TransCrab
← 返回 关于

AI 采用率是个神话

2026-08-09 · 原文链接

你已经是排名前 1% 的 AI 用户了。没错，你和最前沿的那群人之间仍有差距。那些疯狂的年轻人同时开着 20 个终端，还维护着一个每次运行后都会自我改写的知识库。

坏消息是，你永远追不上这些人。好消息是，你根本不需要追上他们。你与前方的差距，远小于你与身后人群之间的鸿沟。

你可能不觉得自己属于前 1%，因为你在 X 上看到技术高手随手就拉起一整支智能体舰队。但相信我，你确实在前 1%。你大概每天都在使用模型，对怎样使用模型最有效有自己的看法，甚至可能会折腾智能体，或已经在自己的电脑上部署了 Hermes。

而在你和大型企业的普通员工之间，却隔着一道深渊。他们也许两年里只打开过 4 次 ChatGPT。他们用过 3.5-turbo，便断定 AI 很蠢，却不知道 GPT-5.6 Sol Ultra 刚刚证明了一个悬而未决 50 年的图论猜想。每一篇 AI 战略文章或帖子，都假定这个普通员工最终会追上来。

我要告诉你：他们不会。

补充一点背景：我是 @varickagents 的 CEO。我们与全球规模最大的企业合作，在组织内部落地 AI 智能体和 AI 战略，因此对企业采用 AI 的真实情况颇有了解。

世界上最好的 AI 工具，并没有让他们变得更快

我最近与一家非技术型企业的运营部门负责人聊过，他的团队有数千人。他说，没有 AI 时，团队的推进速度还不错，并没有什么严重问题。

后来，他们推出了 Claude Cowork。结果如何？团队依旧以同样的速度推进。他问我为什么。

我在每个组织里都见过同样的分化。无论公司有 50 人还是 5,000 人，结果每次都一样：呈现两头重的杠铃形分布。5% 到 10% 的人是高级用户，他们每天使用 Cowork，善用技能文件、Outlook 连接器等功能。他们是 AI 的布道者。正因为他们在工作之外也会折腾 AI，亲眼见识过它的巨大影响，才会率先推动公司引入 Claude Cowork。

其余 90% 的人中，约有 20% 每天会用几次，但用得相当糟糕。他们能得到一些价值，却远不及前沿用户。剩下的 70% 则根本不用。

按照该部门的仪表盘，这次推广可以算作“成功采用”。但在这位负责人看来，工作并没有变快。这两件事可以同时为真。

会用和用好，是两种不同的能力

即便是在使用 AI 的人当中，能力差距也极其巨大。那些使用 AI 却完全不知道自己在做什么的人，用上 AI 后的处境甚至比以前更糟。

安装 Claude、让它读取一个代码仓库、输入四个词的提示，然后看着某些事情发生，实在太容易了。结果可能是对的，也可能是错的。

把它用好则是另一种能力。你需要知道什么时候应该清空上下文；知道一件刚做过两次的事情应该变成每次都会被模型读取的技能文件，而不是一遍遍重输提示词；知道自动化项目中哪 15% 需要模型作出判断，哪 85% 只需要确定性的代码。最重要的是，在接受修改之前，你要会正确地阅读 diff。

如果把同一张工单交给两位工程师，差异在前 5 分钟内就会显现。第一位工程师只是把 Jira 中的文字粘贴进 Claude，然后点击提交。修复改动了六个文件，他草草浏览一遍，看到测试仍然通过，就合并了 PR。三周后，生产环境开始出问题，才有人发现这个 PR 毫无理由地修改了一项配置值。

第二位工程师的起点相同。他也会粘贴 Jira 的文字，但随后会指出相关代码位于仓库中的什么位置，哪些目录和文件应该修改，哪些必须保持不动。他已经准备好技能文件，确保 Claude 提交的每个 PR 都足够精简，而不是冗长发散，并且在提交前得到充分测试。之后，他会仔细阅读 diff，发现一处意外改动，用一条简短提示修正它，最终合并一个规模只有前者一半的 PR。

任何组织中，至少有一半的人永远达不到第二种状态。用好 AI 是一门手艺，需要大量迭代才能真正精通。对于尚未使用 AI 的人来说，改变惯性的门槛高得让许多人根本无法跨越。要把一个只会批量产出粗糙结果的人培养成成熟的高级用户，同样困难。

即使推广得尽善尽美，结果仍是杠铃形分布

最显而易见的反驳是：“这些公司只是做得不好，换成我一定能做得更好。”并非如此。无论推广过程多么完美，最终都会形成杠铃形分布。

我们交流过的另一位高管，刚刚为整个组织部署了企业许可证，年度投入达到八位数。结果大约 10% 的人消耗了 90% 的 token。

换个角度看：如果另外 90% 的人也像最活跃的 10% 那样使用 AI，支出将增加约 10 倍。原本 1,000 万美元的投入会变成 1 亿美元，你设想中的最好结果反而成了最坏结果。

