SEO经理想升总监，先把AI省下又花回去的工时摆出来：MIT与哈佛两份研究怎么读

摘要：Search Engine Journal专栏作者Greg Jarboe在9月28日的文章里，把MIT Technology Review和哈佛商学院的两份材料放在一起看。MIT那篇说，几家云计算巨头今年要在数据中心上花约7500亿美元，全年AI收入只有1500亿到2000亿美元，约6000名高管里九成说过去三年AI没带来生产率提升。哈佛的研究说，ChatGPT上线后，重复性工作多的职位招聘降了13%，需要分析、技术和创意的职位涨了20%。Jarboe的结论是：接下来能从经理升到总监的SEO和投放负责人，要能拿出AI省下和花回去的工时，用结果证明它值这个钱，同时给被工具接走活儿的组员一份转岗计划。

做SEO的经理，这两年被问得最多的一句话大概是：AI都这么强了，你们组还要这么多人吗？

这个问题很难接。说要，显得不拥抱新技术；说不要，等于自己把组拆了。Search Engine Journal的老作者Greg Jarboe在9月28日的专栏里给了一个思路：别急着站队，先把AI到底省了多少时间、又花回去多少时间算清楚，再拿着这份数字和一份带人的计划去开预算会。他认为，能同时做到这两件事的经理，就是下一批总监。

他的依据是两份公开材料，一份来自MIT Technology Review，一份来自哈佛商学院。下面按原文把这两份材料讲清楚，再说说放到国内团队里该怎么用。

MIT那篇讲的是数据中心，为什么跟做搜索的人有关？

MIT Technology Review的文章作者是David Rotman，9月15日发布，标题直译是《AI这场万亿美元豪赌，赌的是什么》。它通篇在讨论一件事：云计算巨头砸进数据中心的钱，能不能赚回来。

钱花得有多猛

文章给了几组数字，都标了出处：

Wachter当过美国证交会首席经济学家。她和合作者在论文里写得很重：如果生产率的大爆发没出现，眼下这轮建设会成为“史上最大的资本错配”。Gensler的说法则是，支出暂时还没有相应的收入，这是事实，问题只在于未来能不能收回来。

和搜索的关系在哪

Jarboe特意标明，下面这句是他自己的推断，不是Rotman说的：一家公司在比以往任何时候都更薄的现金垫子上给AI回答买单，就会一直改这些回答的样子，也会一直改它引用谁。

放到做搜索的人身上，这句话的意思很实在。AI概览、AI模式这些产品背后是一笔很贵的投入，Google有动力不停调整展示方式、广告位和引用规则，去追收入。今天你摸透的那套规则，明年可能就换了。对一个组来说，押宝在某一种展示形式上，风险比过去大。

Gensler说这是一场串关

Gensler把眼下的投入形容成资本市场和整个经济下的一注串关，三场都要赢才算赢：巨头自己要赚到巨额收入；AI要带动整个经济的增长；这两件事发生的同时，依赖大数据中心的前沿大模型还得顶住更便宜、企业觉得够用的模型。Rotman在后面又加了第四场：公众和地方社区得觉得自己也从这些投资里得了好处。

这几场之间互相牵扯。文章举的例子是，如果生产率的提升来自企业用DeepSeek这类模型，巨头的收入可能会垮掉；如果提升靠的是裁员，公众反弹可能挡住原定的投资，收入也跟着落空。

还有两个数字说明巨头的压力不只是今年。数据中心成本里约60%是GPU芯片，这类芯片的性能大约每两年翻一倍，今明两年投用的数据中心，到这个十年末就得再花几十亿美元换代。哥伦比亚商学院的Stijn Van Nieuwerburgh按2025年到2032年规划建成约183吉瓦算力、每吉瓦约410亿美元估算，要拿到10%的回报，到2032年每年需要约3.7万亿美元收入。摩根士丹利则估计，2025年到2028年巨头们约2.9万亿美元的数据中心支出里，一半以上要靠外部资金。

这些数字放到营销人身上，我的理解是：AI工具现在的价格，是在烧钱抢市场阶段定的。等到要回本的时候，订阅价、调用价、平台里的AI功能怎么收费，都可能变。

九成高管说还没看到效果

更直接相关的，是生产率这一段。Rotman引用了斯坦福经济政策研究所的一项调查，对象是美国、英国、德国和澳大利亚约6000名企业高管，大约90%的人说过去三年AI没让生产率提高。不过他们对未来三年有预期：整体提升约1.45%，美国高管预期2.25%。

