先看几组数字。

麦肯锡的调研显示，近九成企业启动了 AI 转型，最后只有约两成半拿到了切实成果，能做到规模化落地的约一成，剩下七成半卡在试点里出不来[1][2]。在中国，新京报贝壳财经 2025 年调研了 18 个行业、128 位企业负责人，89.84% 已经部署了 AI，可设了专职 AI 团队的只有 16.41%，近一半企业（47.66%）从没给员工做过培训，还有 48.44% 连清晰的回报预期也没有[3]。

技术铺开了，人没接住。这可能才是真正的断层。

这篇文章想说的是一句话：AI 落地的第一变量是人，不是技术。为什么这话站得住、怎么把它变成一套能执行的做法、又有哪些地方得承认例外，我们一层层往下说。

一、三条理论指向同一点：采纳主要是人的问题

"是人不是技术"如果只是一句口号，很容易被技术乐观派一句"你懂模型吗"打发掉。所以先给它装上骨架——学界有三条互相独立的脉络，最后指向同一个结论：技术扩散的快慢，主要由"人"这个变量决定，而非技术本身的成熟度。

第一条，创新扩散理论（Rogers）。

Rogers 早就指出，新技术在人群里通常不是一步到位，而是沿一条 S 曲线缓慢爬坡。采纳者被分成五类：创新者、早期采纳者、早期多数、晚期多数、落后者[9]。关键就在于——"技术可用"和"技术被广泛使用"之间，隔着一整条人群曲线。

模型再强，也只是把"创新者"的门槛降低了。要让早期多数、晚期多数接过去，靠的是五个感知属性：相对优势、兼容性、复杂度、可试用性、可观察性[9]。注意这五个词，每一个讲的都是人怎么感知，而不是技术客观上有多好。

把它套到开头那两组数据上，结论就清楚了：麦肯锡的"九成启动、两成半见效"、贝壳的"89.84% 部署、16.41% 专职"，本质都是组织跨过了"启动"（创新者出手），却卡在了"扩散"（多数人日常采纳）那一截。S 曲线爬不动，不是模型的问题，是那五个感知属性没被经营好[9]。

Rogers 还专门区分了"个体采纳"和"组织采纳"：组织不只是一群人的集合，它有自己的程序和规范。一个组织要不要采纳，取决于三件事——有没有变革的推动力、和现有流程兼不兼容、能不能看清后果[9]。这几乎就是后文那位财政官员所说"缺的是采纳"在学术上的翻译。

第二条，组织变革管理（Kotter）。

Kotter 在 1995 年提出的 8 步变革模型，从制造紧迫感、组建领导联盟、形成愿景，到沟通愿景、清除障碍、创造短期胜利、巩固成果、把改变锚定进文化[10]。不难发现，这八步里没有一步是"买一个更好的工具"[10]。

八步全部指向人。紧迫感是人的认知，联盟是人的组织，愿景是人的共识，障碍是人的抗拒，短期胜利是给人的信心，文化是人的惯性。技术只是第 5、6 步里被"清除障碍、创造胜利"接住的一个载体[10]。

组织变革里常见的阻力是"抗拒"，而抗拒的根源不见得是"员工不懂技术"，更多是"员工害怕失去"——失去岗位、失去掌控感、失去熟悉的工作节奏[10]。这解释了为什么"培训"不是可有可无的福利，而是直接对冲抗拒的手段。贝壳数据里那 47.66% 未做培训的企业，不是省了一笔钱，而是埋下了一颗雷。

第三条，也是本领域的核心——人机契合（Human-AI Fit）。

这是 humanaifit 的专业根基：技术能不能产生价值，取决于"人—任务—技术"三者是不是匹配，而不只是其中任何一个要素强不强。

换一个更强的模型，只改变了"技术"这一个角。如果"人"没能力、没意愿，或者"任务"本身不需要 AI、流程没重新设计过，这个三角就散了，再强的技术也落空。用一个乘法去理解更加直接：价值＝人 × 任务 × 技术，三个里任何一个趋近于零，整体就是零。