采用与否是二元的，使用能力却是一条连续的光谱

麦肯锡 2025 年的调查显示，88% 的组织至少在一项业务职能中使用 AI，但只有 6% 的组织有超过 5% 的息税前利润（EBIT）来自 AI。MIT NANDA 的《GenAI Divide》报告还提供了另一项数据：5% 的集成试点创造了数百万美元的价值，其余 95% 则没有表现出可衡量的损益影响。

如果你把“采用率”作为指标，实际上很可能只是在问一个经过抽象的是否问题，充其量不过是：“这个人本月登录了吗？”“这个人今年登录了吗？”“这个人每天至少发送 5 条提示了吗？”如果想区分“从未打开过工具”“把邮件粘进去重新排版”和“已有三个生产环境中的智能体在处理总账”，你就需要一套更好的衡量体系。99.9% 的企业 AI 采用情况追踪工具都做不到这一点。原因显而易见，这种做法很愚蠢，看看上面的杠铃形分布就知道了。

但这个数字在技术上是真实的，人们也没有谎报采用情况。只是它比真正重要的事情容易衡量得多：每个人使用 AI 的能力究竟如何？每消耗一个 token 能获得多少投资回报？

这就是为什么所谓的“AI 采用率”是一个神话。如果真的追踪这些指标，你会发现，企业中绝大多数人都没有希望成为真正的 AI 原生工作者。这是否意味着他们没有价值？当然不是。这只意味着你必须相应调整实施和推广方案。

所有激励机制都在维持这道鸿沟

每一家 AI 厂商的产品路线图都在宣传智能体能力的提升，却对团队能否有效使用这些能力只字不提。因此，真正能有效使用产品的只有最前沿的用户，而他们的声音最大，产品自然会听取他们的意见。为这些用户开发产品也最能带来成就感，因此双方皆大欢喜。可是，每一次功能发布都会抬高用好产品所需的能力门槛，只会进一步扩大前沿用户与组织中大多数人之间的鸿沟。

我不断看到企业被“教员工怎么写提示词！”这个想法吸引。但提示词只占整件事的 10%，另外 90% 是：“训练员工理解哪些工作流绝不能接触模型，哪些工作流又应该完全自动化。”这件事不像提示词培训那么容易销售，是因为每家公司的答案都不一样，而且需要在现场花几周时间才能梳理清楚。

公司里的 AI 高手也没有动力解决这个问题。他们的杠杆恰恰来自这道鸿沟。他们把工作提速 70%，然后可以轻松度日；或者一个人完成三个人的工作。但一旦所有人都赶上这股浪潮，他们就会失去优势。没有额外激励，他们为什么要主动填平鸿沟？

那么，解决方案是什么？

无论如何，你都必须开展培训。只有培训过后，你才能知道谁属于最顶尖的一小群人。在这个意义上，培训的作用是诊断，而不是补救。公司里肯定有人对 AI 感兴趣，却没有足够的时间和资源深入钻研。你应当通过培训，观察每个人的能力和舒适程度。

对于最顶尖的高级用户，要给他们一个发布成果的地方，例如共享数据库。让他们制作的每项技能都能上传、排名，并供其他人安装。这是我见过唯一能把一个人的突破转化为可共享成果的机制。在这里，排名就是激励：高级用户愿意用自己的优势换取组织中的地位。不过差距仍然存在。即便把这些成果推送给所有人，仍会有 50% 的人从不使用任何技能。

对于其他所有人，工作必须在他们不改变现有工作方式的前提下完成，这意味着 AI 应该退到后台。为什么一定要由人类输入提示，AI 才能工作？找出重复度最高的流程，在员工已经习惯使用的现有记录系统中构建智能体，例如 Salesforce、NetSuite、Dynamics 等，只在需要复核时才让人介入。

例如，你有几十名应付账款分析师，整天都在处理发票。其中 90% 的工作都可以自动化。你不能指望他们自己搭建智能体，或通过输入提示可靠地完成工作而不在生产环境中闯祸。因此，应该构建每天自动运行的智能体，让分析师只负责批准、拒绝或修改智能体完成的工作。

有一件事必须记住：人们并不需要一款“帮助他们完成工作”的工具，他们只想让工作被完成。

所以，不要再向董事会汇报“采用率”。应当汇报目前有多少工作是纯手工完成、多少是人机协作、多少已经完全自动化。这才是唯一重要的报告和讨论。

怎样构建并部署这些后台智能体？那完全可以另写一篇文章。再补充一点背景：这正是我们在 Varick 所做的事情，也是我们为客户推广 AI 时唯一真正奏效的方法。这些客户都是拥有数千名员工的大型企业，但采用的方案完全相同：

我们审查工作在组织内部真正发生的位置，然后把智能体构建到企业现有的记录系统中。这样，工作便能完成，而不必要求五千个人精通一门他们从未主动选择的手艺。

我们服务的企业年营收超过 5 亿美元，覆盖财务、销售、采购、运营、人力资源等领域。欢迎访问 varickagents.com 了解我们。如果想阅读更多类似内容，可以在 varickagents.com/newsletter 订阅我们的新闻通讯。

太长不看