初期成效來自答案明確的重複性工作
多家企業表示，在客戶查詢、人資問答與合約審閱等量大且答案相對明確的工作上，早期即出現顯著成效。這類工作易於衡量，企業得以在進一步投資前評估成果。
案例分析 來自案例
共通 模式
10人員覆核協助企業控管AI品質
企業在AI草稿送達客戶或病患之前，由員工先行檢查，藉此管理品質風險。Klarna曾在倚賴AI助理的同時裁減客服人員，後因服務品質疑慮而重新引入真人客服。
資料整備先於模型導入
新韓銀行（Shinhan Bank）在導入生成式AI助理之前，先重新整理銀行業務知識。沃爾瑪（Walmart）、浦項製鐵（POSCO）與Kurly也在選定模型前，先行清理、串接並共享資料。
企業須為面向客戶的AI所作回應負責
加拿大一個審裁機構裁定，加拿大航空（Air Canada）須為其網站聊天機器人錯誤告知的退款條款負責，並駁回聊天機器人應自行為其言論負責的主張。麥當勞（McDonald's）於2024年終止得來速AI語音點餐測試，當時訂單準確度問題仍未解決。
佐證案例
大筆投資於未經驗證的AI導致虧損
Zillow依據模型估算的價格收購房屋，市場轉變後，預測誤差導致資產減記，公司並關閉購屋業務。MD安德森癌症中心（MD Anderson）在監督不足的情況下，為一項AI專案投入數千萬美元，該專案最終從未用於治療病患。
歷史資料承襲歷史偏見
亞馬遜（Amazon）放棄了一套履歷篩選模型，該模型從過往招募紀錄中學習，對與女性相關的申請給予較低評分。在招募與評鑑領域，企業面臨訓練資料是否存在偏見，以及能否說明影響個人生活的決定等質疑。
推行方式影響員工使用AI的情形
摩根大通（JPMorgan）讓員工自行決定是否使用其AI平台。莫德納（Moderna）先以內部聊天機器人養成使用習慣，再將AI推廣至全公司，並整併人資與科技部門。Shopify將AI使用納入績效考核，Musinsa則在全體員工間推廣AI技能。
小型企業透過平台與政府計畫運用AI
在Naver購物平台上，AI購物功能對小型賣家銷售的影響大於大型賣家。南韓小型製造商則運用政府智慧工廠計畫，支應以AI為基礎的品質管控所需的相當部分前期成本。
顧客批評限縮AI在品牌工作上的運用
可口可樂（Coca-Cola）以AI製作的節慶廣告因缺乏溫度而招致廣泛批評。多鄰國（Duolingo）公開的「AI優先」備忘錄也立即引來批評。倚賴情感與信任的品牌，因受眾反應而面臨運用上的限制。
企業將內部使用的AI工具對外銷售
部分企業先將AI用於自身營運，再銷售給其他企業。Octopus Energy、三星SDS（Samsung SDS）與Salesforce，將各自在客服或辦公工作中測試過的工具銷售給外部客戶。
獨立 研究
7+15%
獲AI輔助的客服人員每小時解決的問題數（新進與低技能客服人員：約+30%）
AI助理使客服人員生產力提升15%，資歷較淺者增幅更大
史丹佛大學與麻省理工學院的經濟學家研究了一套以GPT為基礎的聊天助理，該助理主要於2020年底至2021年初導入一家財星500大企業軟體公司的5,172名客服人員。每小時解決的問題數平均增加15%，經驗最少、技能最低的客服人員則增加約30%，其處理速度與品質均有改善。經驗最豐富的客服人員速度幾無增加，品質則略為下降。上述結果出自2025年經同儕審查的研究；該研究承接2023年的工作論文，後者針對5,179名客服人員，報告的增幅分別為14%與34%。
該工具將資深客服人員的知識傳遞給資歷較淺的人員，因此新手比重較高的團隊獲益更大。
來源 (3)
- Generative AI at Work
Erik Brynjolfsson、Danielle Li與Lindsey Raymond研究了5,172名客服人員，並將經同儕審查的研究結果發表於《經濟學季刊》（The Quarterly Journal of Economics）第140卷第2期。每小時解決的問題數平均增加15%，經驗最少、技能最低的客服人員增加約30%，技能最高者的品質則略為下降。新進客服人員的離職可能性較低，顧客的態度也較為客氣。
- Generative AI at Work (NBER Working Paper 31161)
研究人員於2023年4月首度發布工作論文，並於2023年11月修訂。他們報告5,179名客服人員的平均生產力提升14%，新進與低技能人員提升34%，對經驗豐富、技能高強的客服人員影響不大。顧客情緒與員工留任率也有所改善。
