AI采用是个伪命题

liumuhui 3小时前阅读数 1 #区块链

你已经处于 AI 用户的前 1% 之列。没错，你和前沿玩家之间确实存在差距——那些同时开着 20 个终端、知识库每次运行后都会自我重写的疯狂家伙们。

坏消息是，你永远追不上那些人。好消息是，你也不需要追上。你面前的这道差距，远比你身后的那道要小。

你可能不觉得自己在前 1%，因为你在 X 上看到极客们随手就能拉起一支 Agent 舰队，但相信我，你就在前 1% 里。你很可能每天都在使用某个模型，对怎么最好地使用它有自己的看法，你甚至可能摆弄过 Agent，或者在自己机器上搭过 Hermes。

另一方面，你和大型企业里那个"中位数员工"之间，横着一条鸿沟。他们可能两年里只打开过 4 次 ChatGPT。他们用过 3.5-turbo，然后断定 AI 很蠢，完全没意识到 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 战略文章或帖子都在假设这个人——这个中位数员工——最终会追上来。

我告诉你：他们追不上的。

先交代一下背景：我是 @varickagents 的 CEO。我们与全球最大的公司合作，在他们的组织内落地 AI Agent 与相关战略，所以我们对 AI 在企业中的真实情况颇有了解。

图 1 — 鸿沟

世界上最好的 AI 工具，并没有让他们变得更快

我最近和一位非技术类企业运营部门的负责人聊过（他管着数千人）。他说，在没有 AI 的时候，他的团队运转速度还算不错，也没多少可抱怨的。

后来他们上线了 Claude Cowork，你猜怎么着？团队的速度还是老样子。他问我为什么。

我在每个组织里都看到了同样的分化。不管是 50 人还是 5000 人，结果都一样：杠铃形分布。5-10% 的人是重度用户。他们每天使用 Cowork，用上 skill 文件、Outlook 连接器等等。这些人是布道者，是最初推动引入 Claude Cowork 的人，因为他们在工作之外也爱摆弄 AI，亲身感受过 AI 能带来多大的影响。

至于其余 90% 的人，其中 20% 每天会用上一两次，但用得很糙。他们确实从中得到了一些价值，但相比前沿玩家获得的，只是很小的一部分。剩下 70% 的人，根本就没用过。

图 2 — 只有十分之一的人用得好

他组织里的仪表盘会显示，这次上线已算"成功采用"。但在他看来，什么都没变快。这两件事同时成立。

使用它和用好它，是两种不同的技能

即便在那些确实使用了 AI 的人当中，技能差距也极其悬殊。那些完全不知道自己在做什么的 AI 用户，用了 AI 之后，处境比之前更糟。

安装 Claude、把它指向一个仓库、发送一个四个词的提示词、然后看着某个结果跑出来（可能对，也可能错）——这些都是轻而易举的事。

用好它，则完全是另一种技能。知道什么时候该清空上下文；知道刚做过两次的事，应该沉淀成一个模型每次都会读取的 skill 文件，而不是一遍遍重新输入的提示词；知道一个自动化项目中，哪 15% 需要模型来做判断，哪 85% 只需要确定性代码。而最重要的一点是：在接受一个 diff 之前，完整且正确地审阅它。

如果把同一个 ticket 交给两个工程师，这种分化在头 5 分钟就会显现出来。第一个工程师会把 Jira 里的文本原样粘进 Claude，然后点提交。修复一共改了六个文件，这位工程师粗略扫一眼，看到测试仍然通过，就把 PR 合并了。三周之后，生产环境开始出问题，有人才发现，这个 PR 曾无缘无故地改掉了一个配置值。

第二个工程师的开头也一样：把 Jira 里的文本粘贴进去，但随后会标明代码在仓库中的位置、哪些文件夹和文件该动、哪些该保持不动；而且已经有现成的 skill 文件，确保 Claude 提交的每个 PR 都精简而非冗长，并且在提交前经过充分测试。然后通读 diff，发现一处多余的改动，用一句简短的提示词修掉，最后合并的 PR 大小只有第一个工程师的一半。

图 3 — 同样的工具，同样的岗位，不同的结果

任何组织里至少有一半人，永远到不了第二个工程师那样的水准。用好 AI 是一门手艺。要真正擅长，需要海量的迭代；而对很多组织来说，不碰 AI 的人身上的惯性，是难以逾越的。把一个只会乱喷劣质内容的"炮手"变成老练的重度用户，同样困难。

