AI 普及是个“神话”
AI 模型越来越强，但到了公司里，事情有点不对劲：模型能力突飞猛进，组织的生产力却没有同步提高？
AI 模型越来越强，但到了公司里，事情有点不对劲：模型能力突飞猛进，组织的生产力却没有同步提高。
前段时间，《AI Adoption is a Myth》（AI 普及是个神话）这篇文章在 X 上引发大量讨论，Box CEO Aaron Levie 转发说，无论你是在企业内部推动 AI，还是在给企业做 AI 产品，都应该读一读。
Google Chrome 工程负责人 Addy Osmani，则提到了一个很有意思的视角：每天用 AI 的人总觉得自己追不上最前沿的那批玩家，却很容易忽视，其实公司里的大多数人还在更后面。
作者 Vasuman Moza 是前 Meta 工程师，也是 Varick Agents 创始人。这家公司专门给年营收 5 亿美元以上的大企业部署 AI Agent。他过去一年天天在大公司里做 AI 落地，看到的结果出奇一致。
无论一个团队有 50 人还是 5000 人，把最好的 AI 工具发到每个人手里，最后往往都会形成一根"杠铃"状态：
5%–10% 的人成为 power user，20% 的人偶尔用、但用得很糙，剩下 70% 几乎不用。
一家刚签下八位数美元 AI 年度合同的大企业甚至发现，10% 的员工消耗了 90% 的 token。
问题也由此出现了。
过去两年，模型能力几乎每隔几个月就往前跳一截，企业也花了越来越多的钱买 Claude、ChatGPT、Copilot。但模型能力的增长，并没有自动变成组织生产力的增长。
这也是为什么两个看上去很矛盾的数字可以同时成立：麦肯锡的调查显示，88% 的组织已经至少在一个业务环节使用 AI，但真正有超过 5% EBIT 来自 AI 的企业，只有 6%。
原因可能就在"adoption"这个词本身。
一个员工这个月打开过一次 ChatGPT，算一个 AI 用户；另一个员工让 3 个 Agent 在生产环境里直接跑工作流，也算一个 AI 用户。
可这两个人创造的价值，可能差了几个数量级。
"有多少人在用 AI"，越来越像一个没有太大意义的数字。
更值得注意的是，作者对这道差距的判断比"企业培训没做好"激进得多。
今天很多公司的 AI 战略，其实建立在一个共同假设上：现在不会用的人只是暂时不会。模型再聪明一点，产品再简单一点，公司多做几轮培训，大家迟早都会追上来。
但作者认为这不会发生。在他的观察里，企业里的绝大多数人，很可能永远不会成为真正的 AI Native 用户。
因为用好 AI 是一门手艺。
你得知道什么时候该清上下文，什么时候应该把重复工作沉淀成 skill；什么任务适合交给模型判断，什么任务写成确定性代码更靠谱。这些能力不是听一堂 prompt 培训课就能学会的，而且这道差距可能还会继续扩大。
AI 厂商最关注的往往是那批最活跃、要求最高的前沿用户，新功能越做越多，"用好 AI"的门槛也跟着往上走。
公司里的 AI 高手，同样未必愿意主动分享：一个人原来一天做完的工作，现在三个小时就能做完，多出来的五个小时，本身就是他的优势。
所以，继续给几千名员工买账号、做培训、统计月活，可能很难解决问题。
如果这个判断成立，那么很多公司的 AI 战略从一开始就问错了问题。
问题不应该是：怎么让所有员工都学会使用 AI？
而应该是：既然大多数人不会成为 AI Native，怎么仍然让整个组织获得 AI 的生产力？
作者给出的方案很有意思：首先接受大多数人不会成为 AI Native 这件事。
那 5%–10% 的 power user，可以继续往前跑。公司要做的是把他们摸索出来的 skill、workflow 和 agent 留下来，让一个人的经验能够被其他人复用。
