AI這么牛，為什么還有這么多人沒用過？

過去兩年，如果只看社交媒體，很容易覺得AI已經無處不在。

網絡上，幾乎每個人都是用AI的一把好手。大家寫代碼、做PPT、生成方案、養龍蝦，或者僅僅只是做一些腦洞大開的影像，總之人人都在用，人人都愛用。

但當我們走進工作一線，情況又不一樣了。

工廠班組長、連鎖門店店長、公司的行政等等，這些真正撐起企業日常運轉的人，雖然并不排斥AI，但確實沒有把它們用起來過。

原因也很簡單，因為他們不知道從哪開始，試過幾次沒什么進展，就放下了。

之前和幾家制造業企業HR聊過，他們也都感覺很困惑，明明很努力地在公司里推行AI，給員工做培訓、買工具、發Token，但就是很難落地。

這恰恰是AI在企業里面臨的最大阻力，不是大家不會用，而是不想用。

表面上看，這是執行問題。

實際上，這是個很容易被忽略的結構問題，AI沒有均勻平等地觸及到每個人，而是流向了本來就更會用也更愿意使用的人那里。

那些愿意接觸AI的人，本來就更擅長學習和創新。每每出現新工具，他們的態度和想法都很開放，會多試多想多吸收，所以能很快接納AI，并且投入使用。

反過來，那些更需要AI幫忙的人，比如一線執行者、跨部門協調者、靠經驗吃飯的崗位，他們的工作本身就更加按部就班，因而也更晚被覆蓋到的。

如今市面上確實有很多AI課程、培訓、認證，然而這些東西服務的是“已經在用AI的人”，只能幫忙加速，卻當不了普及工具。

在這樣的背景下，飛書做了一個調整。

2023年起，飛書發起“效率先鋒”，鼓勵員工分享如何用工具把事情做得更快。這套邏輯在當時是成立的，它回答的是一個非常具體的問題：普通員工，能不能借助工具，把已有的工作做得更高效一些。

這個問題本身沒有過時。直到今天，效率依然是企業運轉中非常重要的一部分。

但當AI開始更深入地進入工作之后，我們也逐漸意識到，僅僅用“效率”來衡量AI的價值，是不夠的。

原因不在于效率不重要，而在于——它更容易衡量“誰做得更好”，卻不容易反映“有多少人開始使用”。

在實際的組織里，那些更擅長學習新工具的人，往往更早用上AI，也更容易在效率上取得提升。他們的成果更可見，也更容易被當作標桿。

這是一件自然發生的事情，也沒有問題。

但如果評價體系只停留在這里，就會有一個客觀結果：

AI的價值，更多體現在一部分人身上，而不是擴散到整個組織。

那些一線執行者、跨部門協作者、依賴經驗判斷的崗位，并不是不需要AI，只是他們很難用“效率提升”來證明自己已經開始使用AI。

于是，一部分人在不斷進階，而另一部分人，還停留在“尚未開始”。

這不是能力問題，而是一個更容易被忽略的結構性現象。

也正是在這樣的觀察下，“AI先鋒”出現了。

它并不是要取代“效率先鋒”，而是試圖補上另一塊同樣重要的維度：

如果說“效率先鋒”關注的是——你把事情做得更快了多少，那么“AI先鋒”更關注的是——你有沒有把AI真正帶進自己的工作流。

這里的變化，不是降低標準，而是把“是否開始使用”本身，作為一件值得被看見的事情。

因為在AI這件事上，起點本身就很關鍵。

當一個人開始在日常工作中使用AI——不管是整理文檔、處理數據，還是嵌入到流程中做輔助判斷——很多變化會在這個過程中自然發生，包括效率的提升、方法的改變，甚至工作的重新分配。

