据TechRadar于2026年10月27日刊发的文章，Qlik首席战略官表示，AI正把职场中的思考环节从生成答案转向核验答案。AI能快速完成会议纪要、内容初稿等任务，这推动其从试验进入日常业务，但也让员工把更多时间用于判断输出是否准确、是否足以支持决策。

文章称，这带来一种不同的认知负担：员工不再花同样多时间得到第一个答案，却要花更多时间检查输出是否准确，以及是否好到足以支撑决策。AI生成的内容可能显得完整而有说服力，即使其依据并不充分；答案可能忽略关键背景或依赖不完整信息。随着AI越来越善于表现得自信，错误也可能看似合理，未经质疑便进入业务决策。

文章认为，辨别力正成为AI工作环境中的重要技能。未来劳动者需要把背景、经验和判断用于一个看似权威的输出；深度了解市场或流程的人可能立即发现不对，另一个人则可能因为答案清晰、自信而接受它。但个人辨别力难以规模化，指望每名员工发现每一个可疑输出并不现实。人工复核仍然必要，但依赖个人警觉不是稳健、可持续的运营模式。随着智能体AI发展，AI从建议走向执行，错误答案的后果会更严重，因为错误可能迅速进入真实业务流程，稳健治理因此更重要。

文章称，许多企业投入大量资源让数据可供AI使用，但可用并不等于就绪。企业常把注意力放在最显眼的模型上，却忽视底层信息质量。多数组织很快将能获得能力相近的模型，区分它们的将不是AI本身，而是数据质量、治理和运营纪律。要让数据为AI所用，信息必须最新、可信、结构化，使AI输出反映企业实际运作方式；缺乏这些基础，企业会把更多时间花在验证AI上，而非从AI获益。劣质数据还会把额外工作推回员工，员工需花更多时间核对输出、解决不一致，削弱生产力理由。文章引用数据称，74%的一线员工已是AI常规用户，其中41%报告在生产力提升的同时认知负担增加。

文章还称，AI治理需要超越政策和原则。企业若想让AI带来业务价值，需要回答谁对AI辅助决策负责、人工判断应在何处保留在流程中等实际问题。随着AI采用扩大，这些问题会把首席财务官带入讨论；财务负责人不仅被要求控制支出，还要证明AI投资产生可盈利的价值。这要求企业更清楚地看到AI用在哪里、决策如何作出，以及验证、监督和纠错成本是否被正确核算。治理也可成为成本效率杠杆：当AI系统建立在结构化、可信的企业数据上，它们能更高效地找到正确信息，可能减少token消耗，同时改善输出质量和一致性；换言之，强治理有助于降低运行成本。