策略与选题 · 研究解读
读 AI 生产力研究，别只搬走标题
研究能提供问题方向，却不是企业可直接套用的收益预测。
先看研究场景
引用结果前先看工作者、任务、工具、时期与指标。Stanford 与 NBER 的《Generative AI at Work》研究观察特定客服场景，成果值得参考，却不等於另一家公司做建议书或审核发票时会得到相同效果。本文刻意不把研究变成小企业必定省下某百分比的承诺，因为那会把参考证据变成没有根据的销售预测。
分开采用与影响
调查谁有使用 AI，与实验任务表现有何改变，是不同问题；供应商客户故事又有另一种目的。把证据类型放在主张旁边，让读者判断，不要把一份来源的高采用率与另一份来源的效益数字拼起来，当成同一个已证实商机。资料看似一致，并不代表样本、问题与可推论范围相同。
流程一览
留意更新与限制
查看页面谈的是早期工具、修订论文，还是後来方法更新。METR 之後讨论实验设计，提醒研究会随工具与行为而变。应保留这段历史，不把旧数字当永恒定律。适当启示可能是本地衡量，而不是挑最乐观或最悲观文章支持既有立场；理解限制，才能避免新闻更新後整份商业论证跟着失效。
转成可测假设
把研究转成包含自己流程、基线与未知的假设，例如经审核起草可能帮新同事，却增加专家核对投入，再以代表任务与真实审核者测试。研究连结是背景，本地结果另列。这既尊重外部研究，也避免在销售简报中因知名机构名字而产生虚假的确信。好的引用应增加判断能力，不是令问题不准再问。
阅读来源检查表
在公司内分享研究标题前，可附短笺列场景、发布或修订日期、指标与一项限制，再加它提示的本地问题。不要把短笺说成已完整审阅论文，它只是防止引用在简报、讯息及预算申请间流传时脱离原范围。若有人提出不同版本结果，先核对日期与定义，而不是立刻判断哪方错误；研究更新与条件差异，往往比一个孤立数字更值得理解。
来源与延伸阅读
- Generative AI at WorkGenerative AI at WorkStanford Digital Economy Lab · Research source ·
- We are Changing our Developer Productivity Experiment DesignWe are Changing our Developer Productivity Experiment DesignMETR · Research source ·
编辑原则
本系列以 AI 辅助原创撰写，并对照连结的公开来源。实作建议与假设情境属编辑分析，并非客户实绩。来源发布日期及产品细节可能与本系列整理日期不同。