AI这么牛，为什么还有这么多人没用过？
过去两年，如果只看社交媒体，很容易觉得AI已经无处不在。
网络上，几乎每个人都是用AI的一把好手。大家写代码、做PPT、生成方案、养龙虾，或者仅仅只是做一些脑洞大开的影像，总之人人都在用，人人都爱用。
但当我们走进工作一线，情况又不一样了。
工厂班组长、连锁门店店长、公司的行政等等，这些真正撑起企业日常运转的人，虽然并不排斥AI，但确实没有把它们用起来过。
原因也很简单，因为他们不知道从哪开始，试过几次没什么进展，就放下了。
之前和几家制造业企业HR聊过，他们也都感觉很困惑，明明很努力地在公司里推行AI，给员工做培训、买工具、发Token，但就是很难落地。
这恰恰是AI在企业里面临的最大阻力，不是大家不会用，而是不想用。
表面上看，这是执行问题。
实际上，这是个很容易被忽略的结构问题，AI没有均匀平等地触及到每个人，而是流向了本来就更会用也更愿意使用的人那里。
那些愿意接触AI的人，本来就更擅长学习和创新。每每出现新工具，他们的态度和想法都很开放，会多试多想多吸收，所以能很快接纳AI，并且投入使用。
反过来，那些更需要AI帮忙的人，比如一线执行者、跨部门协调者、靠经验吃饭的岗位，他们的工作本身就更加按部就班，因而也更晚被覆盖到的。
如今市面上确实有很多AI课程、培训、认证，然而这些东西服务的是“已经在用AI的人”，只能帮忙加速，却当不了普及工具。
在这样的背景下，飞书做了一个调整。
2023年起，飞书发起“效率先锋”，鼓励员工分享如何用工具把事情做得更快。这套逻辑在当时是成立的，它回答的是一个非常具体的问题：普通员工，能不能借助工具，把已有的工作做得更高效一些。
这个问题本身没有过时。直到今天，效率依然是企业运转中非常重要的一部分。
但当AI开始更深入地进入工作之后，我们也逐渐意识到，仅仅用“效率”来衡量AI的价值，是不够的。
原因不在于效率不重要，而在于——它更容易衡量“谁做得更好”，却不容易反映“有多少人开始使用”。
在实际的组织里，那些更擅长学习新工具的人，往往更早用上AI，也更容易在效率上取得提升。他们的成果更可见，也更容易被当作标杆。
这是一件自然发生的事情，也没有问题。
但如果评价体系只停留在这里，就会有一个客观结果：
AI的价值，更多体现在一部分人身上，而不是扩散到整个组织。
那些一线执行者、跨部门协作者、依赖经验判断的岗位，并不是不需要AI，只是他们很难用“效率提升”来证明自己已经开始使用AI。
于是，一部分人在不断进阶，而另一部分人，还停留在“尚未开始”。
这不是能力问题，而是一个更容易被忽略的结构性现象。
也正是在这样的观察下，“AI先锋”出现了。
它并不是要取代“效率先锋”，而是试图补上另一块同样重要的维度：
如果说“效率先锋”关注的是——你把事情做得更快了多少，那么“AI先锋”更关注的是——你有没有把AI真正带进自己的工作流。
这里的变化，不是降低标准，而是把“是否开始使用”本身，作为一件值得被看见的事情。
因为在AI这件事上，起点本身就很关键。
当一个人开始在日常工作中使用AI——不管是整理文档、处理数据，还是嵌入到流程中做辅助判断——很多变化会在这个过程中自然发生，包括效率的提升、方法的改变，甚至工作的重新分配。
换句话说，效率往往是结果，而“用起来”才是起点。
这件事为什么该飞书来做，而不是培训公司或咨询机构？
这很好解释。
任何行为的改变，都得发生在行为本身发生的地方。一家培训公司能教你用AI，但只有飞书能把AI变成你每天打开文档、表格、开会时，自然就会碰到的东西。
当你在工作中随时能碰到它、使用它，你自然而然就接纳了它。
吕坤对此很有发言权。他在四维图新做了20年质量管理，一直有一个心病：公司里那批最资深的审核专家，一旦退休，几十年积累下来的判断经验就跟着带走了。
