เวอร์ชันสั้น
ฉบับปี 2026ประเด็นสำคัญ
ทุกรายการจะเชื่อมโยงไปยังแถวข้อมูลหลักของรายการนั้นๆ ตัวเลขที่รายงานเป็นของผู้ผลิตที่อ้างถึง ส่วนผลลัพธ์ที่สร้างแบบจำลองจะถูกระบุว่าเป็นการคำนวณ
- การทดลองการเขียน: ใช้เวลาน้อยลงเมื่อได้รับความช่วยเหลือจาก AI: 40% (การทดลองปี 2023 เผยแพร่เดือนกรกฎาคม 2023)MIT / Noy และ Zhang
- การทดลองการเขียน: คุณภาพผลลัพธ์ที่ประเมินสูงขึ้น: 18% (การทดลองปี 2023 เผยแพร่เดือนกรกฎาคม 2023)MIT / Noy และ Zhang
- การทดลองให้คำปรึกษา: เพิ่มขึ้นในงานย่อยที่เสร็จสมบูรณ์: 12.2% (การศึกษาเผยแพร่ครั้งแรกในปี 2023; บทสรุปการศึกษาที่เผยแพร่ เมษายน 2026)Harvard Business School AI Institute / Dell’Acqua และคณะ
- การทดลองให้คำปรึกษา: คุณภาพสูงขึ้นในการออกกำลังกายนวัตกรรม ประมาณ 32% (การศึกษาเผยแพร่ครั้งแรกในปี 2023; บทสรุปการศึกษาที่เผยแพร่ เมษายน 2026)Harvard Business School AI Institute / Dell’Acqua และคณะ
- งานกลยุทธ์: คำตอบที่ถูกต้องโดยไม่มี AI: 84.5% (การศึกษาเผยแพร่ครั้งแรกในปี 2023; สรุปการศึกษาที่เผยแพร่ในเดือนเมษายน 2026)Harvard Business School AI Institute / Dell’Acqua และคณะ
- งานกลยุทธ์: คำตอบที่ถูกต้องพร้อมการเข้าถึง GPT-4: 70.6% (การศึกษาเผยแพร่ครั้งแรกในปี 2023; สรุปการศึกษาที่เผยแพร่ในเดือนเมษายน 2026)Harvard Business School AI Institute / Dell’Acqua และคณะ
- งานกลยุทธ์: คำตอบที่ถูกต้องพร้อม GPT-4 และภาพรวมพรอมต์: 60% (การศึกษาเผยแพร่ครั้งแรกในปี 2023; สรุปการศึกษาที่เผยแพร่ในเดือนเมษายน 2026)Harvard Business School AI Institute / Dell’Acqua และคณะ
- การทดลอง Copilot: ลดเวลาที่เสร็จสมบูรณ์ในงานเขียนโค้ดหนึ่งรายการ: 55.8% (15 พฤษภาคม–20 มิถุนายน 2022)Peng, Kalliamvakou, Cihon และ Demirer
- การทดลอง METR ต้นปี 2025: เวลาที่เสร็จสมบูรณ์นานขึ้นเมื่ออนุญาตให้ใช้ AI: 19% (กุมภาพันธ์–มิถุนายน 2025)METR
- ผู้เข้าร่วม METR: การเร่งความเร็ว AI ที่รับรู้หลังการทดลอง: 20% (กุมภาพันธ์–มิถุนายน 2025)METR
AI ช่วยงานเขียนระดับมืออาชีพสั้นๆ ได้หรือไม่?
