美国员工开始抵触 AI：公司终于发现，光培训还不够

公司说：“用 AI 提高效率。”员工听到的可能是：“以后不需要这么多人了。”

公司说：“大家尽快学会新工具。”员工想到的却是：“我还在学习，公司是不是已经开始按新标准评价我？”

这道翻译差，正在变成企业推进 AI 时最难处理的问题。CNBC 采访 Ironclad、Superhuman 和 Torani 后发现，企业开始调整同一件事：不再只要求员工接受培训，而是让他们参与路线、拥有试错期，并看见公司愿意承担什么责任。

所谓 AI 反弹，不是员工突然拒绝更好的工具。他们抵触的是一场目标、速度和后果都不透明的改变。

两个 53%，是两种不同的不安

Reuters/Ipsos 在 2026 年 6 月发现，53% 的美国人担心 AI 会让自己家里有人失业。Software Finder 在 2026 年 3 月调查 1,006 名日常使用职场软件的美国成年人，53% 担心 AI 会让自己的岗位显得没那么必要。

两个 53% 来自不同调查，分别指向家庭失业与个人岗位价值

两组数据的样本和问题不同，不能拼成同一项统计；它们测量的也是感受，不是实际裁员率。放在一起，只能说明员工同时担心家庭收入风险和个人角色价值。

Software Finder 的调查还揭示了抵触怎样形成：69% 认为公司在设定新绩效要求前没有给足时间和支持；59% 感觉自己边学习边被评价；42% 曾假装已经理解新工具；27% 因为怕犯错而完全避开它。

学习期被变成绩效考核期，员工转向装懂和回避

如果每次试错都可能被理解成“你不适合未来”，最安全的行为就不是探索，而是装懂、少用或躲开。这不是员工没有学习意愿，而是公司把学习期变成了淘汰赛。

几乎每家公司都有 AI 路线图：模型、数据、权限、上线日期和使用率。但员工真正想问的是：我的工作会少掉哪部分？新增什么责任？学习期犯错会不会影响绩效？AI 做错以后谁负责？公司是在改善工作，还是准备减少人手？

课程可以解释功能，却无法替公司回答这些问题。培训结束后，如果员工仍然独自找场景、独自承担错误，再用产出证明自己有价值，反弹只会更强。

AI 采用首先是工作设计问题，其次才是工具学习问题。

Ironclad、Superhuman 与 Torani 用不同方式建立信任

Ironclad：把收益和局限一起讲清楚。 公司提供课程、技术负责人授课，也公开讨论 AI 会失败的地方。透明不是多讲成功案例，而是让推动者承认风险并给出边界。

Superhuman：让最接近问题的人决定先改哪里。 它不从一条自上而下的全面命令开始，而是让团队选择工具、处理自己的工作痛点。员工不是被改造的对象，而是路线的共同设计者。

Torani：让承诺有记录可以验证。 这家拥有 500 多名员工的制造企业先做小范围试点、让员工参与迭代，并承诺不会通过技术消灭工作。它计划到 2027 年 3 月扩员约 30%，背后还有 6,000 万美元制造扩建。承诺之所以可信，是因为历史、投资与招聘计划能互相印证。

三家公司没有统一模板，但都改变了同一件事：员工不再只接收工具和期限，而能参与选择任务、定义边界和修正方法。

一套更可信的 AI 推进方式至少包含四个设计。

从培训和命令，转向共同设计、可控试点与复用反馈

在 Buda 中，团队可以围绕真实文件、工具和任务运行 Agent。Session 保留任务、工具调用与产物，Skill 保存验证过的方法，Automation 只在工作成熟后重复执行。管理者能看到问题出现在哪里，员工也不必用一次完美演示证明自己。

人的角色不是和 Agent 比执行速度，而是定义目标、提供上下文、检查结果并承担最后判断。这样的分工必须在实践里形成，不能靠一场培训宣布完成。

员工会看公司怎样设定绩效、怎样处理错误、是否真的删除低价值工作，以及承诺能否被历史行动验证。

所以，公司不需要先办更大的 AI 培训。先选一个真实任务，让团队共同定义目标、风险和审核点；给出不与绩效挂钩的试错期；跑完后公开复盘，决定什么值得保留。

抵触通常不是从工具开始，而是从失去控制开始。信任也不会从口号回来。它来自一种可见的安排：员工知道改变为什么发生，能够参与怎样发生，也看得见公司愿意为后果负责。

从 Agent Workspace 开始，把下一场 AI 培训改成一项可以共同完成、检查和复用的真实工作。