AI Washing
定义
AI Washing 指企业在缺乏充分因果证据时，将裁员或其他组织变革主要归因于 AI 生产力提升，并以 AI 叙事包装决策。这个术语类比"漂绿"（greenwashing）；它描述的是证据与叙事之间的错位，不等于已知企业的真实动机。
为什么重要
AI Washing 用来描述 2025-2026 年企业 AI 叙事中的一种可观察错位：组织把裁员、采用率或流程变化归因于 AI，但公开证据不足以识别真实因果贡献。这样的叙事可能产生两类效果，但不能据此反推企业主观动机：
- 叙事重构：把成本、人事或流程决策重新表述为“拥抱 AI”的组织转型。
- 市场信号：向投资者或董事会展示积极的 AI adoption / automation 姿态；是否实际形成估值收益需要另行验证。
OpenAI CEO Sam Altman 公开指出许多公司是在 AI washing——用技术作为裁员的便利借口，实际原因是其他预算问题（20260529-ceo-ai-psychosis-equity-podcast）。
关键数据点
- Gartner 调查（350 位全球高管，年收入 ≥
$1B）：80% 试点 AI 的企业报告裁员，但不论技术是否真正产生回报都裁了 - 2026 年前 5 个月科技行业裁员 115,430 人（152 家公司），接近 2025 全年的 124,636 人（275 家公司）
- ClickUp 裁 22% 员工并部署 3,000 AI agents，CEO Zeb Evans 声称是组织转型而非降本——但未公开 agents 产出质量数据
- CMR 元分析（2025.10）：无稳健证据表明 AI 采纳与总体生产力提升有关
AI Washing 与 AI Psychosis 的关系
AI-Psychosis 和 AI Washing 互为补充：
| AI Psychosis | AI Washing | |
|---|---|---|
| 性质 | 认知偏差（真信） | 叙事包装（可能不信） |
| 主体 | CEO 真心认为 AI 能替代 | 公司用 AI 故事合理化决策 |
| 驱动 | 远离实际工作 | 投资者叙事、估值压力 |
| 重叠 | 两者可能同时存在：CEO 既真信又方便 | — |
前提与局限性
- 证据门槛：判断一个案例是否存在 AI washing，不应要求猜测公司“真实动机”；更可验证的对象是公开因果声称与实际流程、产出、采用深度或成本证据是否匹配。若进一步声称“企业故意借 AI 掩盖预算问题”，才需要额外的决策过程证据。
- 反例边界：Octopus Energy 的客服案例显示，高 AI 处理比例可以与人工检查和“不因 AI 裁员”的组织选择并存；因此“自动化发生”与“AI 是裁员原因”必须分开。
- 度量边界：20260811-vasuman-ai-adoption-is-a-myth 指出的登录/采用率与实际工作流转化错位，可作为 washing 叙事的度量风险，但该材料本身是有利益关系的单一实施者观察，不是企业欺骗行为的证明。
- 不是全称命题：确实有部分裁员是 AI 驱动的真实组织变革，不能把所有 AI 相关裁员都归为 washing
- 时间窗口：随着 AI 能力进步和评估框架成熟，AI washing 的灰色地带会缩小
- 反向风险：过度归因于 AI washing 也可能掩盖 AI 确实在改变工作流程的真实信号
关联概念
- AI-Psychosis：CEO 的认知偏差版本，AI washing 是其可能的行为后果
- AI-Capability-Gap：不同利益相关者对 AI 能力的判断差异为 washing 提供了信息不对称空间
- Aaron-Levie：提出 CEO AI Psychosis 概念，间接揭示了 AI washing 的认知根源