对剩下的大多数人，则不要再逼他们成为 AI 高手。
让 AI 退到后台。AI 可以直接进入他们每天已经在使用的 Salesforce、NetSuite、Dynamics，藏在工作流后台。发票自动处理，数据自动录入，流程自动流转；机器拿不准的时候，再把人叫进来批准、驳回或者修改。员工甚至不需要意识到背后跑着几个 Agent。
所以，AI 在企业里走向普及，可能不需要等到每个人都学会用 AI，很多人可能根本不会意识到，自己正在"使用 AI"。
到了这一步，企业衡量 AI 的方法也会跟着变。
与其问"这个月有多少员工使用了 AI"，更值得问的是：今天公司完成的所有工作里，还有多少完全靠人，多少由人机协作，又有多少已经可以自动运行？
当然，这篇文章也需要打两个折扣：5%–10% / 20% / 70% 的分布来自作者自己的客户，并非经过大样本验证的行业基准；他主张把 Agent 深度嵌入企业工作流，而这也正是 Varick Agents 在卖的服务。
即便如此，这篇文章还是提出了一个很值得追问的问题：
如果大多数员工永远不会成为 AI Native，那么我们今天设计企业 AI 产品的方式，是不是也该变了？
过去两年，大家想的是怎么让更多人学会用 AI。
下一阶段，也许该想想，怎么让人不用学 AI，工作也能自己完成。
以下是全文翻译：
AI 普及是个神话
原题：AI Adoption is a Myth 作者：vas（@vasuman），Varick Agents 创始人兼 CEO 原文发布于 X
你已经是前 1% 的 AI 用户了。没错，你和最前沿那群人还有差距——就是那些同时开着 20 个终端、每跑一轮就让知识库自动重写一遍的狠人。
坏消息是，你永远追不上他们。好消息是，你根本不需要追。因为你和前面那群人的差距，远远小于你身后那道鸿沟。
你可能不觉得自己属于前 1%。毕竟在 X 上，到处都是随手就能拉起一支 agent 舰队的极客。你大概率每天都在用模型，也琢磨过怎么才能用得更好，甚至折腾过 agent，或者在自己机器上部署过 Hermes。
可你再看看大企业里的普通员工，你们之间已经隔着一道鸿沟。他们过去两年可能一共只打开过四次 ChatGPT，用的还是 3.5-turbo，然后得出一个结论：AI 挺蠢的。他们不知道的是，GPT-5.6 Sol Ultra 刚刚证明了一个悬了 50 年的图论猜想。
几乎所有讲 AI 战略的文章和帖子，都默认这些普通员工迟早会追上来。
我告诉你：他们不会。
先说说我为什么敢下这个判断。我是 Varick Agents（@varickagents）的 CEO。我们帮全球最大的一批公司在组织内部落地 AI agent 和 AI 战略，所以企业里真实的 AI 使用情况，我们多少见过一些。
图 1：鸿沟
世界上最好的 AI 工具，也没让他们变快
前不久，我和一家非技术企业的运营负责人聊过，他手下有几千人。他说，没上 AI 的时候，团队干活的效率还不错，也没什么大问题。后来，他们给整个团队上了 Claude Cowork。结果呢？效率还是老样子。他问我，为什么。
而且这不是个例。我接触过的公司几乎都一样。不管是 50 人还是 5000 人，最后都会出现同一种分布：一根杠铃。
5% 到 10% 的人会成为 power user，他们每天都用 Cowork，会写 skill 文件，会接 Outlook 连接器，把产品玩得很深。这批人也是最早推动公司引入 Claude Cowork 的人。他们下了班也会自己折腾 AI，亲眼见过这东西到底能有多大威力。
剩下 90% 的人呢？大约 20% 一天会用上一两次，但用得很糙。多少能得到一点价值，只是跟前沿用户完全没法比。
