不是罗列用例。今天专家时间被切成两类：琐务（查找、复制、格式化、对齐、催办、返工）与判断（解读、决策、建议、为结果负责）。引入 AI 之后，理想分工应变为：AI 承担「查找、抽取、对比、起草、标记」等可重复的准备性工作，专家则把更多时间投入「质疑、解读、决策、建议与担责」。

这条线并不干净，专家仍需搜索特殊证据、检查计算、修正输出，AI 有时也能贡献有价值分析；变化的是默认分配：机器处理可重复的准备，人处理模糊、例外、关系、权衡与问责。

弱实施的陷阱：把琐务整理得更整齐

文章警告一种常见但低效的实施路径：加一个起草工具，其余流程不动。分析师仍然手动收集文件，AI 生成摘要，分析师逐句核对，经理再核对分析师，产出被复制进旧模板，有人负责修格式，又有人追问某个数字的来源。这样节省下来的起草时间，可能被新增的多层核销流程完全吞掉。

作者由此主张，AI 落地的关键不是部署工具，而是重新设计工作流——决定判断应该出现在哪一步、需要什么证据、流程在判断前后应如何衔接。只有让专家时间真正从准备与协调流向判断与问责，AI 才能兑现其价值，否则换来的只是「整理得更整齐的旧琐务」。