用过AI的组织为何难以扩大应用范围

试用AI与让AI在业务中扎根

试用一次AI和把它交给每天的日常工作，是两种不同的决定。试用时，我们可以看答案听起来有多可信；但在实际业务中，还得考虑由谁来核实错误、成本又是多少。

思考这种差异时，有两项研究值得参考：一项是关于20世纪40年代美国爱荷华州农民接受新玉米种子过程的研究，另一项是探讨科技产品如何从早期客户扩散开来的鸿沟理论。

我们先看看AI相关调查问了什么。麦肯锡2025年的调查显示，88%的受访者表示所属组织至少在一项业务中定期使用AI。 而表示组织层面已开始扩大AI应用范围的受访者约占三分之一。麦肯锡调查

德勤2026年的调查显示，25%的受访者表示所属组织有40%以上的AI实验已转入实际运营。这里的40%指的不是企业的比例，而是各组织中转入运营的项目所占的比例。普华永道（PwC）2026年的CEO调查显示，56%的受访者表示在过去12个月里，未能同时体验到AI带来的营收增长与成本节省。这并不意味着连业务速度或员工满意度等方面也完全没有效果。德勤调查、PwC调查

由于这些调查针对不同对象、提出了不同的问题，我们不能直接用数字相减来计算AI的失败率。但它们说明了一点：是否采用、应用范围、财务成效，这三者需要分开来确认。在这其中，我想把“扩大应用范围”这个问题，和杰弗里·摩尔的《跨越鸿沟》（Crossing the Chasm）联系起来探讨。

农民们是根据什么依据更换种子的

鸿沟（chasm）指的是获得早期客户认可的技术产品，在向更广泛的客户群扩散时遇到困难的区间。这一概念的背景，是研究新技术如何在人群中传播的创新扩散理论。

1941 年，爱荷华州立大学的社会学家**布赖斯·瑞安（Bryce Ryan）和研究生尼尔·格罗斯（Neal C. Gross）**在两个农村地区调查了杂交玉米种子的普及过程。当时农民们已经接触到产量与种植性能都有所改善的新种子，但引进的时间点各不相同。

根据罗杰斯整理的研究过程，格罗斯采访了 345 名农民，并分析了符合研究条件的 259 人的回答。其中 257 人在 1928 年至 1941 年间采用了新种子。农民们最初得知种子的渠道多为推销员，而影响他们下定决心引进的渠道则多为邻近的农民。也就是说，在“听说新种子的优点”与“决定种在自己田里”之间，还存在着他人经验这一环节。

这是鸿沟理论的概念图，并非依据爱荷华农民实际调查数据绘制的图表。

这篇发表于 1943 年的论文¹，后来成为创新扩散研究的重要起点。**埃弗雷特·罗杰斯（Everett Rogers）**综合相关研究，于 1962 年出版了《Diffusion of Innovations（创新的扩散）》一书。罗杰斯根据人们相对采用新事物的时间早晚，将采用者划分为五个群体。

• 创新者（Innovators），2.5%： 最先尝试新技术的群体。
• 早期采用者（Early Adopters），13.5%： 相对较早接受新事物，同时也会影响周围人判断的群体。
• 早期多数（Early Majority），34%： 早于平均水平采用，但会谨慎观察其他使用者经验的群体。
• 后期多数（Late Majority），34%： 在技术已广泛普及、采用的不确定性降低后才接受的群体。
• 落后者（Laggards），16%： 最晚采用该技术的群体。

这一比例是按照正态分布划分采用时间点所得出的理论性区分。并非所有市场都会呈现相同的比例，一个人也不会在所有技术上都属于同一群体。随着时间推移，将累计采用者数量绘制成图，通常会呈现出 S 形曲线。这与上图按时期划分采用者所呈现的钟形曲线，纵轴含义并不相同。

将这一模型应用于科技产品营销的摩尔，尤其关注早期采用者与早期多数之间的差异。他指出，仅凭最初购买的客户的喜爱理由，很难说服下一批客户。

杰弗里·摩尔发现的鸿沟

杰弗里·摩尔（Geoffrey A. Moore）在斯坦福大学学习美国文学，并在华盛顿大学获得英文学博士学位。他曾在大学任教，后转入科技企业从事销售与市场营销工作，还在 Regis McKenna 公司做过市场营销顾问。他是那种同时处理产品技术特征与客户购买理由的人。

制作产品的团队很容易强调新功能。但购买方会先确认这个功能对自己的业务是否有用，导入之后能否获得支持。摩尔的主张是：只有理解这种购买标准上的差异，才能把产品卖给下一批客户。

摩尔于1991年出版了《Crossing the Chasm（跨越鸿沟）》。这本书探讨了将对早期客户奏效的营销方式原封不动地套用到主流客户身上时会出现的问题。

他所说的“鸿沟”，指的是从早期采用者的市场跨越到讲求实用的主流客户市场之间难以跨越的区间。这与其说是所有产品都必然在同一时间经历的法则，不如说是科技企业在拓展市场时可以用来自查的一个解释框架。

按照摩尔的说法，早期采用者即便面对尚未完善的技术，只要认为未来能获得的收益够大，就会选择导入。他们也愿意亲自动手解决问题，把产品调整成适合自己使用的样子。

相反，主流客户更看重在相似行业和业务中已被验证过的结果。仅凭一个懂技术的团队投入特殊努力才取得成功的案例，很难让人确信自己的组织也能用得起来。也就是说，只有在必要的安装、培训、支持都已具备的情况下，主流客户才会做出购买决定。摩尔的著作介绍

