Google Workspace — Adoption
厂商公布的导入效益数字都很漂亮。这一页要处理的不是它们是真是假， 而是它们测的是什么，以及那个测法能不能预测你的组织会发生什么。
01 — Vendor figures
以下四组是被引用最广的数据。我们逐一回到原始出处核对过， 数字全部属实——但广为流传的转述版本有数处与原文不符，一并在下面标明。
每一组都附上调查方法、样本规模与数据年份。看数字之前先看这三项，是这一页想示范的事。
416%
三年期投资报酬率。同一份报告另载净现值 1.237 亿美元、回收期低于六个月。
Source
The Total Economic Impact™ Of Google Workspace with Gemini, Forrester Consulting（Google 委托）
Method
六位决策者、五家组织的访谈，投射至一个 20,000 人、年营收 40 亿美元的假想复合组织 · 2026 年 2 月
这是 TEI 方法论的标准做法，但它不是大样本研究。六次访谈支撑的是一个财务模型，不是一次量测。
3小时／周
平均每位Gemini 用户每周省下的时间，年计 150 小时。
Source
同上（Forrester TEI）
Method
同上；此数字为模型输入而非独立量测 · 2026 年 2 月
常见的转述是「每位员工」。原文是「每位用户」——未用户不在分母里，两者差距取决于采用率。
105分钟／周
用户自陈省下的时间。同一份调查中，75% 的每日用户表示工作质量提升。
Source
Gemini at Work，Google 企业客户调查
Method
18 家企业、3,200 余份问卷；试点自 2023 年 12 月起，数据汇整于 · 2024 年 7 月
常被称为「全球量化普查」。它是 18 家客户试点参与者的问卷，不是普查；而且数据至今已两年。
130,000小时
七个月内累积回收的工时。
Source
Macquarie Bank 客户案例，Google Cloud 新闻稿
Method
客户自述；涵盖 5,000 名员工中的约 80% · 2025 年 10 月
常被转述为「全行导入 Workspace，自动化信件与表单」。实际使用的是 Gemini Enterprise 而非 Workspace，回报的用途是草拟报告、摘要财务文档、从数据集产生洞察。
Disclosure
上述四份来源全部由 Google 委托或发布，主题是 Google 自家产品。 没有一份是独立第三方。这不代表数字是假的——我们核对过，它们不是—— 但它决定了这些数字该用什么权重去读。
02 — Independent research
如果只有厂商说有效，这一页的结论会是「无法判断」。但独立研究确实测到了效益， 而且用的是客观量测而非问卷。
+15%
技能最低五分位：+36%
客服人员的生产力提升，以每小时解决件数量测，不是自陈。
Method
某 Fortune 500 企业的 5,172 名客服人员，实地实验，客观计数。非厂商委托。
0.55→ 0.14
教育程度造成的落差（标准差）
AI 提升所有人的表现，但对教育程度较低者的提升幅度大得多， 使两群人之间的差距从 0.548 个标准差缩小到 0.139。
Method
随机对照实验，1,174 名 25–45 岁成人，NBER 工作论文 w34851。
跨写作、客服、软件开发、会计、法律与翻译的文献回顾则显示，任务完成时间缩短 15% 至 50% 以上，且对经验较少者的效益不成比例地大。
要注意的是：这些研究量的是特定任务的完成时间或吞吐量， 厂商数字讲的是每周省下的总时数。两者不是同一件事， 把它们并列比大小是误导。
03 — How it was measured
这是整页最重要的一节。前面所有的厂商数字， 全部是自陈或以自陈为基础的建模——而自陈恰好是下面这项研究证明不可靠的测量方式。
事前预期
快 24%
实际量测
慢 19%
事后自评
快 20%
同一批人，同一段工作。实际慢了 19%，事后却认为自己快了 20%—— 认知与实际之间差了近 40 个百分点，而且方向是相反的。
Method
METR，2025 年 7 月。随机对照试验，16 名资深开发者、246 项成熟开源项目的真实任务，客观计时。
Limits
样本仅 16 人；领域是软件开发，不能直接外推到一般知识工作； METR 自己已将此结果标示为历史数据， 并正在重新设计实验，理由是它不必然反映当前的工具与工作流。
这不否定 AI 的效益——第 02 节的客观量测已经证明效益存在。 它否定的是「问用户省下多少时间」这种测量方式， 而那正是第 01 节四组数字的来源。
05 — Questions
06 — Measurement
把三节的结论放在一起：效益是真的，有客观量测支持； 但厂商公布的数字全部来自自陈，而自陈在唯一一项客观计时的试验里错得离谱。 所以那些数字不能用来预测你的组织会发生什么—— 它们甚至不是为了那个目的而产生的。
能回答那个问题的只有一件事：在你自己的组织里量测。 而量测必须在导入之前就设计好—— 导入之后才想量，你已经没有对照组了。
What that takes
这是我们提供的服务之一：在你导入 Workspace AI 之前， 协助你设计出一套导入后真的能拿来做决策的量测。 如果量测结果显示效益不如预期，那也是一个结论——而且比 416% 更值钱，因为它是你的。