同一批受访者还说了一句让打工人心里一紧的话：他们打算靠多卖货、同时大幅减少员工来提高生产率。Rotman提醒，如果AI提高生产率的方式是消灭岗位，公众对这项技术的反感会更强，反过来可能挡住那些巨头指望的投资。

哈佛的招聘数据，把哪些活划到了危险区？

第二份材料是哈佛商学院Working Knowledge上的一篇解读，《增强还是淘汰？AI可能会怎样改变这些工作》，2026年2月发布，作者是数据可视化编辑Ana Elena Azpúrua。它总结的是哈佛商学院教授Suraj Srinivasan和合作者的工作论文《替代还是互补？生成式AI对劳动力市场的影响》，合作者是香港科技大学的Wilbur Xinyuan Chen和俄亥俄州立大学的Saleh Zakerinia。论文2024年12月首发，之后又更新过。

研究是怎么做的

研究团队看的是2019年到2025年3月的招聘信息，数据集几乎覆盖美国全部职位空缺。他们用ChatGPT给900多个职业里的19000多项工作任务打分，判断每项任务能不能被生成式AI自动完成，再按每个职业里“能被AI碰到”和“碰不到”的任务比例，算出一个增强潜力分。

结果长什么样

• ChatGPT在2022年11月公开上线后，结构化、重复性任务多的职业，招聘信息减少了13%。
• 分析、技术、创意类工作多、可能被AI增强的职业，招聘需求增长了20%。
• 容易被自动化的职位，招聘信息里列出的技能少了7%，新冒出来的技能也更少。
• 增强潜力高的职位，更常要求提示词写作、使用AI工具这类技能。
• 降幅最大的行业是金融和科技。

哪些职业被认为增强潜力高？文章举了微生物学家、金融分析师和临床神经心理学家，这类岗位既有能交给AI的任务，也有离不开人的部分，往往更依赖社交能力和动手的技术能力。拿金融举例，投资经理和分析师用AI工具处理和评估市场数据，最后拍板还得靠人的判断。

Srinivasan给企业的建议是两条：给被AI压缩技能面的岗位做转岗培训，给被AI拓宽技能面的岗位做持续的AI技能培训。他的原话是，企业应该把生成式AI看作增强工具，不要只当成降本手段。

SEO和投放落在哪一边

哈佛的文章没有点名SEO、付费投放或数字营销岗位落在哪边。Jarboe同样说明，下面是他的推断，要拿自己公司的实际情况去验证：

右边那一列，就是经理升总监要靠的本事。这个划分很符合多数人的直觉，但它是作者的判断，不是论文结论，引用时最好把这层说清楚。站内之前写过哪些SEO工作全交给AI会导致团队技能断层，讲的是左边那列被全部外包给AI之后，新人怎么长起来的问题，可以对照着看。

AI省下的工时，有多少又花回去了？

这是整篇文章最能落地的一段。MIT和哈佛给的是宏观背景，具体到一个营销组，Jarboe引了另外几组数字。

Kevin Indig在他的Growth Memo里追踪过营销团队的AI工时去向。按Indig的转述，Workday的研究发现，AI每省下10个小时，公司大约要还回去4个小时，用来修补质量不行的产出。另一组数字来自BetterUp Labs和斯坦福社交媒体实验室的workslop调查：41%的员工在过去一个月里收到过同事甩来的AI垃圾活儿，每处理一次平均花掉将近2个小时。站内9月写过Shopify CEO谈AI垃圾手雷那篇，说的就是这种审稿成本怎么悄悄转到同事头上。

把这两组数字放在一起看，AI省时的宣传口径通常只报了左手那一栏。10个小时省下来，4个小时被返工吃掉，净省6个小时；如果组里还有人在帮别人收拾AI初稿，这6个小时还要再扣。

Jarboe的态度很明确：营销计划里任何“AI提效”的说法，在有人把两边的工时都摆出来之前，都算没证明。他五年前写过一篇怎么算网红营销ROI的文章，说同一个公式可以直接拿来算AI的回报。ROI的公式大家都熟，难的是分子分母里该放什么，站内那篇SEO的ROI怎么算才不吃亏里列过经典公式容易漏掉的几块价值，思路相通。

一份AI工时表该记什么

按Jarboe的建议，每条用了AI的工作流都单独记，至少这几栏：

表里的数字都是示意，换成你组里的真实记录。

刚开始记的时候，有两个容易漏的地方。一个是审稿人的时间。AI初稿常常是写的人觉得省事了，返工落到了审的人、用的人身上，只让作者自己报工时，返工那一栏会被低估。所以每条工作流最好把下游接手的人也拉进来，各记各的。另一个是起点。没有“不用AI时要多久”这个对照，省下多少时间就只能靠估。比较省事的做法是挑三条最常用的工作流，先记两周，其中一部分任务照老办法人工做，拿来当对照。