- Will Generative AI Make You More Productive at Work? Yes, But Only If You're Not Already Great at Your Job
史丹佛大學人本人工智慧研究院（Stanford HAI）報告，客服中心研究中生產力提升14%，增幅集中於經驗較淺的客服人員。任職2個月且使用該助理的客服人員，表現相當於未使用助理、任職6個月的客服人員。資深客服人員從中獲益有限。
25.1%
在AI能力範圍內的任務完成速度加快（在範圍外的任務上，答對率下降19個百分點）
BCG顧問使用GPT-4完成部分任務的速度快25.1%，但在另一項任務上出錯較多
哈佛商學院、其他大學與BCG的研究人員，在一項預先註冊的實驗中，將758名BCG顧問隨機分為不使用AI、使用GPT-4，以及使用GPT-4並接受簡短提示技巧介紹這3組。在18項屬於模型能力範圍內的顧問任務上，使用AI者多完成12.2%的任務，工作速度快25.1%，品質評分平均高出約32%。在一項超出該能力範圍的商業分析任務上，使用AI者答對的機率低19個百分點，約為60%至71%，未使用AI者則為84.5%。2023年工作論文報告品質提升逾40%，而2026年經同儕審查的研究則報告約32%。
同一款AI工具改善了部分顧問任務的表現，卻降低了另一項任務的準確度。熟練的專業人員難以辨識哪些任務超出AI的能力範圍。
來源 (3)
- Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality
Fabrizio Dell’Acqua等人於2026年3月在線上發表這項經同儕審查的研究。在模型能力範圍內的任務上，使用AI者多完成12.2%的任務，工作速度快25.1%，品質平均提升約32%。在能力範圍外的任務上，答對率下降19個百分點。技能較低的參與者獲益最大。
- Navigating the Jagged Technological Frontier (Working Paper 24-013)
哈佛商學院2023年9月的這項研究將758名知識工作者分為3組。使用AI者在模型能力範圍內的任務上工作較快、完成較多，但解決範圍外任務的機率較低。該研究後來刊登於《組織科學》（Organization Science）。
- How People Can Create—and Destroy—Value with Generative AI
BCG報告，其顧問使用GPT-4後，在創意產品任務上的得分高出約40%。在商業問題解決任務上，得分低23%，原因是許多人接受了不正確的輸出。使用GPT-4者提出的點子多樣性低41%。
55.8%
使用AI程式輔助工具後，完成一項程式任務所需時間縮短的幅度
受控試驗中，使用GitHub Copilot的開發人員完成程式任務的速度快55.8%
微軟研究院、GitHub與麻省理工學院史隆管理學院的研究人員，於2022年5月至6月透過Upwork招募95名自由接案開發人員，並隨機分為Copilot組（45人）與對照組（50人）；兩組各有35人完成任務。在以JavaScript撰寫HTTP伺服器的任務中，Copilot組平均耗時71分鐘，對照組為161分鐘，縮短55.8%（95%信賴區間為21%至89%）。經驗較淺的開發人員獲益較多。Copilot由微軟旗下的GitHub開發，4位作者中有3位任職於微軟或GitHub。
開發人員在一項定義明確的程式任務上節省了可觀的時間。後續針對大型既有程式碼庫的研究，在該不同情境下發現的增幅小得多，甚至出現速度變慢的情形。
來源 (2)
- The Impact of AI on Developer Productivity: Evidence from GitHub Copilot
Sida Peng、Eirini Kalliamvakou、Peter Cihon與Mert Demirer透過Upwork招募95名開發人員，將45人分派至Copilot組，50人分派至對照組。兩組各有35人完成HTTP伺服器任務，Copilot組耗時減少55.8%。其成功率高出7個百分點，但該差異未達統計顯著。
