企业买了 AI 工具，为什么还是用不起来
这个问题问的人很多，但大部分回答都在讲"要培训、要改变观念"。
那不是答案。员工不用一个工具，通常是因为用它比不用还费劲——这是理性选择，不是观念问题。
下面是六个真实原因，按发生频率排。
---
先看一个行业数字
MIT 的 NANDA 项目 2025 年那份研究（nanda.media.mit.edu）给出一个被广泛引用的结论：企业级生成式 AI 试点中，约 95% 没有产生可测量的损益影响。
这个数字的关键不在"95%"，在"可测量"三个字——很多项目不是完全没效果，而是没人能证明有效果。
而在那少数产生了实际影响的项目里，研究指出的共同点是：它们嵌进了具体的业务流程，而不是作为一个通用工具摆在那里。
这句话基本上就是本文所有答案的总纲。
---
原因一：买的是工具，缺的是流程
最常见的一种。公司采购了一个 AI 助手，发到每个人手上，然后期待效率提升。
但员工的工作是嵌在流程里的：审批要走系统、数据在 ERP 里、结果要交给下一个人。一个孤立的对话框，插不进这条链子。
于是它变成了"想起来的时候用一下"的东西——这类使用永远不会出现在业务数字里。
判断方法：问一句"这个工具的输出，下一步流向哪里？"如果答案是"复制粘贴到别的地方"，那它就还没进流程。
---
原因二：它不知道公司的事
通用模型知道很多常识，但不知道你们的报销标准、你们的客户分级、你们的产品参数。
员工问一次发现答的是通用答案，问第二次还是，第三次就不问了。
这一条的解法是接企业自己的资料，但这里有个陷阱：很多项目把资料一股脑导进去就算完事。资料导入完成，不等于检索质量合格——中间隔着内容治理、切分、检索策略、质量验证四道工序。
判断方法：拿三个只有公司内部才知道答案的问题去问。全答不上，说明它还没接上你们的知识；答得像模像样但内容是错的，问题更大。
---
原因三：错了没人兜底，所以没人敢用
这一条最隐蔽，杀伤力最大。
如果员工用了 AI 的输出、结果出错，责任算谁的？只要这个问题没有明确答案，理性的员工就不会用。尤其是涉及对外承诺、报价、合规判断的岗位。
表面现象：大家都说"挺好的"，但实际使用率很低。
解法不是鼓励，是设计：哪些环节 AI 可以直接输出，哪些必须人工确认后才生效，出错时怎么回滚、怎么追溯。边界画清楚了，人才敢用。
---
原因四：省下的时间被复核吃掉了
AI 生成一份东西用了 10 秒，员工花 8 分钟从头核一遍——因为不核不敢用。
这种情况下净收益接近零，甚至为负（原来自己写只要 6 分钟）。
判断方法：问用它的员工一句"你会不会从头再检查一遍"。如果答案是"当然会，不检查不敢用"，那这个场景的价值还没建立起来。
改法有两个方向：要么把准确率提到不用全核（给出处、缩小范围、加约束），要么改选一个容错高的场景——比如初稿生成、资料检索、格式整理，错了一眼能看出来、改一下不心疼。
---
原因五：选错了场景
有些场景天生不适合现在的 AI：
- 需要绝对准确且错了代价很大的（比如直接对外报价）
- 需要实时数据但没接上系统的（问库存却连不上库存系统）
- 本来就没多少工作量的（一天只发生两次的事，省再多也没意义）
- 规则频繁变化且没人维护知识的（今天对明天就错）
选场景的正确判据：高频 + 有明确输入输出 + 错了能一眼看出 + 有人愿意负责维护。四条缺一条都要谨慎。
---
原因六：没人负责，所以慢慢烂掉
上线那天效果不错，三个月后没人用了。中间发生的事通常是：
- 公司改了流程，知识库没更新
- 模型供应商升级了版本，某些行为变了
- 有人反馈答错，反馈没人接
- 新员工不知道有这个东西
AI 系统会退化，这是常态不是意外。没有运营机制的系统，从上线那天就开始倒计时。
---
用四个数字自查，比开会讨论管用
上面六条讲的是原因，但企业内部往往对"到底有没有用起来"各执一词。别争，去量这四个数——都不需要什么系统，导出日志或者问一圈就能得到：
| 指标 | 怎么算 | 什么水平算危险 |
|---|---|---|
| 周活跃使用率 | 一周内实际用过的人数 ÷ 开通账号的人数 | 低于 20% 说明它没进流程 |
| 人均周使用次数 | 一周总使用次数 ÷ 活跃人数 | 低于 3 次 说明只是偶尔想起来用 |
| 复核比例 | 用完还要从头核一遍的比例 | 高于 50% 说明净收益接近零 |
| 反馈响应时长 | 用户反馈答错到修复的平均天数 | 超过 7 天 用户就不再反馈了 |
这四个数一起看，能分辨出三种完全不同的病：
- 活跃率低 + 用的人频次高 → 工具本身没问题，是没推广到该用的人手上
- 活跃率高 + 频次低 → 大家都试过，但没进日常流程，属于原因一
- 频次高 + 复核比例也高 → 在用，但省不下时间，属于原因四
三种病的处方完全不同。不量这四个数，很容易把第三种当成第一种去解决——继续培训、继续推广，而真正该做的是缩小场景、提高准确率。
---
怎么判断你的项目正在往哪个方向走
不用等三个月，这几个信号随时能查：
健康的
- 有人在看使用数据（每天多少人用、问什么、满不满意）
- 有明确的人负责更新知识，且有时间承诺
- 用户反馈答错了有人接、有时限
- 有回归测试集，改动后会重跑
危险的
- 说不清谁负责
- 上线后资料再没更新过
- 没有拒答（任何问题都给答案的系统一定在编）
- 答案不给出处（用户没法判断该不该信，只能自己再查）
---
如果已经买了、已经用不起来，怎么办
不用推倒重来。按这个顺序做：
1. 先找一个真实场景——不是"全公司用起来"，是某个岗位每天要做十几次的一件具体事
2. 量基线——那件事现在花多长时间、错多少、返工多少。只要一周的数据
3. 只把这件事做透——包括接上必要的数据、画清人工确认的边界、指定负责人
4. 两周后再量一次——用同一套指标对比
5. 达标了再扩下一个场景
这套做法的价值在于：它把"AI 有没有用"从一个观念问题，变成了一个可以用数据回答的问题。
---
相关阅读
- 企业 AI 项目怎么验收：七层验收标准与证据要求
- 企业知识库怎么做，才不会变成资料坟场
- 企业 AI 项目 ROI 怎么算：从人工基线、业务结果到风险成本怎样量
---
*本文分析的是普遍现象与判断方法，不针对任何具体企业或产品。文中引用的研究为 2025 年公开发布，读者可自行核验。*