记的时候用共享表格就够了，不用上什么系统。返工率比Workday那个数字低，就是一条可以拿去和上级汇报的发现；比它高，也是发现，说明这条工作流该改了。

老板想裁人，研究说该培训，经理夹在中间怎么办？

两份材料放在一起，有一个很明显的拉扯。MIT那篇里，高管们打算靠增加销售、减少员工来提高生产率；哈佛那篇的结论是，企业搭好人和AI协作的方式、给员工做转岗培训，从AI里拿到的好处更多。Jarboe说，你接下来的预算会，就夹在这两种立场之间。

他给的解法是两样都带上会议室：

• 一份经得起追问的提效数据，用工时和结果说话，高管问一句“这个数怎么来的”，你答得上来。
• 一份带人的计划，写明被工具接走重复性工作的组员，接下来去做什么。

为什么不能只带第一样？只交提效数据，等于主动递上裁员名单的依据。只交带人计划，又会被问“那你们省下来的时间去哪了”。两样一起交，才像一个能管预算的人。

Jarboe还提了一个风险，引自Rotman：如果AI提升生产率靠的是砍岗位，公众的反弹可能会挡住巨头们指望的那些投资。他以前在SEJ写过，AI品牌赢得了关注，却没赢得信任，裁员只会把这个差距拉得更大。对品牌方的营销负责人来说，这句话也有提醒意义：你家对外宣传“我们用AI替代了多少人”，未必是加分项。

做SEO、做投放、管整体营销，各该准备些什么？

Jarboe把建议按三种经理分开写了。下面照原文整理，再补一点国内团队的落地做法。

管SEO和AI搜索的

• 给每条工作流建一份AI工时表，把写提示词、检查、修改的时间，和这条工作流带来的排名、引用、辅助转化放在一起。
• 拿自己的返工率去对照Workday那个10比4，有差距就整理成一条发现交给上级。
• 把省下的时间挪到Indig说的那些被内部AI工具挤掉的事情上：发布内容、争取外部提及、加强品牌，这些是搜索引擎和AI系统做推荐时会看的东西。
• 每个月在几个不同的AI助手里查一遍品牌引用情况，某一个平台改了规则，你自己的数据里能看出来。

国内做出海的团队，最后一条可以按自己的市场选平台。做欧美市场的看ChatGPT、Gemini、Perplexity和Google的AI模式；做国内市场的再加上文心、豆包、元宝这些。别只盯一家。

管付费投放的

• 问清楚平台和代理商，你账户里哪些AI功能现在是捆绑或打折提供的，价格条款要书面写下来。
• 评估自动化广告系列时，用留出对照组的方式看增量，别只看单次结果成本。程序化广告那些年的教训是，光看效率会把浪费藏起来。
• 把组里结构化、重复性的投放任务列一张清单，给管理层一份计划，说明这些时间要挪到创意测试和效果衡量上去。

第一条的潜台词是：今天的优惠价，未必是明年的价格。巨头们投了那么多钱要收回来，AI功能从免费变收费、从捆绑变单独计费，都是可以预见的。对照实验的原理不复杂，留一部分人或地区不投，看两边差多少，站内那篇增量测试怎么衡量广告真实增量把分组方式和iROAS的算法都写了。

管整体数字营销的

• 把工作流搭成可以换模型的样子。Rotman列出的威胁里，就有更便宜、够用的模型和小型本地模型。
• 提示词和一小套测试任务存在你自己能掌握的文件里，挑一个真实任务，让一个更小的模型和你现在用的工具比一比。
• 下次预算评审前做一页AI记分卡：省下的工时、还回去的工时、确实动了的结果指标、每条工作流的成本、备用模型是哪个。
• 预算申请里加一行培训费，覆盖AI素养和人机协作。哈佛的研究说，雇主现在在增强型岗位上就要这些能力。

换模型这一条，国内团队有天然优势。MIT那篇里提到，如果生产率的提升来自企业用DeepSeek这类模型，巨头的收入可能会垮掉。国内可选的开源和低价模型本来就多，团队里早有人在用。把提示词和测试集从某一个工具里拿出来，单独存档，换起来才不心疼。

