工具铺下去了，团队速度没变

这道鸿沟落到一家真实公司里，是这样的。

一家非技术企业的运营负责人，手下几千人。没有 AI 的时候，团队速度还行，没什么大毛病。然后他们铺开了 Claude Cowork。

结果团队速度还是原来那样。负责人的问题就一个：为什么？

因为组织里的用法分裂了，50 人的团队还是 5000 人的团队都一样，每次都是一根杠铃：

那 5-10% 的重度用户本来就是推动公司买 Cowork 的那批人，他们下班之后自己也在折腾 AI，亲眼见过它能干什么。

这套分布落到账面上是这么一句话：什么都没变快，但你确实烧掉了几百万美元。

一个运营组织的分布，右下角那行写着「Observed speedup: none」，观测到的提速：无。图片来源：Vasuman / Varick Agents

会用和用得好是两种技能

但为什么会这样？即使在那些确实在用 AI 的人里面，技能差距也大得吓人：

不知道自己在干什么的 AI 用户，用了 AI 之后比用之前更糟。 Vasuman

装个 Claude、指向一个代码仓库、发四个词的提示词、看它动起来，这太容易了，结果可能对，也可能错。用得好是另一回事，一共四件事：

1. 知道什么时候该清上下文
2. 知道刚做了两遍的事，应该变成一个 skill 文件让模型每次都读，
   而不是每次重打一遍提示词
3. 知道一个自动化项目里，哪 15% 需要模型做判断，哪 85% 只需要确定性代码
4. 最重要的：合并之前认真读 diff

同一张工单给两个工程师，5 分钟内就分岔

这个差距落到一个具体场景上，是这样的：同一张工单，交给两个工程师。

第一个工程师：把 Jira 上的文字粘进 Claude，点提交。改动碰了六个文件，他扫一眼，看测试还过，就合并了 PR。三周后生产开始出毛病，才有人发现，这个 PR 无缘无故改了一个配置值。

第二个工程师：同样从粘贴 Jira 文字开始，但接着标明代码在仓库的哪个位置、哪些文件夹和文件该碰、哪些别碰。他手上已经有 skill 文件，保证 Claude 提交的每个 PR 都精简而不啰嗦、提交前测试充分。然后他读 diff，抓到一处多余的改动，用一句提示词修掉，最后合并的 PR 只有第一个人的一半大。

FIGURE 3 - Same tool, same seat, different outcome。图片来源：Vasuman / Varick Agents

而任何组织里，至少有一半人永远到不了第二种状态。用好 AI 是一门手艺，需要海量迭代；而一个还没上 AI 这条船的人，那种惯性对很多人来说是翻不过去的。把一个只会乱喷的用户调教成精细的高手，同样难。

就算推得完美，结果还是杠铃

那换个推得好的公司呢？最容易想到的反驳是：那是他们推得烂，换我来推就好了。这个反驳站不住。你就算推得完美无缺，拿到的还是一根杠铃。

另一位高管的账更直接：刚给全组织铺完企业版许可证，一份八位数美元的年度承诺。结果是：大约 10% 的人烧掉了 90% 的 token。

这里可以算一笔账：

FIGURE 4 - 10% of your seats burn 90% of the tokens。图片来源：Vasuman / Varick Agents

88% 的公司用了 AI，只有 6% 见到利润

以上都是一手观察。公开调研怎么说？两份被反复引用的报告，指向同一个方向。

「采用率」这个指标的毛病也就出来了：采用是个是非题，技能是一道光谱。把采用率当指标追踪，你问的最多只是一个是非题的抽象，「这个人这个月登录了吗」「这个人今年登录过吗」「这个人每天发了 5 条以上提示词吗」。

但那个数字技术上是真的，没人在采用率上撒谎。它只是比你真正关心的东西容易测得多，你真正想知道的是：每个人用 AI 的熟练度如何，每花一个 token 的回报是多少。

FIGURE 5 - What the adoption number hides。图片来源：Vasuman / Varick Agents

厂商、公司、内部高手都没动力修

既然问题这么明显，为什么没人去修？厂商、公司、内部高手，三方各有各的理由。

厂商

每家 AI 供应商的路线图都在讲 Agent 的能力又强了多少，没有一句在讲团队使用它的能力。于是唯一能有效使用它的就是前沿用户，而前沿用户嗓门最大，所以他们说了算；他们也是最讨喜的服务对象，双赢。结果是，每次功能发布都在抬高「用好这个产品」的技能地板：人原地不动，地板一直在涨，鸿沟只会越来越宽。

公司

企业最容易被「培训员工怎么写提示词！」这个想法迷住。但这只是10% 的游戏。另外 90% 是「培训员工判断哪些工作流永远不该碰模型、哪些该完全自动化」。

这个之所以不好卖，是因为每家公司的答案都不一样，得在现场待上几周才能弄清楚。

公司内部的 AI 高手

他们也没动力去修。他们的杠杆就是这道鸿沟。他们干活快 70%，然后就可以摸鱼；或者一个人干三个人的活。一旦所有人都上了这条船，他们的优势就没了。没有额外激励，他们凭什么去修？