他不是没试过留住这些经验。整理文档、做培训、写规范，能想到的都试过，但越做越发现，很多东西真的写不清楚。那种“一眼看出这里有问题”的直觉，无法通过文字进行留存。
后来他换了个方向，引入AI，让它去学习这些判断逻辑，再通过飞书嵌进一线的审核流程里。效果慢慢出来了，AI开始不只是记录，而是真的在流程里给出提示和识别。
最终，质量问题的识别效率提升了60%。
那些原本只活在某几个人脑子里的经验，第一次变成了组织真正能用的东西。
在雅迪安徽分基地做精益工程的魏云，也有相似的感受。
她面对的是另一种日常消耗：巡检数据散在十几个系统里，一线班组长想查一个问题，得在好几个部门之间来回跑，效率低不说，也很容易有错漏。
不是不能等公司统一搞系统，但太慢了，不知道要等到什么时候。魏云直接用飞书多维表格把数据先串起来，把关键异常设成自动推送。
数据一通，事情就变了。
班组长不用靠等别人的通知，来被动地决定要不要处理问题，系统一提示，就能跑起来。
节省时间是一方面。更大的变化是，一线开始有了自己判断和响应的能力。整条工作线也被带动地活泛起来，大家工作起来也更有干劲了。
还有华熙生物的朱朝冉，学视觉设计出身，没有任何技术背景。
刚接触AI那段时间，他抱着一种很淳朴的研究精神，觉得要用AI就得先搞懂AI，然后去啃技术论文，看了几篇，头大，于是放弃。
后来他想通了一件事：研究再多，都不如直接用。
整理会议、梳理数据、搭智能体，不管要做什么，总之先用起来，再在用的过程里慢慢搞清楚它能做什么、做不到什么、怎样能做得更好。现在他跟AI合作的方式，更像跟一个随时在旁边的同事协作，而不是操作一个要先考证才能上手的机器。
三个人，三种不同的与AI合作的方式，但有一个共同的地方：没有一个人是被培训出来的。他们都是在真实的工作里，被问题推着卷进AI的。
在这些真实的案例里，AI不只是一个被调用的工具。它开始进入流程、参与判断，甚至在无形中改变了工作的分工方式。
然而，这样的人仍然是少数。
一家连锁零售企业的区域督导，每天要跑巡店报告、盯库存数据、排人员班次，光是应付这些就已经够呛。他当然听说过AI，但每次看到提示词工程、AI助手这些词，脑子里下意识的反应就只有“这不是我该搞的东西”、“我搞不懂这些”。
后来公司引入了飞书。他没有专门去学，只是照常做工作。但系统会自动帮他整理数据、生成周报、标出异常，提醒他有哪些注意事项。
在他自己都没意识到的时候，AI改变了他处理事情的方式。
这足以说明一个现实。对很多一线员工来说，“被AI取代”是一个很难放下的心病，但“让AI帮我搞定一些烦人的事”，却是完全可以接受的。
这样看来，AI落地的关键，从来不是功能有多强，而是它用什么姿势进入工作。
很有趣的是，如果直接问员工“你会不会用AI”，十有八九是否定的；但换一种问法，问工作里有哪些重复的事情，希望有人来帮忙，几乎每个人都能说出来一堆。
这中间的距离，可能就是AI落地过程中最关键的那段。
不完全是能力差距，也不只是认知问题，更像是一种还没完成的迁移，从不得不学习一种新工具，到我用新能力更好完成了工作。
这也是为什么，飞书把重点从“培训员工使用AI”，转向“让员工在工作中自然接触AI”。
别让员工觉得自己需要额外学习才能使用AI，而是要把AI嵌入文档、表格、会议这些高频场景里，先习惯，再自然地用起来。同时，“AI先锋”这样的项目也可以把来自其他企业的先进实践经验汇集成可供参考的路径，让后来者不必从零开始。
从“效率先锋”到“AI先锋”的变化，某种程度上，也是在回应这个过程，不再只关注谁能做得更好，而开始关注谁已经进入这场变化。
从这样的视角来看，那些还没开始的人，也许不是拒绝AI，只是还没碰到一个足够低门槛的入口。
在AI时代，真正稀缺的，不是把事情再做快10%的人，而是那些愿意把AI接入自己工作流的人。
因为只有他们，才会推动组织发生真实的改变。
文中观点仅为作者观点，不代表本平台立场
