今天跟 WorkBuddy 协作复盘给好想你那场 AI 智慧组织内训，工具把 733 份 AI 成熟度诊断报告整理出来，我盯着那几个数字看了很久。做了十几年经营咨询，我自认见过不少企业的真问题，但这次的数据，还是让我这个老江湖坐不住。

这篇，我把那场课里「方法」这一层，也就是「用 AI 怎么才能不翻车」，原原本本讲给你听。

一、733 份诊断，三个数字把我钉在椅子上

为了那半天研讨基于事实而不是印象，我们让好想你同事先填了一份匿名诊断。733 份收回来，结果很有意思，也很有杀伤力：

• 第一个数字：30.9% 的人不会写 prompt（提示词）。 注意，是「用过」但「用不好」之间有一道鸿沟。大家已经用过 AI 了，但大多数人还处在乱撞的状态。
• 第二个数字：47.2% 在观望。 他们知道用是对的，但还没结合自己的场景。「等公司的机制、等系统、等考核、等强推」——这一等，可能就等没了。
• 第三个数字：只有 36.2% 的先锋。 第一波种子已经有了，愿意用，而且和场景结合了。

我当时就说：前两个数字，恰恰说明我们的组织文化值得赞扬——大家很诚实。但诚实归诚实，这恰恰暴露了真问题。

二、最大的卡点，不在员工，在管理层

这是我最想拍桌子的一点。很多人以为，AI 推不下去，是因为员工不会用、不愿意用。错。

我在辅导企业做组织变革时发现，大部分公司对「打造 AI 型组织文化」是有共识的，但中层 36% 的执行力和基层 16% 的差距，差的不是认知——是执行的坚决性。

为什么执行不坚决？因为前面你老给我产生幻觉，我怎么信你？你一次两次不靠谱，就像我信任一个人，第三次没给我结果，我就不愿意再跟你来了。

我当年做电算化会计也是这样：软件跑出来的结果，老会计还要用手工再核一遍。半年之后，他对了，才信。信任是一次次建立起来的。AI 也是。

所以真相是：最大的卡点不在员工，在管理层。 是我们这些一号位，有没有亲自下场、有没有把机制建起来、有没有让标杆可量化。

三、穆迪的启示：先解决人和文化，再上技术

那怎么破？我讲了个反直觉的案例——穆迪（Moody’s），一家老牌金融评级机构。

它的打法不是「先买一堆 AI 系统、上一批项目」，而是反过来的：先解决文化和人的问题，再上技术。它定了三条原则：

1. 人人都是创新者——92% 的人基本都接受这个理念；
2. 持续迭代；
3. 追求真实的业务成果——不是「我说效率提升三倍」，而是 ROI 落到哪了、投资回报在哪、产生的利润收入能不能体现出来。

文化能力到位之后，再去部署技术。它的逻辑是：AI 的真实价值，虽然在前面表现为技术，但只有文化和人先到位，技术才能被放大。

四、放射科医生的反例：AI 是放大人，不是替代人

很多人怕 AI 替代自己。我给大家吃颗定心丸，讲个被反复验证的案例。

2016 年，AI 界预言：五年内放射科医生会被替代，因为看片技术基本普及了，不需要人判断。

结果呢？需求不降反增。为什么？医生把 AI 当工具，服务质量、服务数量、服务广度全面提升了，岗位缺口持续扩大——北京协和永远挂不上号，301 永远挂不上号，有了 AI，更多医生能去做高质量的判断，能服务更多病人，需要的岗位反而越来越多。

这就是关键认知：AI 没有价值观、没有立场，它甚至可能会「骗」你、给你制造漏洞。所以最关键的场景判断和重大决策，AI 替代不了人。 但在那些标准化、重复性的环节，AI 可以替你干六七十%。

所以别焦虑「被替代」。焦虑错了方向。你该想的，是怎么让 AI 放大你的行业经验、你的判断力。

我再补一句：恰恰因为 AI「没有立场、可能骗你」，你作为人的价值观和最终拍板才更值钱。一个组织里，最贵的不是会写 prompt 的人，是敢在关键节点说「不对，这个我定」的人。把重复劳动交给 AI，把判断力留给自己——这才是人机协同最舒服的姿势。

五、警惕两极分化：跑得快的，别把组织甩下

我特别提醒大家一个隐蔽的坑——两极分化。

好想你已经有 36.2% 的先锋在用了，而且和场景结合了，必须做出可量化的标杆。但怕的是什么呢？怕一个组织里头，20%—30% 的人跑得特别快，个人人效极高；但还有六七成的人用不好、不愿意用。

企业不是单兵，是一堆部门配合的。你用的好的人再快，组织整体协同上不去，效率照样提不起来。用的好的人是个体的快，组织整个的快才是真快。

所以要警惕：别让「用得好的」和「用不好的」之间，裂成两半。对先锋要赛出标杆，对观望者要找方法带动，对消极群体要不同策略应对。强者在强用中越强，弱者会掉队——这是人性，得靠机制去平衡。

六、从单点到组织级：别让局部突出掩盖整体停滞

我前面提过，企业不是单兵。这里再补一刀：很多人以为「我们公司有几个 AI 高手在用」，就等于「我们公司数字化了」。大错特错。

局部突出，掩盖的是整体停滞。你生产部用得飞起，销售部还在手工填表，财务还在对账到深夜，那整体效率就卡在部门与部门之间。AI 的价值，必须在组织和组织之间的流动里才释放得出来——这才是「人机协同」的真意，不是个人提效，是组织提效。一个环节很突出，并不足以加快企业挣钱的速度。

七、标杆怎么立：可量化，才有带动力

回到穆迪那条「追求真实业务成果」。怎么落地？靠标杆，而且是可量化的标杆。

好想你已经有 36.2% 的先锋，那就必须在月底把「金能大赛」的标杆亮出来：谁用 AI 把什么活儿从半天干到了一分钟，节省了多少工时，带来了多少可核算的收益。标杆不是表扬信，是数字。数字出来了，观望的那 47.2% 才有东西可对标，才知道「原来真能成」。没有量化的标杆，AI 运动就会停在口号上，最后又变成「采购了、培训了、然后停在那儿」。

八、信任是练出来的，不是训出来的

最后补一句关于信任的话。前面说老会计要用手工核半年才信电算化，AI 也一样。你给它的任务，它前两次不准，第三次你还信它吗？多数人就不信了。所以我们的做法是：先用小任务、低风险任务让它证明自己，再逐步放大边界。信任是一次次建立起来的，急不来。管理者要做的，是设计这个「由小到大、由易到难」的信任路径，而不是一上来就压一个重大项目。

三句话自检

• 我们公司的 AI 卡点，是真的在员工，还是其实在镜子里那个自己（管理层）？
• 我们是「先买系统」还是「先解决文化和人的问题」？
• 我是在怕被 AI 替代，还是在想「怎么让 AI 放大我的经验」？

想清楚这三句，AI 才不会变成又一场「采购了、培训了、然后停在那儿」的运动。