- Research: quantifying GitHub Copilot's impact on developer productivity and happiness
GitHub報告，Copilot組有78%完成任務，對照組為70%。Copilot組完成速度快約55%，耗時1小時11分鐘，對照組為2小時41分鐘。在另一項針對逾2,000名Copilot使用者的調查中，多數人表示該工具有助於加快工作並維持專注。
44.2%
將初期成本列為導入AI最大障礙的製造業中小企業比率
44.2%的南韓製造業中小企業將初期成本列為導入AI的最大障礙
南韓中小企業暨新創企業部（Ministry of SMEs and Startups）於2025年10月24日公布以AI為基礎的「智慧製造創新3.0」策略時，引用了韓國中小企業中央會的一項調查。製造業中小企業將初期成本（44.2%）列為最大障礙，其次為人力不足（20.5%）與缺乏策略（14.9%），另有72.3%希望獲得直接財務支援。政府估計AI導入率約為1%，並設定2030年導入率達10%，以及建成12,000座以AI為核心的智慧工廠的目標。調查日期與樣本數未公布。
製造業者提及初期成本的頻率高於人力不足或缺乏策略。政府措施包括補助與訂閱制智慧工廠，以減輕初期負擔。
來源 (3)
- 제조 中企 전반에 인공지능 입힌다...AI도입률 10% 달성 목표
《Money Today》報導，製造業中小企業將初期成本（44.2%）、人力不足（20.5%）與缺乏策略（14.9%）列為導入AI的障礙，另有72.3%希望獲得直接財政補助。政府措施包括訂閱制智慧工廠與一站式支援平台。政府的目標是將AI導入率從約1%提高到10%。
- AI 스마트공장 1.2만개 구축…제조 데이터 표준화 민간에 제공
《Herald Business》報導，韓國中小企業中央會的調查發現，初期成本是製造業者導入AI的最大障礙，約七成業者希望獲得直接資金。政府目標包括12,000座AI智慧工廠、10%的AI導入率、500家專業企業與1,000個共享資料集。
- Manufacturing SME AI adoption target of 10% by 2030 (Korean article)
《Financial News》報導政府的目標：到2030年建成12,000座以AI為核心的智慧工廠，並將AI導入率由1%提高到10%。報導也說明了智慧工廠AI計畫對個別企業的支援。
+19%
允許使用AI工具時任務完成時間增加的幅度（開發人員原預期可加快24%）
資深開源開發人員使用2025年初的AI工具，耗時增加19%
2025年2月至6月，非營利組織METR針對16名資深開發人員在其長年維護的大型開源專案中完成的246項實際任務，隨機決定允許或禁止使用AI。允許使用AI時，開發人員多使用搭載Claude 3.5/3.7 Sonnet的Cursor Pro，耗時增加19%，95%信賴區間為+2%至+39%。他們原預期可加快24%，事後仍認為自己快了20%。2025年8月展開、共57名開發人員參與的後續研究，其估計值的信賴區間包含0；METR於2026年2月表示，選擇效應使這些資料不可靠。
資深開發人員在熟悉的程式碼庫中工作，即使實測完成時間增加，仍自覺使用AI後變快了。2025年初工具的結果，可能與後來的工具有所不同。
來源 (3)
- Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
Joel Becker、Nate Rush、Elizabeth Barnes與David Rein在一項涵蓋16名開發人員、246項任務的試驗中，發現完成時間增加19%。開發人員原預期加快24%，事後自覺加快20%，而機器學習與經濟學專家曾預測增幅為38%至39%。研究人員檢視了20項可能的解釋，並判斷速度變慢不太可能主要是研究設計造成的假象。
- Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
METR研究的專案平均星標數逾22,000，程式碼逾百萬行，任務耗時約兩小時。METR指出開發人員樣本小、僅聚焦單一領域，且可能存在學習效應。METR後來表示這些結果已經過時，並釋出後續資料。
- We are Changing our Developer Productivity Experiment Design
