拉开的方式有六条战线。看清这六条，你才知道自己站在哪，该往哪走。
一、钱被谁赚走了：部署的人多，赚到回报的少
多数企业都已经部署了 AI，但真正赚到回报的是少数。
McKinsey 的报告显示，不到 10% 的企业在单项职能里真正规模化落地了 AI Agent，多数企业还停在"试试看"的阶段。McKinsey 原话里有一句值得记下：采用率已经不再是差异化的标志。
真正拉开距离的，是"谁先拿到回报"。普华永道的一份中国区报告显示，前 20% 的企业收割了 AI 带来收益的 74%，剩下 80% 的企业分剩下的 26%。
这不是后面 80% 没投钱——它们投了，只是没产出。问题是"增效幻觉"：技术让你能做更多事，但你没能把这些"能做"变成"能赚钱"。真正稀缺的，不是买多少张算力卡，而是解决"让 AI 创造价值"的组织能力。
二、省下的时间去哪了：没有"再投资机制"，时间就漏掉
AI 能省时间，但省下来的时间常常没落到正地方。
BCG 的数据显示，42% 定期用 AI 的一线员工，每周能省下整整一天甚至更多。但 66% 的人没有得到任何关于"这些时间用来干什么"的指导。
省下的时间从三个口子漏掉了：
- 认知空耗：反复检查 AI 的输出、调整提示词、担心自己被替代。41% 的 AI 用户报告认知负荷增加——不是轻松了，是换了种累法。
- 任务扩张：原来的活做完了，用 AI 做更多同类的事，而不是做不同的事。
- 隐性冗余：有人因为 AI 效率太高而事实上冗余了，但既没被裁也没被重新安排，AI 省下的时间变成了沉没成本。
BCG 的判断很直接：个人省下的时间，除非被追踪并有目的地再投资，否则会从组织里流失。这不是个体自律问题，是组织设计问题。
三、培训预算决定天花板：知道要变的人多，被培训好的人少
72% 的人知道自己的技能要求变了，但只有 36% 的人觉得自己接受了足够的培训。而且这个数字和上一年几乎一样——一年过去了，培训的有效性没怎么长。
更刺眼的是培训市场的分化。同一个 AI 技术栈，不同价格教的是完全不同的东西：99 元的课教你"怎么用"，是中操作训练；更贵的课才教你"什么时候用、为什么用"，是场景和策略。
你的预算，很大程度决定了你认知的边界。但更深的坑在后面——很多人学完回到原来的工作流程里，新技能闲置了。普华永道把这个问题叫"价值闭环缺口"：投了培训，却没围绕 AI 重新设计工作流，学习没有转化成实践，实践没有转化成产出。
四、底层能力被放大：起点差距是加法，AI 放大是乘法
AI 不是普惠的——它对所有人都一视同仁地提供了帮助，但它放大的是你之前积累的底层能力。
BCG 把 AI 用户分成三层：17% 的"战略性使用者"把 AI 融进工作流，效率是被动使用者的三倍以上；40% 的"主动使用者"效率约 1.5 到 2 倍；43% 的"被动使用者"基本没变化。
腾讯研究院的一份框架从另一个角度印证了这一点（属产业观察范畴）：少数人跃迁，多数人温和提升，一部分人被替代。
结论是一样的：两个人的起点有差距，用同样的 AI，这个差距会被进一步拉大。AI 放大的是逻辑思维、快速学习、问题分解、判断力这些底层能力——而这些能力的差距，一开始就存在。
五、AI 让你更累：享受和更累同时发生
一个看似矛盾的现象：67% 的定期 AI 用户说更享受工作，同时 41% 报告认知负荷上升。
"享受"和"更累"可以同时成立。BCG 的解释是：够好的标准被拉高了，员工要花更多时间审查和纠正 AI 的输出。工作内容变了——不是不做事了，是不做 A 类事改做 B 类事，而 B 类事（校验、纠偏、兜底）更耗神、更琐碎、更没成就感。
它还发现，这个负担分配得并不均匀：领导者更多享受 AI 的效率收益，一线员工更多承担 AI 的纠偏成本。负担，多数场景下更多落在执行层。
六、有人出生就被关在 AI 门外：用电权鸿沟
最后这条战线，和个人努力无关。
它取决于你在哪里出生，以及那个地方在几十年前建起了什么样的电力基础设施。一次 ChatGPT 级别的查询能耗大约是普通搜索的好几倍（Goldman Sachs 引用 IEA 数据，IEEE Spectrum 确认量级），而 AI 数据中心天然偏向电力充足、冷却条件好的发达地区。
全球的数据中心容量高度集中在少数几个国家，前沿训练的算力更是如此。全球南方国家普遍同时面临三重价值流出：数据流向发达国家处理、算力账单流出、AI 服务再卖回本地。它们提供锂矿、土地和廉价的电力，却不拥有模型，也收不到 AI 产业的高附加值。
同一个订阅，对一个美国程序员可能是零点几小时的工资，对一个低收入国家的程序员可能是几天的工资。AI 的商业定价，成了一道新的"数字关税"。
七、收口：五条战线能靠设计解决，第六条是结构问题
六条战线不是独立的，它们会自我强化——企业赚不到钱，就没钱重组工作；员工省了时间不知道干什么，认知负荷累积，AI 用得更差，企业更赚不到钱。
但这里有个突破口：前五条战线都是"可以设计的"。组织可以设计省时再投资机制，可以重塑培训机制，可以重构流程降低认知负荷。只有第六条——用电权鸿沟——是结构性的限制，单靠个体或企业无法解决。
看清差距之后，还得想清一件事：AI 做不了的活，恰恰是人的机会。
AI 会总结、会创作、会分析、会推理，几乎包办了所有"认知技能"。但它有三件事目前还做不了：它不真正质疑（它的批判是基于训练数据里的模式，不是基于内心的不安）；它不担责（AI 给错建议，谁来负责，这正是很多企业迟迟不敢用的障碍之一）；它不问意义（它能写一首关于孤独的诗，但不知道孤独是什么滋味）。
所以，当你面对一件事，可以用三句话来判断它要不要留给人做：这件事要不要人担责？要不要人质疑既定的答案？要不要人解释"为什么值得做"？
多数研究倾向于：把 AI 用在"增强人"而不是"替代人"上，长期回报更稳——这是大量研究和企业实践的共同倾向，不是一条普适铁律，但值得认真对待。
AI 不是问题。没有能力重新设计"人和 AI 怎么分工"，才是问题。而谁有能力做这种设计，本身就是一场新的分化。
参考文献
- BCG — "AI at Work 2026"，BCG 与全球调研平台联合，2026
- McKinsey & Company — "The Symbiotic Enterprise"，2026-06
- 普华永道 — "2026 全球人工智能效能研究中国报告"，2026
- ManpowerGroup — CEO 调查，WEF 发布，2026-06-19
- WEF — "未来就业报告 2025"
- 腾讯研究院 — "超级个体时代"，2025（产业观察）
- IEA — "Electricity 2024"，数据中心与数据传输网络章节
- Goldman Sachs Research — "Generative AI Can Deepen Power Demand"，2024
- Stanford HAI — "AI Index Report 2025"
- IEEE Spectrum — Sarah Wells，"Generative AI's Energy Problem Today Is Foundational"，2023-10
- Deloitte — "State of AI in the Enterprise"（第 8 版），2025
💡 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。