人机契合里还有一个容易被忽略的维度——信任梯度。Prosci 对 1107 名从业者的研究显示，从高管、团队负责人到一线员工，人们对 AI 的信任是逐级递减的：高管普遍高自信，一线普遍存疑[4]。这种断层本身就是"契合失败"的表现——高层以为匹配了，一线体验到的却是不匹配。

三条理论，可以用一句话收拢：

创新扩散理论说"采纳是一条爬不动的 S 曲线"，变革管理说"阻力来自人的害怕而非技术"，人机契合说"价值是人、任务、技术的乘积，任一项为零整体就为零"。三条路都通向同一个结论：AI 落地的第一变量，是人。

二、采纳四步法：把"没接住"变成能落地的框架

光讲"是人"还不够，得告诉人怎么做。这里把常见的建议清单，升级成一个有顺序、有判断标准的框架，共四步：诊断 → 角色重塑 → 激励 → 度量。顺序不能反——很多组织直接跳到第三步"激励"，却压根不知道问题卡在哪一环。

第 1 步：先定位组织究竟卡在哪一环

组织迟迟用不起来，原因往往不止一处。用四问自检，答不上来的就是缺口：

动作就一句：做一次简短的"落地审计"，按这四问给组织打分。不要一上来就买工具。那位财政官员的第一课就是"政府不缺创新，缺采纳"[1]——先问采纳卡在哪。

第 2 步：给"采纳"一个固定的主人

设立专职的 AI 采纳负责人，而不是再招一个 AI 工程师、再买一个工具。

两者差别很大。采纳负责人的产出不是"模型跑通了"，而是"一线真的在用、而且用出了结果"。他对采纳率、活跃使用、流程改造负责，对技术指标只是间接负责。

一线主管的重设尤其关键。那位财政官员说得直白：一线主管，才决定一场变革能不能持久。PwC 与制造业协会的研究也指向同一处——72% 的厂商把"员工安于现有系统"列为变革的主要障碍，57% 承认"缺乏培训与准备"[5]。一线领导愿不愿意亲自示范、解释目的、持续设预期，决定了员工早期的好奇，是会滚成雪球，还是滑向抗拒。

判断标准：这个角色能不能在上任 90 天内，说清楚"我们组织到底卡在诊断四问的哪一问"。

第 3 步：解决"大家为什么愿意用"

把"用 AI"从额外负担，变成更省力、更值钱的事，而且激励要对准一线，不只是对准高管。

Rogers 的"可试用性 ＋ 可观察性"落到动作上，就是三件事：给一线几乎零成本的试用入口，允许探索（PwC 的研究也指出，人被允许探索时，好奇心会加速[5]）；把早期用户省下的时间、提上的质量，用一线看得懂的方式展示出来；奖励"带别人一起去用"的主管，而不是只奖励自己做得好的人——采纳本身是个扩散行为。

反面提醒一句：激励如果只挂在"省了多少人力"上，忽略了"谁来承担流程改造的额外成本"，就会养出贝壳数据里那批"账算不对、不敢往前"的人。

第 4 步：算对账，能砍也能加注

项目上线前就定好回报口径，并躲开两个陷阱。

陷阱 A 是"没人算"——钱花到哪算哪，对应贝壳 48.44% 无回报预期[3]。陷阱 B 是"算错"——只算省下的几小时人力，漏掉流程重设计、培训、双轨运行期的成本，得出一个"不值"的假结论。

三个判断：有没有区分"效率收益"（做得更快）和"能力收益"（能做以前做不了的事）？有没有给回报设复评周期（90 天、半年），而不是一次算完？有没有一个明确的"砍单开关"——哪些试点不达标就停，哪些达标就倍推？

账算对了，才能逃出"全员困在试点里、谁也不敢往前一步"的循环。这正好对应麦肯锡所说的"七成半困在试点"这个结构性问题[1][2]。

四步合起来一句话：先诊断卡在哪 → 给采纳一个主人 → 让一线愿意用 → 用账目决定去留。顺序不可颠倒。

三、几组对照：接得住的，和没能接住的

光讲理论显得单薄，再放几组不同结局的对照，说服力才立得住。

案例一——美国财政部：靠角色重塑与协作接住了。

这是一位美国的资深财政官员大卫·莱布里克（David Lebryk），在公开访谈里谈他对储蓄债券数字化的牵头经验。项目省下数千万美元、提前一年交付[1]。他的办法里有一句反直觉的话：政府不缺创新，缺采纳。真正的杠杆不在买什么系统，而在怎么让一线的人和流程真的把新工具接过去——设立明确的责任人、重塑一线主管的角色、持续解释目的[1]。这是"角色重塑"这一招在现实里的一个完整示范。

