AI 大规模采用可能只是一个神话

1. 前沿用户与普通员工之间不是差距，而是鸿沟

• 如果你每天使用模型、对使用方法有自己的判断，甚至会折腾智能体或在本机安装 Hermes，你很可能已是前 1% 的 AI 用户。你与同时运行 20 个终端、每轮都会重写知识库的前沿玩家仍有差距，但追不上他们也无妨，因为你身后的差距远大于前方。
• 大型企业的中位员工可能两年只打开 ChatGPT 四次，使用过 3.5-turbo 后就认定 AI 很蠢，却不知道 GPT-5.6 Sol Ultra 已能证明一个悬而未决 50 年的图论猜想。大量企业 AI 战略默认这些员工最终会追上来，作者基于为全球大型公司落地智能体的经验判断：他们不会。
• 企业面对的不是一条所有人缓慢前进的曲线，而是一根两头重、中间空的杠铃。这决定了单纯发许可证和提示词培训不会带来平均生产率跃升。

2. 最好的工具也不会自动让团队更快

• 一家有数千人的非技术企业运营部门原本运行尚可。部署 Claude Cowork 后，团队仍以同样速度前进。组织规模无论 50 人还是 5000 人，作者都看到类似分布：5% 至 10% 是每天使用 Cowork、skill 文件和 Outlook 连接器的强力用户；约 20% 每天使用几次但方法粗糙，只得到少量价值；剩余 70% 完全不用。
• 仪表盘会把这次上线算作“已采用”，负责人却看不到任何提速。这两个判断同时为真：账户和登录已经发生，工作结果没有改变。
• 这也解释为什么“给所有人最好的 AI 工具”并不等于“所有人都会更好地工作”。采用是一次接触事件，能力却来自持续练习和具体工作判断。

3. 会打开工具与会正确使用，是两种不同技能

• 安装 Claude、指向代码仓库、输入四个词并看它执行很容易；结果可能对，也可能错。真正的能力包括：何时清理上下文；何时把重复两次的操作写成每次都读取的 skill；自动化项目中哪 15% 需要模型判断，哪 85% 只需要确定性代码；最重要的是，接受修改前能否认真阅读差异。
• 同一张 Jira 工单交给两名工程师，五分钟内就会分化。第一人直接粘贴工单，Claude 修改六个文件；他扫一眼、见测试通过便合并。三周后生产异常，团队才发现这次提交无故改了配置值。
• 第二人也从粘贴工单开始，却会指出代码所在位置、哪些目录和文件可改或不可改，并已有 skill 文件约束 Claude 生成精简、充分测试的提交。他阅读差异、抓住多余改动、用一个短提示修复，最后合并的提交只有前者一半大小。
• 把“垃圾喷射器”训练成精细的强力用户，本身就是一门需要大量迭代的手艺。至少一半组织成员永远不会达到第二种状态；不使用 AI 的惯性很强，粗糙用户转变也同样困难。

4. 完美上线仍会产生杠铃，而且成功可能让成本失控

• 有人会说，问题只是企业部署太差，自己能做得更好。作者反驳，即使上线完美，杠铃仍会出现。一位高管刚为全组织购买企业许可，全年投入达到八位数；约 10% 的人消耗 90% 的 token。
• 如果其余 90% 也像前 10% 那样使用，支出会大约增加十倍：1000 万美元承诺变成 1 亿美元。原先设想的最佳采用结果，反而变成成本最坏情形。
• 因而“越多人越频繁使用越成功”的直觉不成立。企业必须把使用强度与产出、风险和单位 token 回报放在一起，而不能只追求席位活跃。

5. 采用是二元指标，能力和价值却是一条连续谱

• 麦肯锡 2025 年调查称，88% 的组织至少在一个业务职能使用 AI，但只有 6% 的组织从中获得超过 5% 的息税前利润。MIT NANDA 的《生成式 AI 鸿沟》报告也显示，5% 的集成试点创造了数百万美元价值，其余 95% 没有可测量的损益影响。
• 企业所谓采用指标，通常只是“这个月登录了吗”“今年登录了吗”“每天至少发五个提示了吗”。它无法区分从未打开工具的人、只让 AI 改写邮件的人，以及在生产环境运行三个智能体并接触总账的人。99.9% 的企业采用追踪器都缺少这种区分。
• 数字本身不一定是假，却回避了真正问题：每个人使用 AI 的熟练度如何？每个 token 产生多少投资回报？若认真衡量，企业会发现绝大多数人没有希望变成 AI 原生用户。这并不等于他们没有价值，只意味着实施和推广方案必须改变。

