AI 时代，员工为什么既轻信又戒备

一、信任是组织两张网的货币

组织行为学把信任讲得很玄，但拆到底就一句话：信任是信息网络和利益网络里降低交易成本的机制。信息网络要靠信任，才让人愿意共享没写进流程的知识；利益网络要靠信任，才让人接受分配结果、不事事博弈。人跟人之间的信任能校准，是因为有三样东西：声誉，你过去靠不靠谱看得到；可追溯，出了事能倒查到谁；可申诉，觉得不公能找人理论。这三样凑齐，信任才会随互动自我纠偏。

AI 进来之后，协作的另一头从人变成了系统。系统没有声誉可积累，出了错你找不到一个能负责的主体，流程里也没有一个你可以去理论的「人」。于是信任的校准锚点没了。人只能凭输出本身的样子去判断要不要信，而这恰恰是最容易被流利度和权威感骗过的判断方式。

二、两个相反的失灵：轻信与戒备

把 2026 年的数据摆开，员工对 AI 的态度不是一条线，而是两个极端同时发生。

轻信这一端，GoTo 的 Pulse of Work 2026（覆盖全球 2,500 名员工与 IT 决策者）给出一组刺眼的数：半数员工承认对 AI 依赖过重，28% 已经开始比相信自己判断更信 AI，43% 明知内容可能出错或含编造，仍然提交了 AI 生成的内容。TeamViewer 同期关于自主数字工作台的调研更直接：75% 的人每天用 AI，但只有 56% 会经常或总是核对输出，平均每周花两小时在核验上，且很多人其实并不清楚什么时候该信、什么时候该核。流利、完整、有把握的语气，让人把看起来对当成了是对的。

戒备这一端是相反的失灵。算法厌恶（algorithm aversion）是被反复记录的现象：人就是倾向不信任算法，哪怕它更准。Connext Global 2026 对美国 1,000 名日常使用 AI 的职场人调研发现，只有 17% 认为 AI 可以脱离人独立跑，70% 把可靠定义为有人在岗（轻审核或专人把关）；更关键的是，63% 的人说 AI 输出大多时候只对一部分，31% 遇到过 AI 说得信誓旦旦其实是错的。当系统显得自信却出错，戒备就被训练出来了。香港中文大学 Cao 等 2026 年的实地实验（171 名销售，与一家大型在线教育平台合作）把这条说得更透：员工天然抵触 AI，强制短期使用、且结果肉眼可见地更好时，抵触才转成持续采用；如果只压着用、不给可见回报，戒备反而加深。

三、轻信为什么特别危险：流利即正确的陷阱

轻信比戒备更隐蔽，因为它披着效率的外衣。自动化偏见（automation bias）让人跳过自己的判断，直接采纳系统结论。Connext 的数据里，42% 的人碰到过 AI 漏掉重要上下文或细节，31% 被自信的错误坑过；GoTo 那边，43% 的人明知道可能错还交了上去，77% 说审 AI 的活比审人的活更费时间。换句话说，轻信短期内省了那一步思考，长期却把纠错成本转嫁给下游所有人：同事要替你清 AI 废料，客户可能被一个听起来对其实错的回答得罪。

更要命的是技能侵蚀。GoTo 显示 39% 的人觉得过度依赖正在让自己变差（Z 世代这一比例到 46%），29% 觉得 AI 比自己干得好。当人把判断权让渡给系统，又不再练习判断，组织的冗余判断力就被悄悄抽走。哪天系统出它训练分布外的错，没人接得住。

四、戒备为什么也错：越好越不用的代价

戒备的代价是反向的：该用没用，组织和个人的真实收益被挡在门外。Cao 的实验证明，很多抵触并不来自工具能力，而来自人对工具的偏见信念；一旦有了可见的好结果，信念就改。问题在管理动作：自愿采用在抵触高时根本推不动，而粗暴强制又会适得其反。

这里有个常被忽略的悖论，来自 Pan 等 2026 年发表在《Human Resource Management》的研究（1,002 名实验参与者加 321 名问卷受访者，共 1,323 人）：当 AI 在绩效评估里掌握过多决策权，员工满意度下降，机制是程序公平感被削弱；但当员工觉得人的偏见风险高（偏袒、不一致、主观），他们反而更偏好 AI 评估者，因为算法显得更客观。同一个员工，对 AI 既戒备又渴望，取决于他在跟谁比。这提醒管理者：戒备不是靠喊要信任 AI 能解掉的，它是人对失控和不可申诉的理性反应。

五、管理任务不是建立信任，是校准依赖

到这里 spine 就清楚了：你没法跟一个非主体的系统建立互惠信任。能做的，是把依赖校准到合适区间，让人在对的地方用 AI、在错的地方核 AI。这不是文化口号，是工作流设计问题。

TeamViewer 把可信自主系统的信任支柱归纳为五个：安全，防越权与泄露；决策质量，语境与正确；控制，边界与干预；可逆，可撤销回滚；问责，结果有人认。把这五根柱子落到 HR 与一线管理，意思就是：给 AI 划清楚它能碰的边界，让它每一步可被看见、可被介入、错了能撤回，并且永远有一个人对结果负责。可信度不来自 AI 多厉害，而来自围绕 AI 的那套审核、干预、问责流程有多结实。Connext 的结论也一致：可靠的定义正在从自动化转向人环（human-in-the-loop）的工作流本身。

六、把校准做成默认：HR 与管理者能落地的动作

适当依赖要变成默认，靠五件事。

第一，强制披露，消灭隐性 AI。员工要的不是盲信，是看得见、可介入：Connext 的调研里 70% 把可靠定义为有人在岗、36% 明确要求重大改动前先通知；透明化不会消除怀疑，但藏着一定输。凡是 AI 碰了绩效、薪酬、招聘、对外沟通，明说它参与到了哪一步。

第二，把人环检查点嵌进高风险动作。绩效打分、晋升建议、合规判断，AI 只能做参谋，最终落槌必须是人，且这人要对结果负责。第三，训练什么时候该核，而不是怎么用工具。GoTo 把评估 AI 输出真假与偏差、知道何时该信 AI 列为最重要的新技能，但 80% 的员工说自己没被好好培训过。第四，用可见回报破戒备。Cao 的做法可直接借鉴：在低风险场景给员工一段结构化试用，让好结果自己说话，比强制更持久。第五，按风险分级授权。低风险重复活给自主，高风险敏感活收人为闸；别一刀切要全员信任，也别一刀切全禁用。

七、留白：守住那块能纠偏的空隙

组织在没有监督时还能自我纠偏，靠的就是人有能力、也愿意去质疑和核对。AI 把效率提到很高，也可能把这块空隙填死：一边用流利骗出轻信，一边用不可申诉训练出戒备。谁把适当依赖做成工作流的默认，谁就保住了组织在系统出错时还能自我纠正的能力。这不是要不要信 AI 的问题，是组织能不能继续自己想清楚的问题。