直接回答。 AI省时应扣除阅读依据、纠错、返工、升级和维护的工作，比较同一业务任务从开始到被接受的完整过程。生成速度变快，不代表员工真正少做工作；如果复核要求变化，前后计时也不能直接比较。
核心要点
- 用被接受的业务结果定义完成，而不是模型输出完成。
- 同时记录操作时间、等待时间和他人接手时间。
- 区分减少劳动与把劳动转移给其他团队。
- 正常与困难案例分开看，避免只选好做的任务。
- 收益测量保留配置、任务范围和样本条件。
先确定计时的终点
假设员工原来人工整理客户回复，使用AI后几秒获得草稿。若他还需要查产品资料、修改承诺、交经理确认，真正完成可能远晚于生成时刻。把草稿出现当成终点，会高估节省的劳动，也无法解释后续工作。
终点应由业务定义，例如经授权发出的回复或通过审核的报告。对于本来就只需要草稿的任务，可以以合格草稿结束，但报告应明确用途，不能把草稿节省时间推广成整个客户处理时间改善。
本文示例为测量设计，不承诺某类AI产品节省固定比例。实际效果应使用获准样本和清楚方法评估，涉及员工工作测量也应遵守企业制度及适用要求，不能以试点为名秘密监控个人。
把劳动拆成可记录部分
| 工作部分 | 需要记录什么 |
|---|---|
| 准备输入 | 收集资料、清理格式与说明任务 |
| 生成等待 | 请求、排队与失败重试 |
| 复核依据 | 查原文、比较事实与权限 |
| 修改返工 | 编辑、重新运行与交叉检查 |
| 升级处理 | 他人接手和沟通成本 |
| 维护支持 | 更新资料、模板及处理例外 |
时间记录可以按任务采样，不必永久收集全部员工活动。定义统一口径，让参与者知道用途与保留范围。把微小片段测得很精细，却不知道任务是否完成，并不会产生更可信的收益结论。
等待时间与劳动时间分开。模型运行一分钟时，员工可能同时处理其他任务，也可能必须守着界面。两种情况对生产力不同。报告说明实际工作安排，不把所有等待自动当作劳动，也不把它全部忽略。
比较条件要相同
选相似任务、输入质量和完成标准。人工组允许查资料，AI组也应有相应授权与工具；AI组被要求逐句检查，而人工组没有同样检查要求时，前后结果需要说明这个差异。公平比较不是机械同样分钟数，而是同样业务结果与责任条件。
简单任务和困难任务分开报告。员工可能先把最好处理的任务交给AI，剩下的复杂任务仍人工完成。系统表现很好，可能只是选择效应。试点应记录任务选择和未使用原因，避免把已使用样本当成所有工作的代表。
新用户学习成本也需要单列。熟练后速度可能改变，但不能假设人人都会自然达到展示者水平。培训、提示编写和资料准备属于采用成本，可以说明哪些是一次性投入，哪些会持续发生。
看劳动有没有转移
销售人员少做十分钟，法务多核查十五分钟，组织净收益可能为负。跨部门流程应记录接手角色与任务原因，不只看发起部门。自动生成更多草稿，也可能增加审核队列而不是提升最终交付量。
数据与技术团队维护知识库、权限和回归测试，也是在支撑系统。费用与人时应根据实际记录或明确假设进入收益评审，不能因为不是一线操作就完全排除。假设成本与实测成本要分开标记。
质量变化同样影响收益。更快但更容易引发客户更正的输出，不应被简单计为节省。可以同时报告一次通过、关键事实错误、返工与可恢复性，让速度与后果一起进入决定。
一轮实测怎么开展
选择一个明确任务，记录当前流程，再让获准用户用AI完成同类工作。对每个案例保留输入类别、完成状态、劳动分解和修改原因。别只记录平均时间，失败任务和未完成任务也应进入结果说明。
评估期间保持主要配置稳定。模型、模板或资料库改变后，注明新的阶段，否则时间变化可能来自多个原因。若业务同时简化审批，也不要把全部改善归于AI；需要说明无法单独归因的因素。
可以让业务负责人盲审合格结果，减少因为知道用了AI而改变评价标准的影响。具体实验设计取决于任务与资源，不一定要复杂研究，但应避免让演示团队既优化输入又自行宣布结果合格。
将结果用于范围决定
可能出现某类任务省时、另一类不省时的结果。可以只保留有效范围，修复资料或停止不合适用途。不要为了维持一个统一成功故事，把困难任务删掉后宣传全流程提效。
上线后继续用最小化采样检查维护成本和返工，尤其在资料或模型变化后。节省结果需要注明测量时期、用户经验和任务条件，不能承诺每个员工永远获得相同收益。
理门的企业AI方法把净业务结果放在演示速度之前；培训帮助员工学会有效复核。通过沟通入口评估提效时，提供完整任务流程和一组匿名案例，比提供模型每秒输出字数更有帮助。
常见问题
员工觉得更快是否足够？
感受是重要线索，但应配合完成条件、质量和工作分解，不能替代实际结果。
复核时间是否都算AI成本？
应与原流程同口径比较。有些复核本来就存在，新增或减少部分需要清楚记录。
无法精确归因怎么办？
说明限制，区分相关改善与可确认影响。不要为给出一个漂亮百分比而制造确定性。
参考来源
- NIST AI RMF Core：MAP 3.1及3.2涉及预期收益、成本与错误后果。本文工作分解为实践测量建议。
- NIST AI RMF Playbook：自愿建议不提供通用提效比例，不证明单个项目投资回报。