要打造下一位客户能够使用的产品

以摩尔所强调的“选择狭窄的客户群”和“完整产品”这两个概念为基础，我把在市场扩张中需要关注的事情整理为四点。特斯拉的案例是为了说明这一想法而附加的例子。

**第一，必须先缩小要解决的客户问题范围。**要确定解决哪个行业、哪项业务的问题，并打造出该客户能够实际使用的产品。之后可以逐步扩展到有类似需求的客户。特斯拉一开始也并非同时推出全部车型级别。2006 年的总体规划提出了从高价电动跑车 Roadster 出发、再扩展到更便宜车型的计划。

**第二，必须具备实现购买目的所需的全部支持。**摩尔将其称为完整产品（whole product）²。购买电动汽车的人不仅需要车辆本身，还需要能够充电的地方和能够维修的地方。特斯拉在销售车辆的同时建设超级充电网络的案例，正可以从这个角度来理解。

**第三，必须让客户相信自己能够持续使用。**是否与其他产品兼容、供应商是否会持续提供支持、周边企业是否也在使用同样的技术，这些都会影响购买决策。特斯拉在 2014 年发布的专利政策也是为了扩大电动汽车相关技术使用范围的一次尝试。这是一项承诺——只要满足一定的善意使用条件，就不会提起专利诉讼，但这并不等于放弃了全部专利权。

**第四，必须减轻初次导入时的负担。**除了价格之外，还要考虑学习所需的时间以及改变现有方式所产生的成本。特斯拉扩展车型、瞄准价格更低区间的客户，就是降低价格负担的一个例子。如果是企业办公软件，则可以采用与现有系统对接，或者先从部分业务开始试用等方法。

Oswarld视角

我在跨越鸿沟理论中重视的问题是：最初成功的客户和下一批客户所需要的条件是否相同。可以观察一下，是否把早期熟练用户自己解决的问题，也同样要求下一批用户去解决。

我认为这个问题在AI领域同样有用。Menlo Ventures预计2025年企业生成式AI支出将达到370亿美元。这比按相同口径重新计算得出的2024年的115亿美元高出约3.2倍。这是结合了对495名美国企业AI负责人的调查与市场分析得出的估算，不包括半导体或推理服务支出等项目。这些数据表明投资正在增加，但正如前面提到的普华永道（PwC）调查所示，个别企业是否真正取得了财务成果，还需要另行确认。

市场中客户群体之间的扩散，与一家公司内部扩大AI应用，二者并不相同。不过在这两种情况下，都有一点是相似的：都需要确认下一批用户在担心什么。对开发AI的团队来说轻而易举的工作，对一线员工来说可能很困难；而出错时需要承担责任的人，可能会要求更严格的依据。

如果要扩大企业的AI应用，我会先确认以下四点。

• **业务范围：**选择像客户咨询分类或代码审查这样具体的业务，确认处理时间和错误率是否真的有所改善。
• **运营准备：**连接所需的数据，同时准备好访问权限、员工培训，以及出现问题时的处理方法。
• **评估标准：**事先确定什么样的结果算作通过，并用同一标准比较前后结果。
• **引入负担：**看看能否从由人来审核的辅助性工作开始做起。在扩大自动执行范围时，也要相应地具备必要的管控。

正如爱荷华州农民研究中邻居的经验很重要一样，来自类似业务的结果也有助于判断AI的引入。不过与其原样照搬其他组织的成功经验，不如先确认数据、人力和运营条件的相似程度。

如果模型性能不足，就需要改进或更换模型；如果需要连接的数据或审核程序不足，就需要补齐这些部分。我认为，说服观望者与具备实际引入条件这两件事，应该同步推进。

<<<OZ_END>>>

等等，这不是fragment 1，不需要markers

结语

要扩大新技术初期成功的范围，就需要理解下一批用户的工作内容。有必要具体询问：他们能够自己直接解决什么，哪些地方需要支持，看到怎样的结果才会持续使用。

我认为，与其在多个部门同时一齐引入AI，不如先在一项业务中同时确认成效与运营负担。基于这个结果再决定推广到什么程度，这样才有依据向其他部门推荐使用。

参考资料与延伸阅读

• Geoffrey A. Moore，Crossing the Chasm。探讨了如何将市场从早期采用者扩展到主流客户。
• Bryce Ryan & Neal C. Gross，The Diffusion of Hybrid Seed Corn in Two Iowa Communities，Rural Sociology 8，15–24，1943。爱荷华州种子普及研究的书目信息。
• Everett M. Rogers，Diffusion of Innovations, 5th Edition，2003。可以在出版社公开的节选中确认玉米研究的调查、分析对象与结果。
• 麦肯锡，The State of AI in 2025。调查了AI的使用范围与扩展阶段。
• 德勤，State of AI Report 2026。探讨了将AI实验转化为实际运营的比例。
• 普华永道，29th Global CEO Survey，2026。询问了因AI而产生的营收与成本变化。
• Menlo Ventures，2025: The State of Generative AI in the Enterprise。说明了企业生成式AI市场的估算数值与统计范围。
• 特斯拉，2006 Master Plan、Patent Pledge。可以确认其产品扩张计划与专利政策的条件。

作者 安光涉（Oswarld） 现任世宗大学兼任教授，INLEVEL9 战略顾问。职业经历、研究、著作与近期活动会持续更新在作者简介。 最新动态 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

注释

1. Ryan & Gross（1943）研究了两个农村地区杂交玉米种子的普及情况。根据罗杰斯的说明，受访对象为345人，分析对象为259人，截至1941年引入种子的人数为257人。 ↩

2. 完整产品（Whole Product）指的是客户为达成购买目的所需的产品、服务与支持齐备的状态。就软件而言，可能包括安装、与既有系统的连接、培训与维护等。 ↩