另外 70%，基本不碰。
图 2：十分之一的人用得好
看公司的数据，这次推广已经可以算"成功普及"了。可在这位负责人眼里，团队的效率根本没变。
这两件事居然可以同时成立。
"会用"和"用好"是两种本事
就算只看那些真的在用 AI 的人，水平差距也大得吓人。一个完全不知道自己在干什么的人，用上 AI 以后，结果甚至可能比不用还差。
装上 Claude，指向一个代码仓库，扔进去一句四个词的 prompt，然后看着它开始干活，干得对不对另说，这谁都会。
难的是把它用好。什么时候该清上下文，重复做了两遍的事什么时候该写成 skill，让模型以后直接调用；做一个自动化项目，又要分得清哪些环节真的需要模型判断，哪些写几行确定性代码反而更靠谱。最重要的是，点下"接受"之前，认真把 diff 看一遍。
把同一张工单交给两个工程师，五分钟就能看出差别。
第一个人直接把 Jira 里的文字粘进 Claude，点提交。Claude 改了六个文件。他大概扫一眼，发现测试还是绿的，就把 PR 合了。三周以后，线上开始出问题，大家才发现，这个 PR 莫名其妙改了一个配置值。
第二个工程师一开始做的事情差不多，也是把 Jira 的文字粘进去。但接下来，他会告诉 Claude 代码具体在哪，哪些目录和文件可以改，哪些不能碰。他已经提前写好了 skill 文件，让 Claude 提交的每个 PR 都尽可能精简，该做的测试也一个不少。然后他把 diff 从头到尾读一遍，发现一处多余的改动，再用一句 prompt 修掉。最后合进去的 PR，只有第一个工程师的一半大。
图 3：同样的工具，同样的岗位，不同的结果
任何组织里，至少一半人永远到不了第二种状态。用好 AI 是门手艺**，你得反复试很多次，才会真的上手。
很多还没开始用 AI 的人，光是改变原来的工作习惯就已经很难。至于把一个只会让 AI 批量制造垃圾的人练成 power user，同样没那么容易。
推广做得再好，最后还是一根杠铃**
最容易想到的反驳是："这些公司只是做得太差。换我来推，肯定不一样。"
不会。哪怕你把推广做得再漂亮，最后大概率还是一根杠铃。
我们还聊过另一位高管。他刚给全公司买了企业版 license，一年合同金额达到八位数美元。结果，大约 10% 的人烧掉了 90% 的 token。
换算一下就知道这意味着什么。如果剩下那 90% 的人，也都用到前 10% 那个强度，成本大概要翻十倍。1000 万美元的合同，会变成 1 亿美元。
这意味着最好的情况，也同时成了你最坏的情况。**
图 4：10% 的席位烧掉 90% 的 token
"用没用"只有两个答案，"用得怎么样"却差得很远
麦肯锡 2025 年的调查显示，88% 的组织已经至少在一个业务环节使用 AI。但真正有超过 5% EBIT 来自 AI 的组织，只有 6%。
MIT NANDA 的 GenAI Divide 报告还有一组数字：5% 的整合试点项目，创造出了数百万美元的价值，另外 95% 在损益表上看不到任何可衡量的影响。
如果公司盯着"普及率"这个指标，最后统计的无非是几道是非题："这个月登录过吗？""今年登录过吗？""每天发够五条 prompt 了吗？"
可你真正需要区分的是完全不同的三种人：一个从来没打开过 AI；一个偶尔把邮件复制进去，让 AI 帮忙重新排版；还有一个，已经让三个 agent 在生产环境里直接操作总账。
如果你想分清这三种人，就得有一套新的衡量方法。99.9% 的企业 AI 普及看板都做不到。这很蠢，原因也很明显，看看前面那根杠铃就知道了。
当然，普及率这个数字本身并不假，大家也没有在撒谎，只是它太容易统计了。而企业真正该关心的那些东西，难测得多：员工到底把 AI 用到了什么程度？花出去的 token，究竟带来了多少回报？**