需要说明的是，这是一个由当事人自己讲述、经麦肯锡访谈记录的案例，我们把它当作一个"被角色重塑接住了"的事例来读，而不是把它当作放之四海皆准的模板。

案例二——制造业的一线抗拒。

制造这个行业，AI 的技术潜力是清楚的：BCG 的研究显示，AI 可在制造业解锁约 30% 的生产力提升、约 25% 的机器性能提升、约 25% 的间接人工自动化[6]。但落地的瓶颈不在别处——PwC 的研究拆得比较明白：72% 的厂商把"员工安于现有系统"列为重大技术变革的主要障碍，57% 提到"缺乏培训与准备"[5]。

更微妙的是，制造业的 AI 场景（预测性维护、质检、生产排程）高度依赖一线员工的实时反馈和操作经验——要有"人"把操作上下文喂进去、把反馈接回来。工具不弱，但没了这个 human-in-the-loop，"AI"就停在脆弱的实验里，成不了被管线信任的能力。这是"技术够用、人没接住"的一个写照：排在前面的一道坎不是模型精度，而是"员工熟悉旧系统、不愿动"[5]。

案例三——医疗 AI 的专业信任断层。

IBM Watson for Oncology（2011–2018）是行业里被广泛报道的失败案例：在真实临床中准确性不足，无法从训练数据泛化到新病例，项目最终终止[11]。与此同时，医疗一线的研究者普遍存在对"黑箱"的不信任——自己参与验证或搭建的系统才信，外来的黑箱完全不碰。

这个案例要小心读。医疗是高精度、高风险、强监管的场景，这里"人不接住"背后有更硬的正当理由：专业自主性、患者安全、可解释性。这既是"人没接住"的例子，也恰好给下一部分留了个入口——在某些场景，"人不敢接"是理性选择，不是组织毛病。

四、反方视角：什么时候"技术真的还不够强"

把话说满，文章就廉价了。得承认"人是关键变量"是有边界的——下面这三类场景，卡点确实首先在技术，而不是人。

一是数据规模太小的场景。 生成式 AI 的强项依赖海量、高质量数据。当组织数据量小、标注少、领域冷门时，模型缺乏可泛化的基础，再强的采纳意愿也补不了"没东西可学"。某些细分产线、小众语言、罕见病医疗，数据天然稀疏，此时"技术不够强"成立，采纳问题退居其次。

二是高风险、高精度的场景。 医疗诊断、金融交易、安全攸关系统，对可解释性、可靠性、责任归属有刚性要求。医生的"黑箱不信任"是专业底线，不是组织惰性。Watson for Oncology 的失败，首要原因确实是技术可靠性没达标，而非组织不采纳[11]。在这类场景，合理的顺序是先等技术跨过可靠性门槛，再谈采纳工程。

三是组织能力接不住的场景，尤其中小企业。 有些组织不是不愿用，是缺乏采纳所需的基本盘——没有数据基础设施、没有懂 AI 的人、没有做流程重设计的钱和精力。OECD–ICSB 论坛的数据很直观：2023 到 2025 年，OECD 经济体里，小企业 AI 使用率从 7% 升到 17.5%，中企业从 13.6% 升到 29.5%，大企业从 30.4% 升到 52.1%[7]。小企业"跑得挺快，却落在更后"，差距反而拉大。英国的研究也印证：技能缺口（超六成企业提及）、工具碎片化、回报不确定是几类主要障碍[8]。

对这类组织，单讲"派个专职人、搞培训、算账"是空话，合理的顺序是先补"技术底座 ＋ 人才基本盘"。

严谨地说，"采纳是人的问题"主要适用于"技术已够用、但组织没接住"的中段场景；而在数据稀疏、高风险、组织能力贫瘠的两端，"技术不够强"或"组织接不住"依然是真实的制约。承认这条边界，反而让主线论点更有分量。