การทดลองการเขียนพบว่าใช้เวลาน้อยลงและคุณภาพที่ประเมินสูงขึ้นเมื่อได้รับความช่วยเหลือ การมอบหมายงานไม่ได้ต้องการความแม่นยำตามข้อเท็จจริงทั้งหมดหรือบริบทขององค์กรของเอกสารที่ต้องติดต่อกับลูกค้าจริงจำนวนมาก
| ผลลัพธ์เทียบกับกลุ่มควบคุม | การเปลี่ยนแปลงที่รายงาน |
|---|---|
| การลดลงของเวลาทำงาน | 40%การทดลองแบบสุ่ม |
| การเพิ่มขึ้นของคุณภาพที่ประเมิน | 18%การทดลองแบบสุ่ม |
การปรับปรุงคะแนนคุณภาพและการลดเวลาเป็นผลลัพธ์ที่แตกต่างกันและต้องไม่นำมารวมกัน
แหล่งข้อมูลปฐมภูมิ: MIT / Noy และ Zhang — 14 กรกฎาคม 2023
AI สามารถปรับปรุงงานที่ปรึกษาหนึ่งอย่างและทำลายอีกอย่างหนึ่งได้หรือไม่?
ใช่ การศึกษาแยกงานที่โมเดลสามารถจัดการได้ออกจากปัญหาเชิงกลยุทธ์ที่โมเดลไม่น่าเชื่อถือ ประสิทธิภาพในชุดแรกไม่ได้สร้างความแม่นยำในชุดที่สอง
| ผลลัพธ์และเงื่อนไข | เปอร์เซ็นต์ที่รายงาน |
|---|---|
| งานย่อยเพิ่มเติมที่เสร็จสมบูรณ์ในแบบฝึกหัดนวัตกรรม | 12.2%การทดลองแบบสุ่ม |
| คุณภาพสูงขึ้นในการออกกำลังกายนวัตกรรม ประมาณ | 32%การทดลองแบบสุ่ม |
| คำตอบกลยุทธ์ที่ถูกต้อง: ไม่มี AI | 84.5%การทดลองแบบสุ่ม |
| คำตอบกลยุทธ์ที่ถูกต้อง: การเข้าถึง GPT-4 | 70.6%การทดลองแบบสุ่ม |
| คำตอบกลยุทธ์ที่ถูกต้อง: GPT-4 พร้อมภาพรวมพรอมต์ | 60%การทดลองแบบสุ่ม |
การประมาณคุณภาพเป็นการประมาณ นี่คือหลักฐาน GPT-4 ในอดีต ไม่ใช่เกณฑ์มาตรฐานของโมเดลปัจจุบัน
แหล่งข้อมูลปฐมภูมิ: Harvard Business School AI Institute / Dell’Acqua และคณะ — 9 เมษายน 2026
เหตุใดการศึกษาการเข้ารหัสจึงรายงานผลกระทบด้านประสิทธิภาพที่แตกต่างกัน?
การมอบหมายการเขียนโค้ดแบบสแตนด์อโลนและการบำรุงรักษาภายในที่เก็บถาวรที่สมบูรณ์แล้วเป็นงานที่แตกต่างกัน การศึกษาต่างๆ ยังใช้รุ่นโมเดลและวิธีการสรรหาบุคลากรที่แตกต่างกัน ผลลัพธ์ของควรแยกจากกันแทนที่จะเฉลี่ย
| การศึกษาและผลลัพธ์ | การเปลี่ยนแปลงที่รายงาน |
|---|---|
| การมอบหมาย Copilot: การลดลงของเวลาที่เสร็จสมบูรณ์ | 55.8%การทดลองแบบสุ่ม |
| METR: การเพิ่มขึ้นของเวลาที่เสร็จสมบูรณ์จริง | 19%การทดลองแบบสุ่ม |
| METR: การเร่งความเร็วที่คาดการณ์ไว้ก่อนเริ่มงาน | 24%การรับรู้ของผู้เข้าร่วม |
| METR: การเร่งความเร็วที่รับรู้หลังเริ่มงาน | 20%การรับรู้ของผู้เข้าร่วม |
การติดตามผล METR ในภายหลังรายงานปัญหาการเลือกและการวัดเวลาที่ร้ายแรง ผู้เขียนไม่ได้พิจารณาการติดตามผลว่าเป็นค่าประมาณที่เชื่อถือได้ของผลกระทบในปัจจุบัน การชะลอตัวในอดีตไม่ใช่ข้อเรียกร้องเกี่ยวกับนักพัฒนาทั้งหมดในปี 2026
แหล่งข้อมูลปฐมภูมิ: Peng, Kalliamvakou, Cihon และ Demirer — 13 กุมภาพันธ์ 2023 · METR — 10 กรกฎาคม 2025 · METR — 24 กุมภาพันธ์ 2026
การเปลี่ยนแปลงเวลาที่วัดได้แต่ละครั้งหมายถึงอะไรในฐานเดียวกัน?
