据TechRadar报道，普华永道研究显示，英国19%员工每日在工作中使用AI，高于去年的15%；但44%员工称工作量增加，45%担心工作复杂度上升，AI并未普遍让工作更轻松。

研究显示AI使用存在职级差距：85%高管和73%管理者使用过AI，非管理者仅35%。70%员工认为AI提升工作质量，63%称能更多运用技能，58%认为带来价值。普华永道英国首席创新与技术官克莱尔·里德表示，雇主和员工应“重新思考工作如何完成”，而不是只提高质量或数量。她说，“真正的收获不只是完成更多工作，而是重新设计工作，让人类和AI共同交付更好的结果。”报告还指出，部分员工担心尝试AI带来负面后果、对雇主政策困惑或需要培训，更清晰的战略和沟通可让更多人受益。里德还称，组织需要围绕正确问题重新思考工作，为人们提供使用AI的技能和信心，并设置正确保障。

TechRadar刊发的另一篇分析文章提到，AI代理从试验走向规模化部署推高账单，Uber曾称其2026年全年AI预算在四个月内用完。行业因此讨论模型路由和开源模型，中国模型Kimi K3以较低价格提供接近前沿能力，推高了这一热情。但文章认为，针对不同工作选择不同模型是合理方式，单独使用却过于狭窄；组织若不能明确何时使用大语言模型、哪些数据处理应放在别处，就会产生不必要的token消耗和虚高成本。

文章称，大语言模型可完成文件对账、执行业务规则、合规检查和源文件解读，但未必划算，因为它们会不断重建上下文，独立使用时也未接入组织知识；许多问题还是重复性的。“最便宜的token是从未生成的token”，关键瓶颈是许多AI系统没有连接业务逻辑，缺少承载可重复分析工作流、组织规则和合规护栏的业务逻辑层。例如员工要求模型计算团队利润率，独立模型可能拉取多源数据、撑大上下文仍答错；业务逻辑层可提供每日计算核心利润率变量的预建工作流，模型直接使用输出。该层还能连接云数据平台和大语言模型，避免计算成本重复。

文章认为，把稳固业务逻辑注入AI输入输出有长期成本收益：缺乏业务逻辑会限制对AI的信任，拖慢带来投资回报的推广。税务、合规和金融等领域的问题通常是确定性的，需要确定性答案，业务逻辑及其调动是关键。随着代理加快部署，若无正确规则和逻辑，1000个代理可能对每个问题给出1000种不同答案，无法成为有益力量。