五、中外镜像：一条普遍规律，加一个规模分化

把镜头拉远，会发现这不是哪一国的特例，而是一个普遍的张力，同时在规模上又出现明显分化。

共同的规律：技术铺开快，组织适配慢。 三组数据摆在一起看——麦肯锡的"九成启动、两成半见效、七成半困试点"（全球）[1][2]、Prosci 的"63% 的 AI 实施挑战源于人的因素"（全球多行业 1107 人）[4]、贝壳的"89.84% 部署 / 16.41% 专职 / 47.66% 未培训 / 48.44% 无回报"（中国 18 行业）[3]。

共同点很明显："部署"（技术铺开）的数字普遍很高，"专职管理、培训、度量"（组织适配）的数字普遍很低。技术快、组织慢，是全球 AI 采纳的一个普遍张力，不是某一市场独有的毛病。

规模分化：大机构 vs 中小企业。 OECD 数据里，大企业 AI 使用率（52.1%）约为小企业（17.5%）的三倍，差距还在扩大[7]。英国的数据更细：SME 的活跃采纳率从 2024 年的 25% 升到 2026 年初的 54%，但"有明确业务目的的战略性部署"仍只有约 16%，且只有约 12% 的用 AI 企业报告了可归因于 AI 的营收增长[8]。

把这一层想透，结论就深了一层："缺采纳"在大机构里，表现为"有预算有工具、没主人没培训"；在中小企业里，表现为"连基本盘都没有"。两者的解法不同——前者重在角色重塑与变革管理，后者重在先补能力底座。这个区分，让文章避开"一个药方治所有病"的浅薄。

结语：最后一百米，拼的是有人接、有人带、有人算

回到开头那个误会。

技术乐观派总爱说"再等一个版本就好了"。可数据摆着：模型一年年变强，那七成半困在试点里的企业，并没有自动走出来。因为在"技术够用"和"技术被用起来"之间，横着的从来不是算法，而是一条要有人去爬的 S 曲线，一群要有人带着去跨过信任落差的一线员工，一本要有人敢去算、也敢去砍的账。

一个没有主人的新工具，最后都会变成一件没人认领的旧家具。

如果你正卡在 AI 落地的某一个环节，先别急着升级模型，先回头看一眼那四问：有没有人负责、一线会不会用、流程有没有重设、账算不算得清。答案多半不在工具里。

承认有些场景"技术还不够强"，恰恰让你在"技术已经够强"的场景里，更有底气说一句：问题不在 AI，在人。

参考文献

  1. Building America's innovation engine: An interview with David Lebryk — McKinsey & Company，2026-07-01（访谈当事人自述，供参考案例）。
  2. 麦肯锡：AI 转型亟需跨越"试点陷阱" — 新华网上海，2026-04-15。
  3. 《中国企业家人工智能应用调研报告（2025）》 — 新京报贝壳财经，2025-07-29。
  4. Keys to Unlocking AI Adoption — Prosci，2024。
  5. Frontline leadership in manufacturing's AI adoption — PwC & The Manufacturing Institute，2026。
  6. Unlocking the Value Potential of AI in Manufacturing — BCG，2025-06-30。
  7. SME AI adoption gap widens: OECD-ICSB Forum 2026 — ICSB，2026。
  8. Artificial Intelligence Adoption Among SMEs in the UK — 2026-06。
  9. Diffusion of Innovations（第 5 版） — Everett M. Rogers，Free Press，2003。
  10. Leading Change — John P. Kotter，Harvard Business School Press，1995。
  11. IBM Watson for Oncology（2011–2018）案例报道 — IEEE Spectrum / STAT News，2018。

💡 这篇文章给你带来了什么启发？

humanaifit 致力于研究人与AI如何真正协同。如果你在企业AI落地、人机协同或全球化合规方面有具体问题，欢迎加入我们的讨论。

🔗 搜索「AI时代生存手册」知识星球，¥199/年——每篇深度文章配套工具模板，与作者直接交流。