ดัชนีพื้นฐานช่วยให้อ่านการคำนวณได้ง่ายขึ้นโดยไม่ต้องรวมการศึกษาเข้าด้วยกัน เงื่อนไขการควบคุมแต่ละรายการจะได้รับดัชนีเริ่มต้นเดียวกัน ดัชนีที่ได้รับความช่วยเหลือที่ได้มายังคงอ้างอิงถึงการทดลองของตนเองเท่านั้น
| การทดลอง | ดัชนีเวลาที่ได้รับความช่วยเหลือ; ควบคุม = 100 |
|---|---|
| การทดลองการเขียน | 60การคำนวณแบบปกติ |
| การมอบหมาย Copilot | 44.2การคำนวณแบบปกติ |
| งานในคลังเก็บ METR | 119การคำนวณแบบปกติ |
การปรับมาตรฐาน Workspace369 ไม่ใช่ผลลัพธ์ที่สังเกตได้ใหม่ ค่าที่น้อยลงหมายถึงเวลาน้อยลง การลดเวลาไม่ใช่การเพิ่มผลผลิตในเปอร์เซ็นต์เดียวกัน และไม่มีการอ้างสิทธิ์การประมาณผลผลิต
แหล่งข้อมูลปฐมภูมิ: MIT / Noy และ Zhang — 14 กรกฎาคม 2023 · Peng, Kalliamvakou, Cihon และ Demirer — 13 กุมภาพันธ์ 2023 · METR — 10 กรกฎาคม 2025
ธุรกิจควรทดสอบการประหยัดเวลาด้วย AI อย่างไร?
กำหนดงานที่ทำซ้ำได้และมาตรฐานการยอมรับก่อนที่จะเปรียบเทียบงานที่ได้รับความช่วยเหลือและไม่ได้รับความช่วยเหลือ รวมถึงการเตรียมพรอมต์ การตรวจสอบข้อเท็จจริง การตรวจสอบ และการทำงานซ้ำ รักษาการเข้าถึงข้อมูลลูกค้าและข้อกำหนดการอนุมัติโดยมนุษย์ให้เหมือนเดิมตลอดการเปรียบเทียบ
ติดตามทั้งเวลาและคุณภาพ อย่าใช้เปอร์เซ็นต์ของงานเขียนกับบัญชีเงินเดือนทั้งหมด หรือสมมติว่าผลลัพธ์เดียวกันสำหรับตัวแทนอัตโนมัติ
รายงานนี้สร้างขึ้นอย่างไร
ระเบียบวิธีและข้อจำกัด
- นี่คือการเปรียบเทียบหลักฐานที่เลือก ไม่ใช่การทบทวนอย่างเป็นระบบหรือการวิเคราะห์อภิมาน การศึกษาถูกรวมไว้สำหรับงานที่ระบุได้ หลักฐานจากผู้ผลิตดั้งเดิม และคำจำกัดความของผลลัพธ์ที่ระบุไว้อย่างชัดเจน
- ตัวเลขการเขียนและการให้คำปรึกษาใช้บทสรุปสาธารณะของการศึกษาที่เผยแพร่จากสถาบันวิจัยของพวกเขา เอกสารการเข้ารหัสและรายงาน METR ให้รายละเอียดการทดลองดั้งเดิม ไม่มีการผสมผสานระหว่างเวอร์ชันเอกสารการทำงานและเวอร์ชันที่เผยแพร่
- ผลลัพธ์ที่วัดได้และการเร่งความเร็วที่รับรู้มีป้ายหลักฐานแยกต่างหาก การคำนวณดัชนีเวลาใช้เฉพาะการเปลี่ยนแปลงเวลาที่เสร็จสมบูรณ์ที่วัดได้เท่านั้น ความเชื่อจากการสำรวจจะถูกยกเว้นออกจากการคำนวณ