培训只能用来找人，不能用来改造人

把前面几节的观察摆到一起，会得到一个不太好听的结论。他自己是这么写的：

如果你真去追踪这个指标，你会发现：企业里的绝大多数人，没有希望变成 AI 原生的人。
这意味着他们没价值吗？当然不。这只意味着，你的实施和推广计划得跟着调整。 Vasuman

这句话里有两层，缺一层都会走偏。第一层是承认现实：任何组织里至少有一半人永远到不了「用得好」那一档，而且每次模型发布，那道门槛还在往上抬。第二层是不下判决：这跟他们有没有价值无关，只跟你的方案该怎么设计有关。

培训真正的用处是诊断

你反正得培训，不培训，你就不知道谁在头部。公司里肯定有一些人对 AI 有兴趣，只是缺时间和抓手去深入，培训是把每个人的能力和舒适区暴露出来。

找出这批人之后，给他们一个发布的地方，比如一个共享数据库，让他们做的每个 skill 都被发布、排名、被别人安装。这是他见过唯一能把一个人的突破变成可共享东西的机制。

这里的激励是排名，重度用户愿意用自己的优势，换组织里的地位。但即便如此，差距依然在：你把这些 skill 推给所有人，还是会有 50% 的人永远不会装一个。

所以这条路能覆盖的就是那一小撮。剩下的绝大多数人，得换个完全不同的思路。

让 AI 进后台，不要求任何人改变工作方式

对其余那一大群人，活得干完，但不能要求他们改变工作方式。这句话听着像妥协，其实是整套方案的支点，它意味着 AI 得从台前退到后台去。

「用 AI」这件事，默认被理解成「人打开一个对话框，敲字，等回答」。这个默认设定把所有负担压在了使用者身上：他得知道该问什么、该怎么问、答完之后哪里不能信。前面几节讲的所有技能差距，都长在这个设定上。

把这个设定拿掉，路径就变了。具体是三步：

一个具体的样子：应付账款

你有几十个应付账款分析师，整天在搬发票。这活里大概 90% 是可以自动化的。

但你不能指望他们自己起 Agent，也不能指望他们靠写提示词把这事稳定干完而不在生产环境里出岔子，这不是他们签的活，也没人这么训练过他们。

所以换个方向：建那些每天自动跑的 Agent，让它们把发票该走的流程走完。这些分析师的角色随之变成，审批、驳回、或者修改 Agent 干出来的活。

他们的工作方式没变（还是在原来那个系统里点几下），但组织的产出变了。

人们不是在市场上找一个帮他们把活干完的工具。他们只是想要活被干完。 Vasuman

上面那条细路径是培训（走三个人），下面那条宽路径是后台 Agent（走一大群），两条汇到同一个终点「活被干完」。注意两条路的宽度是按实际人数画的。图片来源：Vasuman / Varick Agents

别再向董事会汇报采用率

所以最后落到一个明天就能改的动作：换掉汇报口径。

别再汇报「采用率」。

改成汇报：今天的工作里，
  · 多少是手工完成的
  · 多少是人机混合完成的
  · 多少是完全自动化完成的

这是唯一值得汇报、也唯一值得讨论的口径。

一家几千人的运营公司铺开 Claude Cowork 之后，团队速度和铺之前一样。Vasuman 说，他在所有客户那里看到的都是同一根「杠铃」：两头沉，中间空。

那 5-10% 本来就是推动公司买单的人。仪表盘会把这次铺开记成「采用成功」，运营负责人看到的提速是零，这两件事同时成立。

同一张工单交给两个工程师，5 分钟内就分岔。第一个把工单粘进 Claude 就点提交，改动碰了 6 个文件，扫一眼测试通过就合并；三周后生产环境出问题，才发现里面有个多余的配置改动。第二个先标明哪些文件该碰、用现成的操作说明（skill 文件）保证改动精简，提交前认真读了改动记录（diff），抓出多余的那处，最后合并的 PR 只有前者一半大。

另一家公司刚签下八位数美元的年度 AI 许可，结果 10% 的人烧掉了 90% 的用量（token，AI 处理文字的计费单位）。

最好的情况，变成了最坏的情况。

公开调研印证了同一个形状。

采用率只能回答「这人这个月登没登录」，分不清「粘邮件排版」和「三个 Agent 在动总账」，这才是这个指标假的地方。

把全公司都培养成 AI 高手是条死路，门槛还随每次模型升级往上抬。培训真正管用的地方是当体检：找出谁本来就在头部，给他们一个能被排名、被别人安装的发布位。剩下的大多数人不该被要求换工作方式，把 Agent 直接建进他们已经在用的系统（比如 Salesforce），只在需要复核时才拉人进来。