这些结论在什么情况下要打问号？

Jarboe的文章是一篇观点专栏，引的材料又各有口径，拿去给老板汇报之前，有几处最好心里有数。

哈佛的数据是美国、短期。研究者自己写了，其他地区和长期影响“仍不确定”。招聘信息减少也不等于在职员工被裁，它反映的是企业招人的意愿。任务分类是用ChatGPT打的分，这本身就带着模型的判断。

6000名高管的调查是自我报告。说“没有提升”的人里，可能有人根本没统计过；预期的1.45%也只是预期。

Workday的10比4是二手数字，SEJ的文章是从Indig的转述里引的，原始报告的样本和口径要去看原文。不同公司、不同工作流的返工率差别会很大，写稿和写代码肯定不一样。

SEO和投放落在哪一边，是Jarboe的推断，他自己说了要拿组织里的实际情况去验证。有的公司批量写标题这类活早就交给AI，有的公司因为合规要求，每条广告文案都得人工过一遍，情况差得很远。

还有一点Jarboe没展开：总监的岗位本身也在变。很多公司在压缩管理层级，经理升总监的通道变窄了。工时表和带人计划能让你在预算会上更有底气，但它解决不了“上面没有空位”的问题。这个就只能靠运气和换平台了。

Jarboe文章结尾说，AI泡沫什么时候破，没人说得准，Rotman也没去猜。能拿出工时、结果和带人计划的经理，不管泡沫哪年破，这套说法都能用。MIT会算数，哈佛也会，做营销的人也该会。

常见问题解答

这篇SEJ文章的作者是谁？

Greg Jarboe，SEO-PR公司联合创始人，2003年到2025年任总裁，现已退休，是SEJ的特约专栏作者。文章属于职业发展栏目，是观点类文章。

MIT那篇文章给了哪些关键数字？

几家云计算巨头今年数据中心支出约7500亿美元，到2027年累计接近1.1万亿美元，今年全行业AI收入约1500亿到2000亿美元，Wharton学者估算到2030年回本需要生产率提高2.7倍。

Alphabet的自由现金流缺口是怎么回事？

Rotman报道，Alphabet最近一个季度营收接近1200亿美元，被AI基础设施支出吃掉后，自由现金流出现约59亿美元缺口，是2004年上市以来第一次。

Gensler说的串关是什么意思？

他认为AI基础设施投入要三场都赢：巨头赚到巨额收入，AI带动整个经济增长，前沿大模型顶住更便宜的够用模型。Rotman补了第四场，公众要觉得自己也受益。

AI工具以后会涨价吗？

没人能给准话。MIT文章的数字说明巨头要回本压力很大，GPU每两年左右就要换代，所以现在的订阅价和捆绑优惠不宜当成长期价格，条款最好书面确认。

哈佛研究的13%和20%分别指什么？

ChatGPT在2022年11月上线后，结构化、重复性任务多的职业招聘信息减少13%，分析、技术、创意类工作多的职业招聘需求增长20%，数据覆盖2019年到2025年3月几乎全部美国职位空缺。

哈佛研究有没有直接说SEO岗位会怎样？

没有。文章没有点名SEO、付费投放或数字营销岗位。把报表、批量写标题、出价调整划到容易自动化的一边，是Jarboe的个人推断。

Workday的10比4是什么意思？

按Kevin Indig的转述，Workday研究发现AI每省下10个小时，公司大约要还回去4个小时修补质量不行的产出。这是二手引用，具体样本和口径要看原报告。

workslop调查的数据是什么？

BetterUp Labs和斯坦福社交媒体实验室发现，41%的员工过去一个月收到过同事甩来的AI垃圾活儿，每处理一次平均要花将近2个小时。

AI工时表至少要记哪些内容？

写提示词、检查、返工的时间，不用AI时同样产出要多久，返工率，这条工作流带来的排名、引用和辅助转化，单条工作流成本，以及备用模型。

为什么建议工作流能换模型？

MIT文章把更便宜、够用的模型和小型本地模型列为前沿大模型的竞争威胁。提示词和测试任务存在自己的文件里，换工具时不被某一家绑住，价格变了也有退路。

投放经理为什么要用对照组测增量？

自动化广告系列只看单次结果成本，可能把本来就会发生的转化也算进去。留一部分人或地区不投，比较两边差多少，才知道广告实际带来了多少增量。

这些研究在中国适用吗？

不能直接套用。哈佛的数据只覆盖美国，6000名高管来自美英德澳四国。国内团队可以借用工时表和记分卡的方法，结论要用自己公司的数据来验证。

权威参考资料