上线再完美，结果依然是杠铃形分布

一个常见的反驳是："这些公司只是做得不好。换我来，会做得好得多。" 不。即使你完美地完成上线，最终得到的也依然是一个杠铃形分布。

我们聊过的另一位高管，刚给整个组织发完企业许可证。那是一笔八位数的年度投入。大约 10% 的人，烧掉了 90% 的 Token。

换个角度看：如果其余 90% 的人也像前十分之一那样用 AI，支出将大约变成现在的 10 倍。1000 万美元的投入变成 1 亿美元，而你最好的情况，就此变成最坏的情况。

图 4 — 10% 的席位消耗了 90% 的 Token

采用是二元的，技能是一条光谱

麦肯锡 2025 年的调查显示，88% 的组织在至少一个业务职能中使用 AI，但其中只有 6% 的组织，来自 AI 的 EBIT 占比超过 5%。另一个数据来自 MIT NANDA 的 GenAI Divide 报告：5% 的集成试点带来了数百万美元的价值，而其余 95% 没有显示出可衡量的 P&L 影响。

如果你把采用率当作一个指标来追踪，你很可能只是在问一个（充其量）是/否问题的抽象版本："这个人这个月登录了吗？"、"这个人今年登录了吗？"、"这个人每天至少发送 5 条提示词吗？" 如果你想区分"从未打开过"、"把邮件粘进去重新排版"和"有三个 Agent 在生产环境中处理总账"，就需要一套更好的衡量体系。而 99.9% 的企业 AI 采用率追踪器都做不到这一点。这很愚蠢，原因显而易见（见上文：杠铃形分布）。

图 5 — 采用率数字隐藏了什么

但这个数字在字面意义上是真实的，人们也并没有在采用率上撒谎。这比你真正关心的东西容易衡量得多：每个人用 AI 的水平有多高，以及每用掉一个 Token 能换来多少 ROI。

这就是为什么说 AI 采用率是一个神话。如果你真的去追踪这个指标，就会发现，绝大多数人已经没有希望在企业里成为 AI-native。这是否意味着他们没有价值？当然不是。只是意味着你的实施与推广计划需要相应地调整。

所有激励机制都在维系这条鸿沟

每家 AI 供应商的路线图，都在兜售 Agent 能力的提升，但对团队能否有效使用它，却只字不提。于是，真正能有效使用它的只有前沿用户，他们声音最大，因此最有发言权；同时，他们也是最能彰显产品价值的受众，所以这显然是双赢。每一次功能发布，都在抬高"把产品用好"的技能门槛，而这只会让组织内前沿与大众之间的鸿沟越拉越大。

我不断看到企业被"培训员工怎么写提示词！"这种想法诱惑。这只是整个游戏里的 10%。另外 90% 是：培训员工理解哪些工作流永远不该碰模型，哪些工作流应该完全自动化。这个方案之所以没法像"提示词培训"那样轻松卖出去，是因为答案在每家公司都不一样，需要到现场花上几周才能搞清楚。

而你公司里的那些 AI 忍者，同样没有动力去修复问题。他们的筹码就是这条鸿沟。他们干活的速度比别人快 70%，然后就可以摸鱼；或者，他们一个人顶三个人用。可一旦所有人都赶上了这波浪潮，他们就失去了优势。没有额外的激励，他们凭什么去修复它？

那么，解决方案是什么？

好吧，无论如何，你都还是得培训。不培训，你就不知道谁在顶层、谁不在。从这个意义上说，培训是诊断手段，而不是补救措施。你公司里肯定有一些人对 AI 感兴趣，只是缺少深入探索的时间和条件。你应该通过培训，摸清每个人的能力和舒适区。

对于你的顶层人群——也就是重度用户——给他们一个可以发布的地方，比如一个共享数据库，这样他们做的每个 skill 都会被发布出来、获得排名，并被其他人安装使用。这是我见过的，唯一能把一个人的突破变成可共享成果的机制。在这里，排名就是激励：重度用户愿意拿自己的竞争优势，来换取组织中的地位。鸿沟依然存在：你可以把所有这些推送给所有人，依然会有 50% 的人永远不会使用任何一个 skill。

对于其他所有人，工作必须在不改变他们工作方式的情况下完成，这意味着 AI 要进入后台。为什么非要由人类来提示 AI 呢？只要找出最重复的那些流程，在你员工已经用惯的现有记录系统（Salesforce、NetSuite、Dynamics 等）里构建 Agent，只在需要人再核一眼的地方引入人工。

举个例子：你有几十个 AP 分析师整天在处理发票，其中 90% 都可以自动化。你不能指望他们自己拉起 Agent，或者在不搞坏生产环境的前提下，靠提示词可靠地把活干完。所以，去构建那些每天都在运行的 Agent，这些分析师从此只需要批准、拒绝或编辑 Agent 完成的工作。

你要记住一件事：人们想要的并不是一个帮他们完成工作的工具，他们只是想把工作做完。