同样是AI,为什么进入不同工作的速度差这么多?

01先看进展：AI究竟走到了哪一步

最早出现的通常是个人尝试。员工自己打开一个工具，用它写邮件、整理资料或辅助分析。AI已经进入了真实工作，但企业未必正式采用了它。

再往前一步，是企业采购产品、接入系统、开放权限，把它放进正式流程。AI不再只是个人工具，但工作结果有没有改善，还要另外观察。

第三步，才是任务本身出现可以测量的变化：完成得更快、错误更少、质量更稳定，或者同样的人能够处理更多工作。

最后还要看企业是否真的得到好处。把软件费用、系统接入、培训、复核、返工、维护和管理成本都算进去以后，产能、成本、收入或服务质量是否仍然改善？这与“某个步骤节省了时间”不是同一个问题。

这几步并不会整齐地一起发生。

美国人口普查局一项覆盖超过11.7万家企业的研究，把企业是否正式采用AI、AI进入了多少业务职能，以及员工是否在具体任务中使用AI分开测量。结果显示，在员工已经使用AI的企业中，有36%没有报告企业层面的正式采用；反过来，在正式采用AI的企业中，也有19%没有观察到员工层面的任务使用。即使已经开始采用，多数企业的AI也只进入少数职能或少数任务。美国人口普查局工作论文

于是，同一家企业里可能同时存在几种状态：员工已经在用，企业还没有正式部署；企业已经采购，AI却没有深入具体工作；任务已经变快，完整成本仍然没有算清。

有人使用、企业正式采用、任务发生变化和企业最终受益，需要分别寻找证据，不能由前一项自动推出后一项。

这回答的是进展。至于为什么有的工作走得快、有的走得慢，还得回到工作本身。

02信息是否已经准备好，决定AI从哪里开始

AI往往先进入那些信息已经存在于电脑和业务系统里的工作。

客服对话已经被记录，合同和报告已有电子文件，库存和交易已经进入数据库，AI就可以在原有信息上做归纳、检索、分类或预测。企业不必先给现实世界“铺一层数据”，产品也更容易接入现有流程。

但同一个行业里的信息条件并不相同。

英国央行和金融行为监管局在2024年的调查中发现，75%的受访金融机构已经使用AI，另有10%计划在未来三年使用。这个数字看起来很高，但AI进入的工作并不一样：62%的应用被机构判断为影响较低，只有16%被判断为影响较高；在所有应用中，只有2%能够完全自主作出决定。英国央行与金融行为监管局调查

内部运营、信息整理和技术支持，可以先从一小段工作开始。信贷、风险、合规和客户决策则需要更完整的数据、更清楚的依据，也更难脱离人工检查。它们都属于金融业，却不会因为行业名称相同，就沿着同一条路线前进。

这项调查里的“AI”，也不全是生成式AI或大模型。基础模型只占所收集AI应用的17%。很多已经运行多年的预测、识别和异常检测，同样被计算在企业的AI采用中。

所以，一句“某行业AI采用率达到多少”，最多只能告诉我们AI已经进入这个行业的某些地方。它进入了哪些工作、使用了什么技术、有没有改变最终结果，还要继续拆开看。

03多久能知道做得对不对，决定验证要走多远

有些工作做完以后，很快就能判断结果。

一份摘要可以与原文核对，一个表格可以检查字段，一项预测可以在后续数据出现后回看。反馈越快，产品越容易反复试验，使用者也越容易决定要不要继续用。

另一些工作，即使AI已经给出结果，也只是启动了下一段流程。

材料研究就是如此。Google DeepMind的GNoME可以从大量材料结构中，筛出计算上可能稳定、值得进一步研究的对象；自动化实验室A-Lab则把论文信息、实验方案、机器人合成和测量连接起来，尝试在实验室里把材料做出来。GNoME研究、A-Lab研究

从这里到一种材料真正可用，还隔着几段验证：实验室能不能成功合成并测量，其他团队能不能重复，性能是否适合实际用途，最后能不能稳定生产。前面的进展很重要，却不能替代后面的验证。

药物研发的时间更长。美国FDA已经在非临床研究、临床试验、上市后监测和制造等环节看到AI的使用。2016年至2023年，FDA收到的申报材料中，包含AI相关内容的已经超过500份。FDA关于AI在药物开发中的说明

这些申报说明AI正在进入药物开发过程，却不等于AI已经独立发现并成功推出了500多种新药。找到一个值得研究的方向、通过实验和临床验证、获得批准并完成生产，是几段耗时完全不同的工作。

