夜雨聆风
从全球来看，企业已经为 AI 花了成百上千亿。但麻省理工学院（MIT）的一份报告发现：其中 95% 的试点项目，没有产生任何可衡量的利润影响。但同时还有一个很有意思的发现：在超过 90% 的公司里，员工早就在自己用 AI 了；而只有 40% 的雇主，买过官方订阅。
换句话说：AI 采用没有失败，但不包括企业。
2023 年，沃顿商学院教授 Ethan Mollick 说过一句被反复引用的话：
大语言模型，对个人生产力是突破性技术，但对组织（目前）还不是。
现在已经2026年了，三年过去，MIT的报告证明还没有失效。
这篇文章，我们把这句话来讲讲：AI 采用的正确单位到底是什么？为什么企业砸了那么多钱却收效甚微？以及，企业真正该怎么做。
一、AI 采用，到底是什么？
采用，英文为Adoption，在Saleforce软件干掉一切的时代，他们推出一个针对客户成功的Seven domain的一个方法论架构，其中的一个domain就是Adoption，本意就是让购买了Saleforce的企业能在CSM的帮助下，积极采用系统，创造价值。
那在AI时代，我们的AI采用是什么呢？
我基于seven domain的逻辑，给一个公式：
采用 = LLM + 企业的上下文数据和知识 + 一个或N个反复执行的工作流
采用，不是"公司买了多少大模型，用了多少Token"，而是一个通用模型，与你具体工作之间的距离，被缩小到了多少，只有持续趋近与0，才能说采用真正到位了。但如何缩短，肯定不是直接靠大模型，而是靠一定的定制。毕竟一个没人去塑造的工具，就是一个没人采用的工具。只有适合自己的才会真正采用。
打个比方。 企业统一采购 AI，像给全公司办了一张健身房年卡，人手一张；个人采用 AI，像你自己选了台器械，按你的身体和习惯来调，天天练，练出你自己的节奏，可能1000人的企业只有100个真正锻炼。
十分之一，这就是"被统计的采用"和"真实发生的采用"之间的比例。
二、个人AI采用
过去，"个人定制式采用"只是理论。因为真正能用的模型都在企业机房里，个人够不着。
现在不同了：大模型越来越强、越来越便宜，同时出现了一大批把模型接到你手边的工具——写代码的 Claude Code、做日常办公的 WorkBuddy。
你只需要注册一个账号，选一个模型，当天就能让模型开始干你的活。能力的门槛降下来了，剩下的，就只是"定制"这一件事。而定制通过vibe coding、Spec coding也变得越来越简单
一个人、一个模型、一个反复执行的任务——这就是 AI 采用的最小单位，也是最快的模式。
它有四个组成部分。跟着一个人走一遍：一个财务对着一堆账。
1. 选择模型和工具
现在模型是"服务"，但选择权在个人手里。
你可以按任务切换：写代码用 Claude 的模型，长文分析换 GPT，深度推理再换一个。名字会轮换，但"选择权在你自己手里"这件事不会变。
对这名财务来说，选一个合规的模型和工具10分钟都用不了。
2. 运行它
日常办公，比如用 WorkBuddy，把文档、沟通、待办串起来，不问你是谁，不要求走审批，当天就能跑起来。
3. 积累你的上下文
MIT 给企业试点停滞的诊断，叫"学习差距"：大多数系统不保留反馈、不适应上下文、不随使用变聪明。
个人靠手动补上这个差距。
- 常设指令
：写一次，永远复用； - 参考文件
：你工作真正依赖的那些文档； - 纠正记录
：每次输出跑偏，把正确结果折返写回去。
那个财务，把会计科目表、过去三年的分类、每个客户的特殊习惯，全喂给了工具。这个财务就有了她个人独有的上下文了。
4. 沉淀成工作流（Skill）
挑一个反复做的任务，端到端交给模型：每周那份固定来源的周报、每天早上那次收件箱的分析，跑顺了，就把它沉淀成 Skill——一个可复用的能力。
对那个财务来说，可能就是一个"每月对账"得 Skill：模型起草、她复核，每次纠正都回写。过去要一整天的对账，现在一个下手；模型每个月还更懂她一点。
一个被跑通的工作流，才是采用
三、企业 AI 采用，到底难在哪？
同样的技术，企业是不一样的。
企业版是一条链：选平台 → 买licence → 想办法让几千人改变工作方式→ 跨部门推广等等。个人版，上面四步就基本够了。但企业不可以：
1. 采购许可
企业采用是一条许可链：预算审批、安全审查、法务审查、供应商谈判、培训推广。麦肯锡 2025 年 11 月的调查显示：近三分之二的组织，还没把 AI 推到试点和实验之外。
这条链没有一步是浪费——一家公司要为几千人的数据和安全负责。是结构性的慢。
从"决定做"到"开始做"：
公司：可能几个月 个人：可能一个小时
这就是现实。
2. 适配
MIT 的数据：只有 5% 的定制企业 AI 工具进了生产，近 40% 的组织部署了"灵活的通用工具"。报告自己的解释是——聊天机器人因为"好上手、够灵活"而扩散，但一旦进入关键工作流，没有记忆和定制，就卡住了。
能扩散的工具，都是能被人掰弯、贴合自己工作的工具。
但没有任何一个"中央采购者"能买到契合。唯一知道你工作流长什么样的人，是你自己。所以如果没有定制，不同的企业采购相同的模型，结局就是没人采用。
3. 复利
Mollick 在 2023 年就点出了这个分化：对个人生产力是突破，对组织还不是。他还给那些证明这一点的人起了名字——秘密赛博格，那些不告知领导、就围绕自己的工作塑造 AI 的员工。
个人这一侧会很轻松产生复利：上下文每个工作日都在长一点；没有重组、换供应商、重谈许可来把它归零；每跑通一个工作流，下一个就建得更快。但企业部署一旦重启，复利就可能归0。
四、企业 AI 采用的三条原则
原则一：工具必须迁就工作
Mollick 的"秘密赛博格"让 AI 绕着自己的工作转；MIT 的"影子经济"显示 90% 公司的员工自己带了能塑造的工具进来；连企业实施者都撞上同一堵墙——用户要的不是"帮我干活的工具"，而是"活儿被干完"。
采用跟着契合走，契合由工作流里的人来建。这些是外部是FDE，内部则是企业的AI工程师。
原则二：谁掌握上下文，谁掌握采用
乙方的模型上下文是通用的，你自己手里的上下文是自有的，增加你的知识和数据，积累企业自己的上下文，你的采用基础就更好。企业的数据就像中东的石油一样越来越值钱，成为资产负债表上的资产。
原则三：深度胜过广度
麦肯锡的数据：88% 的组织在"某个地方"用了 AI，却只有 39% 能指出任何一条底线的效果。
有广度没深度，就是这道鸿沟的全部。一个被完整跑通的工作流，胜过一场 1% 深度的全员推广。 所以从一个小的场景开始并把它打穿。
从MIT等报告我们不难发现，企业只有约 5% 的试点有可衡量的价值。而个人可能一周就可以复利，差异就是越贵的那个，越难落地；越便宜的那个，越能存活。
这是契合、复利等因素共同作用的结果。对企业来说，一个人加一个模型，无法对最难问题进行前沿级推理；无法让组织被整体改造。对企业来说定制是实实在在要做的工作，要铺展在数周甚至更长时间里
所以一个被定制的流程，比一千个浅尝辄止的license，是更现实的采用。
对企业来说，与其买最先进的大模型，不如先让一百个人跑通自己的工作流，再把这一百个 Skill 扩散出去。