- เวอร์ชันของโมเดลและวันที่ศึกษาจะยังคงแนบอยู่กับผลการค้นพบ เราได้ตรวจสอบการติดตามผลของ METR และคงคำเตือนเกี่ยวกับความน่าเชื่อถือของค่าประมาณที่ใหม่กว่าไว้
สิ่งที่ตัวเลขเหล่านี้ไม่สามารถบอกคุณได้
- การทดลองที่เลือกไม่สามารถกำหนด ROI ของ AI ทั่วไปได้ งานที่แตกต่างกัน เงื่อนไขการควบคุม ผู้เข้าร่วม และการทดสอบคุณภาพ ป้องกันเปอร์เซ็นต์ที่สามารถป้องกันได้
- ขนาดตัวอย่างอธิบายขอบเขตการศึกษา ไม่ใช่การจำลองซ้ำที่เป็นอิสระ การมีส่วนร่วมของผู้จำหน่ายในการศึกษา Copilot มีความเกี่ยวข้องกับการตีความ
- ผลลัพธ์ในอดีตไม่ได้สร้างความสามารถของโมเดลที่มีอยู่ในปัจจุบัน การปรับให้เป็นมาตรฐานไม่รวมต้นทุนการใช้งาน หรือแสดงการประหยัดรายปีที่ยั่งยืน
ความสดใหม่และการแก้ไข
ดูแลโดยทีมบรรณาธิการของ Workspace369 ตรวจสอบรายไตรมาสและเมื่อผู้ผลิตที่อ้างอิงเผยแพร่การศึกษาฉบับทดแทน การตรวจสอบบรรณาธิการครั้งถัดไป: ธันวาคม 2026 เก็บรักษาเวอร์ชันโมเดลในอดีตและวันที่สังเกต วันที่ฉบับจะเปลี่ยนไปเมื่อหลักฐานหรือเนื้อหาได้รับการตรวจสอบอย่างมีสาระเท่านั้น ไม่ได้เปลี่ยนช่วงเวลาการสังเกตพื้นฐาน
ฉบับพิมพ์ครั้งแรก: . ตรวจสอบการแยกข้อมูล การอ้างอิงแหล่งที่มา และการคำนวณสำหรับฉบับนี้ ไม่มีการอ้างสิทธิ์ในการตรวจสอบโดยผู้เชี่ยวชาญอิสระ
พบข้อผิดพลาดหรือการเผยแพร่หลักที่ใหม่กว่าหรือไม่? ส่งการแก้ไขพร้อมแหล่งข้อมูลและสถิติที่ได้รับผลกระทบ. บันทึกการแก้ไขที่ยืนยันแล้วในประวัติการแก้ไขก่อนที่จะเผยแพร่ซ้ำ
แหล่งข้อมูลปฐมภูมิและที่มา
ทุกเซลล์ตัวเลขที่รายงานเชื่อมโยงโดยตรงกับผู้ผลิต ดาวน์โหลดประกอบด้วยตำแหน่งที่แน่นอนของตารางหรือเวิร์กบุ๊ก ช่วงเวลาที่สังเกต วันที่เข้าถึง สูตร และการอ้างอิงอินพุต
- MIT / Noy และ Zhangประกาศงานวิจัยของ MIT สำหรับการทดลองเขียนในวารสาร Science ที่เผยแพร่ ↗เผยแพร่ 14 กรกฎาคม 2023. เข้าถึง 12 กันยายน 2026.การสรุปข้อสังเกตข้อเท็จจริงที่เลือกพร้อมการอ้างอิง ไม่มีการแจกจ่ายรายงาน แผนภูมิ ข้อมูลผู้เข้าร่วม หรือฐานข้อมูลที่เป็นกรรมสิทธิ์ใหม่ สิทธิ์ของแหล่งที่มายังคงเป็นของผู้ผลิต
