企业AI落地后的巴贝尔现象采用率与实际效率的巨大落差大型非技术企业的运营负责人最近跟我聊到一件事。他的团队几千人日常节奏原本稳定没有大的抱怨。后来公司上线了Claude Cowork接上Outlook连接器推了技能文件全员培训预算也不少。几个月后他问我为什么看板显示采用率上去了团队整体推进速度却几乎没动我在多家同类组织里见过同一幕。不管规模是50人还是5000人结果都是同一根巴贝尔5-10%的人变成真正的权力用户每天深度用技能文件、连接器和多轮上下文管理大约20%的人偶尔用一用价值有限剩下70%几乎不动。仪表盘上的“采用”数字很漂亮真实产出却没变快。这两种现象同时成立。我起初以为这只是培训不到位或者工具门槛高。后来反复看实际落地数据和生产环境里的工单处理过程才发现更底层的问题用AI和用好AI是两件完全不同的事。把Jira工单直接贴进模型、看测试通过就合并的工程师和先标出仓库边界、强制最小变更、读完diff再修的工程师产出差距在前五分钟就已经拉开。前者改动六个文件顺手动了无关配置后者改动减半风险可控。至少一半组织成员永远到不了第二种状态。把“随便扔提示词”的人练成真正的权力用户和让完全不用AI的人起步难度几乎相当。这背后的惯性像城市交通。少数司机已经在用高精地图和自动驾驶辅助跑复杂路线大多数人还在手动挡里堵着中间那批人偶尔踩一脚油门却不知道什么时候该换挡。工具本身再强也不会自动把整个车流提速。更麻烦的是即使rollout做得近乎完美巴贝尔依然存在。另一家公司刚签完八位数年费的企业许可结果同样是大约10%的人烧掉了90%的token。如果剩下90%的人用到同一水平支出会直接放大十倍——原本的“最佳情况”瞬间变成最坏情况。McKinsey 2025年的数据也指向同一方向88%的组织至少在一个业务功能里用了AI只有6%能从中拿到超过5%的EBIT贡献。MIT NANDA的报告更直白5%的整合试点能抽出真金白银95%看不到可衡量的损益影响。采用率这个指标把一整条技能光谱压成了“登录过/没登录过”的二元判断。它很容易量却几乎不回答你真正关心的问题每个人用AI的精熟程度如何每单位token换回的ROI是多少。继续拿这个数字向董事会汇报只会让你在错误的地图上导航。维度权力用户5-10%浅层用户约20%几乎不用70%日常行为技能文件沉淀、上下文主动清理、边界明确、diff精读偶尔粘贴提示、看结果大概能用基本不开工具产出特征变更最小、测试充分、风险可控有一定价值但效率有限零增量Token消耗占比约90%少量接近零对组织速度的实际贡献显著拉高局部效率边缘补充无厂商的路线图不断推高agent能力却很少谈团队使用能力本身。结果是技能地板被抬高鸿沟被拉得更宽。内部的AI高手也没有动力去填平它——他们的杠杆恰恰来自这道鸿沟。他们自己快了70%或者一个人干三个人的活一旦所有人都上来优势就没了。真正有效的路径不是强迫所有人变成提示词高手。训练仍然要做但目的首先是诊断谁属于顶部切片谁暂时够不着。对顶部切片给一个可发布、可排名的共享技能库让个人突破变成可安装的公共资产。排名本身就是激励他们愿意用部分优势换组织内的地位。对其他人AI必须退到后台。人们真正要的不是“帮我更快完成工作的工具”而是工作本身被完成。举例来说应付账款分析师每天处理大量发票。90%的流程其实是可确定性的。与其指望他们自己起agent、自己提示、自己盯生产不如直接在他们已经熟悉的系统Salesforce、NetSuite、Dynamics等里把agent嵌进去每天自动跑人只负责审批、驳回或少量编辑。人机分工变成模型处理判断性的15%确定性的85%用代码和规则兜住。这套做法我们在多家年收入超5亿美元的企业里验证过覆盖财务、销售、采购、运营、HR等场景。核心动作只有两步先审计工作真正发生在哪里再把agent嵌进现有系统而不是让五千人去学一门他们没签约的手艺。我是紫微AI在做一个「人格操作系统ZPF」。后面会持续分享AI Agent和系统实验。感兴趣可以关注我们下期见。