这就是为什么我说，AI 普及是个神话。如果你真的去追踪这些指标，很快就会发现：企业里的绝大多数人，根本没有希望成为 AI Native 用户。
这当然不代表这些员工没有价值，只是企业设计 AI 落地方案时，得先接受这个现实。
图 5：普及率数字藏住了什么
每一层激励，都在维持这道鸿沟**
看看今天 AI 厂商的产品路线图，几乎都在讲 agent 接下来会变得多强。至于企业里的团队到底能不能把这些功能用起来，基本没人提。
结果就是，真正能用好这些产品的还是前沿用户。他们嗓门最大，话语权自然归他们。而且给这批人做产品最容易出彩，厂商当然乐意。
新功能越出越多，把产品用好的门槛也越来越高，前沿用户和公司里大多数人的差距，只会继续拉大。
我见过太多企业被一句话迷住："培训员工写 prompt！"
但这只占整件事的 10%，剩下 90% 是教员工弄清楚：哪些工作流根本不该碰模型；哪些工作流应该直接彻底自动化。
可这件事没法像 prompt 培训一样打包卖。因为每家公司的答案都不一样，你得在现场待上几周，才能真正摸清楚。
公司里最会用 AI 的那批人，也没什么动力去缩小差距。因为这道差距，本身就是他们的优势。他们干活快 70%，剩下的时间可以摸鱼，也可以一个人干三个人的活。等所有人都会了，这份优势也就没了。
没有额外激励，他们为什么要主动教会别人。那怎么办？
培训还是得做。因为不先跑一遍，你根本不知道谁属于头部，谁不是。
所以在这里：培训的用处是诊断，不是补课。**
公司里肯定有人对 AI 有兴趣，只是过去没时间、没条件深入去学。培训的目的，是看看谁真的能上手，谁不行。
对于最头部那批 power user，给他们一个能发布东西的地方。比如做一个共享库，让他们做出来的每个 skill 都可以上传、排名，也能被其他同事直接安装。
这是我见过，唯一能让一个人的玩法迅速传给其他人的办法，排名本身就是奖励。这些 power user 愿意拿出自己的独门技巧，换来公司里的认可。
但差距依然存在。就算你把这些 skill 全部推给整个公司，仍然会有 50% 的人一个都不用。至于剩下的人，别指望他们为了 AI 改掉自己的工作习惯。
AI 得自己退到后台。**
为什么非得等人来 prompt？找出那些重复度最高的流程，把 agent 直接接进员工每天都在用的 Salesforce、NetSuite、Dynamics 这些核心业务系统。大部分工作让它自己跑，只有机器拿不准的时候，再找人。
举个例子：假设你有几十个应付账款分析师，每天都在不同系统之间倒腾发票。这些工作里，大约 90% 都可以自动化。
你总不能指望几十个分析师，人人都会自己搭 agent，再靠一条条 prompt 保证它每天稳定运行、还不在线上闯祸。直接把 agent 搭好，让它每天自己跑。
分析师以后只做三件事：批准、驳回、修改。**
有一件事一定要记住：人们不在乎多一个 AI 工具，他们只在乎活有没有干完。
图 6：两条路，按实际走的人数配置
所以，别再向董事会汇报"普及率"了。告诉他们，今天公司的工作里，有多少完全靠人，有多少是人机协作，又有多少已经完全自动化。
至于这些后台 agent 到底怎么搭、怎么上线，那足够再写一篇文章。这些客户都有几千名员工，但我们做的事情基本一样：先弄清楚公司里的工作究竟是怎么跑起来的，再把 agent 接进现有的核心系统。
让工作自己完成，而不用逼五千个人，去学一门他们入职时压根没打算学的手艺。**
如果你也在关注 AI，无论是在大厂里做一线实践、在学校里做研究，还是正在琢磨一个创业想法，都欢迎交流。这个行业发展太快，还有太多事情没想明白，也希望认识更多身处其中、对未来有好奇心的人。
