「效率提升了176%，但人们没有去学新技能，而是打开了短视频。」——这份追踪20万美国家庭的研究，戳破了AI消费级应用最尴尬的真相。
从2021到2024：一场关于"时间去哪了"的追踪实验
研究团队干了件挺狠的事：他们没发问卷，而是直接监控了20多万个美国家庭的浏览器数据，横跨2021年到2024年——刚好覆盖ChatGPT从诞生到普及的完整周期。
核心发现很直观。用上ChatGPT的人，处理日常数字任务的效率飙升76%到176%。
这些任务不是什么高精尖操作：投简历、规划旅行路线、比价买日用品。就是那种你周末晚上不想做、但又不得不做的"数字杂活"。
研究者特意选了这些场景，因为它们占普通人一周时间的比重极高，却极少被AI讨论覆盖。职场生产力的话题太拥挤了，而你的晚间时光、你的 errands（跑腿琐事）、你那堆永远"待会儿再处理"的 routine（日常事务）——这些才是大多数人真实的生活战场。
结果？AI确实在这个战场赢了。用户用更少的时间完成了更多任务，摩擦成本大幅下降。
但故事到这里只讲了一半。
省下的时间流向了哪里
研究团队追踪了"效率红利"的归宿。他们原本可能期待看到一些励志画面：在线课程、职业技能培训、副业探索——总之是"自我提升"的叙事。
实际数据给出的答案更接地气，也更让人沉默。
用户把省下的时间，主要投向了三个方向：社交媒体、流媒体视频、以及和朋友相处。
教育、职业培训、技能发展的占比，没有显著变化。
这个发现直接挑战了一个流行假设：消费级AI会把普通人从繁琐劳动中解放出来，自然导向更有价值的长期投入。研究者的措辞很克制——"undercut the rosy assumption"（削弱了乐观假设）——但背后的意味很清晰：技术释放了时间，时间却没有自动变成人力资本。
当然，休闲本身有价值。和朋友聚会、刷剧、逛社交平台，这些体验的经济账算不清楚，但不等于不重要。问题在于，如果AI的效率红利最终大量沉淀为"可消费的娱乐时间"，而非"可积累的生产能力"，那么它对个体长期经济地位的改善作用就会被稀释。
换句话说，AI可能让周末更轻松，却不一定让职业生涯更向上。
谁在用？一个被忽视的 adoption gap（采用差距）
研究还埋着另一个更尖锐的发现：生成式AI的采纳速度，在年轻群体和高收入群体中明显更快。
这个分化本身不意外——新技术总是先渗透边缘人群。但当研究者把两条线索并置时，问题变得复杂起来：
一方面，AI工具正在快速优化"处理日常杂活"的体验；另一方面，最需要这种优化的人（时间压力大、数字技能有限、家务负担重的群体），恰恰是采纳最慢的群体。
如果效率红利持续向已经拥有资源的人倾斜，而技术门槛又把另一部分人挡在外面，那么"AI解放时间"的故事就会变成一个阶层叙事：有些人用省下的时间去创造更多价值，有些人只是获得了更多消遣选项——而他们原本可能就是消遣时间最多的人。
研究者把这个问题抛给了政策制定者。他们认为这个 adoption gap 值得更多关注，因为消费者AI的普惠性不会自动发生。
为什么这件事值得科技从业者重新思考
对于做产品的人来说，这份研究有几个反直觉的启示。
第一，"效率工具"的定位可能限制了想象空间。用户确实用ChatGPT完成了任务，但他们对"省下的时间"的处置方式，说明产品价值链条可以延伸得更远。如果用户天然倾向于娱乐消费，那么"任务完成→内容推荐"的闭环，或者"效率提升→社交分享"的链路，可能比单纯的工具属性更有粘性。
第二，adoption gap 既是风险也是机会。年轻高收入用户已经进场，但中老年、低收入、非英语用户群体的需求几乎未被满足。这些群体的数字任务更基础（比如医保申请、政府服务、本地服务比价），对"降低摩擦"的需求更迫切，却面临着更高的使用门槛。
第三，也是最根本的：AI消费级应用的竞争，可能正在从"谁能让人做得更快"转向"谁能让人对省下的时间感到更满意"。效率是入场券，但时间质量的提升才是留存的关键。
一个需要被回答的问题
研究没有给出道德判断。它既不认为刷短视频是"浪费"，也不认为职业培训是"正确选择"。它只是在说：技术释放了时间，但时间的去向取决于更复杂的结构——用户习惯、产品引导、社会激励、乃至阶层位置。
对于正在开发或投资消费级AI工具的人来说，这是一个需要主动介入的变量。你可以接受用户把省下的时间用于娱乐，也可以尝试构建引导机制，让时间流向更有长期回报的方向。两种选择没有高下，但假装这个选择不存在，就是产品设计的失职。
接下来三个月，值得做一件事：打开你的产品的用户行为数据，看看"任务完成"之后的30分钟，用户去了哪里。如果答案和研究高度重合，那么你需要决定——这是你要的结果，还是一个等待被优化的漏斗。
热门跟贴