METR於2025年8月展開後續研究，涵蓋57名開發人員與逾800項任務。其估計重複參與的開發人員加快18%，新參與者加快4%，兩者的信賴區間均包含0。由於開發人員越來越拒絕在沒有AI的情況下工作，METR判斷資料不可靠，並宣布採用新的研究設計。
≈0
ChatGPT推出2年後對收入與登記工時的實測影響（已排除超過2%的影響）
丹麥廣泛使用AI聊天機器人，並未改變收入或登記工時
芝加哥大學的Anders Humlum與哥本哈根大學的Emilie Vestergaard，與丹麥統計局合作，對11種高度可能受AI聊天機器人影響的職業進行具代表性的調查。其2024年底的調查涵蓋7,000個工作場所的25,000名勞工，並與截至2024年12月的官方收入、工時與職業紀錄串接。在雇主鼓勵使用、提供企業版聊天機器人並辦理訓練的場所，93%的人使用過聊天機器人，28%每天使用，19%表示每天節省逾1小時。研究人員比較聊天機器人出現前後的採用者與未採用者，發現對收入或登記工時沒有影響，不過工作內容有所改變，員工需產出內容、審閱AI輸出並整合AI。
勞工自述節省的時間，在2年內並未改變薪資或工時。多數使用者表示，節省的時間用於其他任務，工作的組織方式因而改變。
來源 (2)
- Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI (NBER Working Paper 33777)
研究人員於2025年5月首度發布工作論文，並於2026年3月修訂。他們運用串接的調查與行政資料，比較採用者與未採用者的變化，並排除了對收入與工時超過2%的平均影響。約85%的使用者表示，節省的時間用於其他任務，部分人轉入薪資較高的職業。
- Large Language Models, Small Labor Market Effects
貝克弗里德曼研究所（Becker Friedman Institute）報告，ChatGPT推出2年後，對收入或登記工時沒有影響。這項發現適用於重度使用者、早期採用者與大力投資的工作場所。採用聊天機器人與任務和職業的變化相關，但薪資或工時並無淨變動。
+26%
使用AI程式輔助工具的開發人員每週完成的任務數（合併估計值，標準誤約10個百分點）
3家公司的實驗顯示，使用Copilot的開發人員多完成約26%的任務
普林斯頓大學、麻省理工學院、華頓商學院與微軟的經濟學家，分析了2022年9月至2023年5月間在微軟、埃森哲（Accenture）與一家未具名的財星100大電子製造商進行的3項隨機實驗。4,867名開發人員中隨機抽出的一部分，在正常工作中取得GitHub Copilot的使用權；各項實驗合計，使用者每週多完成26.08%的任務（標準誤10.3%），提交次數多13.55%，執行建置的次數多38.38%。新進與資淺開發人員使用該工具較多，獲益也較大，資深開發人員則沒有統計上顯著的增幅。6位作者中有2位任職於擁有GitHub的微軟。
企業內開發人員的增幅小於單一任務的實驗室試驗，結果的不確定性也較高。經驗較淺的開發人員獲益最大。
來源 (2)
- The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers
Kevin Zheyuan Cui、Mert Demirer、Sonia Jaffe、Leon Musolff、Sida Peng與Tobias Salz於2025年2月報告了這些實驗。各試驗持續2至8個月，之後所有組別均取得使用權。3項試驗合計，完成任務數增加26.08%，提交次數增加13.55%，建置次數增加38.38%。研究人員表示，每項試驗單獨來看都有相當大的統計不確定性，且初期的使用率偏低。
- The Effects of Generative AI on High Skilled Work: Evidence from Three Field Experiments with Software Developers (AEARCTR-0014530)
研究人員在3家公司的實驗進行之後，才向美國經濟學會（American Economic Association）登記這些實驗。實驗於2022年9月至2023年5月進行，在各公司依團隊或個人隨機分派使用權。主要衡量指標包括拉取請求、提交次數與建置次數。