6. 产品路线、培训市场和内部利益都在维持鸿沟

• AI 供应商的路线图只强调智能体能力提升，很少讨论团队能否有效使用。前沿用户声音最大，也是最令人愉快的目标客户；产品便不断为他们增加功能。每次发布都抬高“用好产品”的技能门槛，进一步扩大他们与多数员工的鸿沟。
• 企业常被“教员工写提示词”的方案吸引，但提示词只占问题的 10%；剩余 90% 是训练员工判断哪些流程绝不能接触模型，哪些流程应该完全自动化。这些答案在每家公司都不同，需要在现场花几周才能辨认，因此也难以包装成标准课程出售。
• 公司内部的“AI 忍者”同样缺少缩小差距的激励，因为鸿沟就是他们的杠杆：他们可能快 70% 后轻松度日，也可能完成三个人的工作；一旦所有人都赶上，他们就失去优势。

7. 培训的首要作用是诊断，再让强力用户共享成果

• 企业仍然必须培训，因为不经过尝试就不知道谁属于顶尖群体。培训首先是诊断工具，而非把所有人补救到同一水平。组织里确实有人对 AI 感兴趣，只是缺少时间和杠杆深入探索；训练可以暴露每个人的能力与舒适区。
• 对强力用户，应提供共享数据库之类的发布场所，让他们制作的每个 skill 都能被上传、排名和安装。这是作者见过唯一能把个人突破变成可共享能力的机制。排名提供地位激励，强力用户可能愿意用自己的优势交换组织声望。
• 但共享不能消灭鸿沟。即使把成果推送给所有人，仍可能有 50% 的员工永远不用任何 skill。企业不能把全员转化当作落地前提。

8. 面向多数人，应把 AI 放进后台而非要求人人提示

• 对其他员工，工作必须在他们不改变工作方式的情况下完成，也就是让 AI 进入后台。企业应找出最重复的流程，把智能体嵌入员工已熟悉的 Salesforce、NetSuite、Dynamics 等记录系统，只在需要第二次判断时引入人类。
• 例如，应付账款分析员每天搬运发票，其中 90% 可以自动化。不能期待他们稳定地自行启动智能体或用提示词完成任务而不破坏生产；更稳妥的方案是让智能体每天自动运行，分析员只负责批准、拒绝或编辑结果。
• 人们并不想购买一件帮助自己完成工作的工具，他们只想让工作完成。因此，企业 AI 不应以改变每个人的身份和习惯为目标，而应重构工作流本身。

9. 董事会应看工作自动化比例，而非“采用率”

• 企业应停止向董事会汇报采用率，改为汇报当前工作中多少仍为手工、多少是人机混合、多少已经完全自动化。这才直接反映组织结果。
• Varick 的做法是审计工作在组织内部实际发生的位置，再把智能体嵌入现有记录系统，让工作完成，而无需要求 5000 人都精通一门原本没报名学习的手艺。作者称这套方法已用于年收入超过 5 亿美元的企业，覆盖财务、销售、采购、运营和人力资源。
• 文章的结论不是放弃员工，也不是只服务精英，而是承认技能分布的现实：识别并放大顶尖用户的突破，同时让多数人无需成为 AI 专家也能受益。

思想框架

文章先把 AI 用户分布描述为杠铃，用 Claude Cowork 上线案例说明账户采用与生产率可以背离；随后以两名工程师、token 成本和调查数据区分二元采用指标、连续技能谱与真实财务价值。作者再追踪供应商路线、培训产品和内部利益如何共同维持鸿沟，最后给出双轨方案：培训用于发现并激励强力用户，对多数员工则把智能体嵌入原系统，以手工、混合和自动化工作的比例衡量结果。