- Harvard Business School AI Institute / Dell’Acqua และคณะย้อนกลับไปสู่จุดเริ่มต้นของ AI ในการทำงาน: การตรวจสอบสถาบันของการทดลองให้คำปรึกษาที่เผยแพร่ ↗เผยแพร่ 9 เมษายน 2026. เข้าถึง 12 กันยายน 2026.การสรุปข้อสังเกตข้อเท็จจริงที่เลือกพร้อมการอ้างอิง ไม่มีการแจกจ่ายรายงาน แผนภูมิ ข้อมูลผู้เข้าร่วม หรือฐานข้อมูลที่เป็นกรรมสิทธิ์ใหม่ สิทธิ์ของแหล่งที่มายังคงเป็นของผู้ผลิต
- Peng, Kalliamvakou, Cihon และ Demirerผลกระทบของ AI ต่อประสิทธิภาพของนักพัฒนา: หลักฐานจาก GitHub Copilot, arXiv v1 ↗เผยแพร่ 13 กุมภาพันธ์ 2023. เข้าถึง 12 กันยายน 2026.การสรุปข้อสังเกตข้อเท็จจริงที่เลือกพร้อมการอ้างอิง ไม่มีการแจกจ่ายรายงาน แผนภูมิ ข้อมูลผู้เข้าร่วม หรือฐานข้อมูลที่เป็นกรรมสิทธิ์ใหม่ สิทธิ์ของแหล่งที่มายังคงเป็นของผู้ผลิต
- METRการวัดผลกระทบของ AI ต้นปี 2025 ต่อประสิทธิภาพของนักพัฒนา Open-Source ที่มีประสบการณ์ ↗เผยแพร่ 10 กรกฎาคม 2025. เข้าถึง 12 กันยายน 2026.การสรุปข้อสังเกตข้อเท็จจริงที่เลือกพร้อมการอ้างอิง ไม่มีการแจกจ่ายรายงาน แผนภูมิ ข้อมูลผู้เข้าร่วม หรือฐานข้อมูลที่เป็นกรรมสิทธิ์ใหม่ สิทธิ์ของแหล่งที่มายังคงเป็นของผู้ผลิต
- METRเรากำลังเปลี่ยนแปลงการออกแบบการทดลองประสิทธิภาพการผลิตของนักพัฒนา ↗เผยแพร่ 24 กุมภาพันธ์ 2026. เข้าถึง 12 กันยายน 2026.การสรุปข้อสังเกตข้อเท็จจริงที่เลือกพร้อมการอ้างอิง ไม่มีการแจกจ่ายรายงาน แผนภูมิ ข้อมูลผู้เข้าร่วม หรือฐานข้อมูลที่เป็นกรรมสิทธิ์ใหม่ สิทธิ์ของแหล่งที่มายังคงเป็นของผู้ผลิต
สร้างขึ้นเพื่อตรวจสอบ จากนั้นจึงอ้างอิง
วิธีอ้างอิงรายงานนี้
สำหรับสถิติที่รายงานโดยแหล่งที่มา โปรดอ้างอิงผู้เผยแพร่ต้นฉบับและเชื่อมโยงไปยังแถวที่แน่นอนที่นี่เมื่อใช้การรวบรวมของเรา สำหรับผลลัพธ์ที่สร้างแบบจำลอง โปรดอ้างอิง Workspace369 และระบุสมมติฐาน การเชื่อมโยงไปยังหน้านี้ไม่ได้ทำให้เราเป็นผู้ผลิตข้อมูลบุคคลที่สามต้นฉบับ
Workspace369 (2026-09-12) เกณฑ์มาตรฐานประสิทธิภาพและประหยัดเวลาด้วย AI https://workspace369.com/research/ai-productivity-time-savings-benchmarks/. แหล่งที่มาหลักและช่วงเวลาการสังเกตตามที่ระบุในรายงาน
ไฟล์ดาวน์โหลดเป็นชุดข้อมูลอ้างอิงภาษาอังกฤษ รวมถึงในหน้าที่มีการแปล สิทธิ์ของแหล่งที่มายังคงเป็นของผู้ผลิต อ้างอิงการรวบรวมและการคำนวณของ Workspace369; ปรึกษาข้อกำหนดการใช้ซ้ำของแต่ละแหล่งที่มา