研发也不能笼统归进一个“慢行业”。同一条研发流程里，有搜索、筛选、实验、验证、审批和制造。AI可能先让前半段明显加速，最终产品仍要等待后半段完成。

04出了错由谁负责，决定人能退出到什么程度

有些AI产品停在人工确认之前，不是因为前面的工作做不了，而是最后的决定必须有人解释和承担。

在金融机构的AI应用中，超过一半已经包含不同程度的自动决策，但完全自主决策只占2%。在已经使用AI的受访机构中，84%为AI治理框架指定了负责人。这里划分的不是“敢不敢用AI”，而是不同决定的后果：系统可以整理信息、提出建议、标记异常，最终是否批准、拒绝或采取行动，还要看这项决定会影响谁，以及出了问题谁来处理。

同样的差别也存在于医院、律所和会计机构。一份内部摘要写得不够好，可以重做；一项诊疗、法律或财务决定出错，可能影响人的健康、权利和财产。任务越接近最终决定，产品越需要保留依据、记录过程、识别不确定情况，并把关键判断交给有资格的人。

这也带来一种容易被忽略的状态：AI已经承担了大量准备工作，却没有取代最后的确认。只看“是否全自动”，会低估它已经进入流程的深度；只看“已经在用”，又会高估它能够独立承担的责任。

最后还是要看，AI减少了多少完整交付所需的工作，还是只把时间从撰写转移到了核查、解释和返工。

05需要多少系统和设备配合，决定成功能否复制

一项AI功能如果只需接入一套软件，复制到更多用户相对容易。需要连接多个部门、系统和设备时，每扩大一个场景，都可能重新遇到数据格式、权限、流程和现场条件的问题。

Walmart公开介绍的供应链并不是一个模型单独完成预测和调度，而是需求预测、库存系统、计算机视觉、仓储自动化和门店流程共同工作。Walmart供应链案例

这类结果很难全部归因于某一种AI能力。即使预测更准，如果补货系统没有连接、仓库设备跟不上、门店流程没有改变，局部改善也不一定能传到货架和顾客。

自动驾驶把这种差别表现得更明显。美国公路安全保险协会2026年发布的研究，把Waymo无人驾驶车辆与相同地区、相同时期的人类驾驶车辆进行比较，发现前者卷入警方记录事故的比率更低。IIHS研究

和一段车辆演示视频相比，这已经更接近真实运行的证据。但研究的边界同样重要：结果来自已经投入运营的特定车辆、地区和时期，事故报告方式的差异也会影响比较。它不能自动证明同一套系统换到所有城市、天气和道路条件下，都会得到相同结果。

让车辆在限定区域长期接送乘客，与让车辆在各种道路上运行；让机器人在受控场地完成一次动作，与让它在工厂连续工作数月，中间隔着大量工程、维护和安全验证。

进入现实世界的速度，不只取决于模型会不会判断，还取决于整个系统能不能持续执行、处理异常，并在不同现场重复同样的结果。

医院、银行和工厂内部，不同工作对验证、责任以及系统协作的要求并不相同。

06比起给行业改进速度排序，更值得问六个问题

到这里，速度差异的来源已经比较清楚。与其先判断医疗、金融、制造或科研谁更快，不如对一项具体工作依次问六个问题：

把行业标签拆回具体工作，再看发生频率、信息条件、验证时间、错误责任、协作范围和完整成本。

同一个行业里，不同工作的答案可能完全相反。归纳一段客服对话和决定是否发放贷款，都发生在金融机构；整理就诊记录和决定治疗方案，都发生在医院；生成维修说明和直接控制设备，也都发生在工厂。行业只是共同背景，不代表这些工作会沿着同一条路线推进。

反过来，不同行业里的相似工作，可能以相近的速度推进。只要输入已经数字化、结果容易检查、错误可以纠正、接入范围有限，它们就更容易先形成日常使用。需要长期验证、承担重大责任或改造现实系统的工作，一般会走得更慢。

AI并不是以行业为单位整齐地进入现实。它更像是企业内部一项项工作的重新分配：有些步骤交给AI，有些步骤由人和AI共同完成，有些关键决定仍然留在人手里。

比“某个行业有没有AI案例”更值得观察的是：AI已经进入哪些工作，走到了哪一步，下一步究竟被什么条件挡住。

下一篇将继续追问：当越来越多任务需要数据、系统接入、专业责任和现场改造时，模型公司、云平台、软件商、行业服务商和客户自己的技术团队，分别控制什么，又会怎样分配价值？

说明：文中研究、监管调查、公司材料与公开页面核至2026年9月20日。单一企业或地区的结果不能代表整个行业；采用、自动化和局部效率变化，也不自动等于企业已经获得完整收益。