換句話說，效率往往是結果，而“用起來”才是起點。

這件事為什么該飛書來做，而不是培訓公司或咨詢機構？

這很好解釋。

任何行為的改變，都得發生在行為本身發生的地方。一家培訓公司能教你用AI，但只有飛書能把AI變成你每天打開文檔、表格、開會時，自然就會碰到的東西。

當你在工作中隨時能碰到它、使用它，你自然而然就接納了它。

呂坤對此很有發言權。他在四維圖新做了20年質量管理，一直有一個心病：公司里那批最資深的審核專家，一旦退休，幾十年積累下來的判斷經驗就跟著帶走了。

他不是沒試過留住這些經驗。整理文檔、做培訓、寫規范，能想到的都試過，但越做越發現，很多東西真的寫不清楚。那種“一眼看出這里有問題”的直覺，無法通過文字進行留存。

后來他換了個方向，引入AI，讓它去學習這些判斷邏輯，再通過飛書嵌進一線的審核流程里。效果慢慢出來了，AI開始不只是記錄，而是真的在流程里給出提示和識別。

最終，質量問題的識別效率提升了60%。

那些原本只活在某幾個人腦子里的經驗，第一次變成了組織真正能用的東西。

在雅迪安徽分基地做精益工程的魏云，也有相似的感受。

她面對的是另一種日常消耗：巡檢數據散在十幾個系統里，一線班組長想查一個問題，得在好幾個部門之間來回跑，效率低不說，也很容易有錯漏。

不是不能等公司統一搞系統，但太慢了，不知道要等到什么時候。魏云直接用飛書多維表格把數據先串起來，把關鍵異常設成自動推送。

數據一通，事情就變了。

班組長不用靠等別人的通知，來被動地決定要不要處理問題，系統一提示，就能跑起來。

節省時間是一方面。更大的變化是，一線開始有了自己判斷和響應的能力。整條工作線也被帶動地活泛起來，大家工作起來也更有干勁了。

還有華熙生物的朱朝冉，學視覺設計出身，沒有任何技術背景。

剛接觸AI那段時間，他抱著一種很淳樸的研究精神，覺得要用AI就得先搞懂AI，然后去啃技術論文，看了幾篇，頭大，于是放棄。

后來他想通了一件事：研究再多，都不如直接用。

整理會議、梳理數據、搭智能體，不管要做什么，總之先用起來，再在用的過程里慢慢搞清楚它能做什么、做不到什么、怎樣能做得更好。現在他跟AI合作的方式，更像跟一個隨時在旁邊的同事協作，而不是操作一個要先考證才能上手的機器。

三個人，三種不同的與AI合作的方式，但有一個共同的地方：沒有一個人是被培訓出來的。他們都是在真實的工作里，被問題推著卷進AI的。

在這些真實的案例里，AI不只是一個被調用的工具。它開始進入流程、參與判斷，甚至在無形中改變了工作的分工方式。

然而，這樣的人仍然是少數。

一家連鎖零售企業的區域督導，每天要跑巡店報告、盯庫存數據、排人員班次，光是應付這些就已經夠嗆。他當然聽說過AI，但每次看到提示詞工程、AI助手這些詞，腦子里下意識的反應就只有“這不是我該搞的東西”、“我搞不懂這些”。

后來公司引入了飛書。他沒有專門去學，只是照常做工作。但系統會自動幫他整理數據、生成周報、標出異常，提醒他有哪些注意事項。

在他自己都沒意識到的時候，AI改變了他處理事情的方式。

這足以說明一個現實。對很多一線員工來說，“被AI取代”是一個很難放下的心病，但“讓AI幫我搞定一些煩人的事”，卻是完全可以接受的。

這樣看來，AI落地的關鍵，從來不是功能有多強，而是它用什么姿勢進入工作。

很有趣的是，如果直接問員工“你會不會用AI”，十有八九是否定的；但換一種問法，問工作里有哪些重復的事情，希望有人來幫忙，幾乎每個人都能說出來一堆。

這中間的距離，可能就是AI落地過程中最關鍵的那段。

不完全是能力差距，也不只是認知問題，更像是一種還沒完成的遷移，從不得不學習一種新工具，到我用新能力更好完成了工作。

這也是為什么，飛書把重點從“培訓員工使用AI”，轉向“讓員工在工作中自然接觸AI”。

別讓員工覺得自己需要額外學習才能使用AI，而是要把AI嵌入文檔、表格、會議這些高頻場景里，先習慣，再自然地用起來。同時，“AI先鋒”這樣的項目也可以把來自其他企業的先進實踐經驗匯集成可供參考的路徑，讓后來者不必從零開始。

從“效率先鋒”到“AI先鋒”的變化，某種程度上，也是在回應這個過程，不再只關注誰能做得更好，而開始關注誰已經進入這場變化。

從這樣的視角來看，那些還沒開始的人，也許不是拒絕AI，只是還沒碰到一個足夠低門檻的入口。

在AI時代，真正稀缺的，不是把事情再做快10%的人，而是那些愿意把AI接入自己工作流的人。

因為只有他們，才會推動組織發生真實的改變。