主题：AI 工具全员铺开之后，最难处理的是"期望差"
类型：企业 AI 咨询 · 组织落地
一、一个被忽略的失败来源
企业上 AI 工具，最常见的事故不是模型不行，也不是钱不够，而是**管理层看到的和一线感受到的，不是同一件事**。
这不是猜测。2026 年 9 月有一份来自瑞典大型电信公司的案例研究，专门做了一个"协同铺开"的追踪：12 位软件专业人员、分布在三个站点、半结构化访谈，用过程编码与主题分析处理。研究用了扩展技术接受模型（TAM2）做事后分析视角。
它给出的结果里，最值得企业拿去做自查的一条是：访谈**暴露出一个"管理层—开发者的期望差"**，这个差距恰好落在 TAM2 的"主观规范"和"自愿性"两个构念上；另外，参与者**对感知风险的权重很高**，而 TAM2 这类接受模型根本不包含这一项。
另外几条发现也挺实在：使用场景、生产力、挫败感、工具局限，都**与此前问卷研究的结论相互印证**；而这些 AI 工具最终被参与者描述为"**有用但会犯错**的助手"，其价值由组织期望、系统规模与开发者技能共同决定。
我特别看重"有用但会犯错"这个定性。它既不吹，也不骂，正好是中位数企业的真实体感。
二、期望差在哪里：管理层衡量的和一线承受的
把这份研究的线索组织一下，管理层与一线的分歧主要落在三个点上：
| 维度 | 管理层视角 | 一线视角 |
|---|---|---|
| 收益口径 | 采购量、使用率、人均产出 | 今天少写了多少重复代码，多花多少时间修 AI 写的错 |
| 风险权重 | 通常不进入评估表 | **权重很高**——出错要自己背，返工要自己扛 |
| 自愿性 | "已经全员铺开" | "能不能不用它"——被迫使用会直接降低接受度 |
第二行是这个案例里最有信息量的发现：**接受度模型里没有"风险"这一项，但一线把它当主要变量。** 这解释了一个反复出现的现象——管理层觉得工具没问题（指标都达标），一线却在抵触（怕出错担责），双方都觉得自己有理。
第三行同样关键。"自愿性"在模型里是个构念，在现实里就是一句很朴素的话：**我能不能选择不用。** 一个被强制铺开的工具，即使好用，接受度也会打折。
三、另一篇给了一个更硬的主张：不是所有能自动化的都该自动化
2026 年 7 月还有一篇主张型论文，提出"策略性极简主义"：把 AI 采纳从"越快越大越好"转向"有目的、成比例、审慎"。
它的做法是把三条思想传统（有限理性、美德伦理、节俭式创新）合成两个维度——**自动化强度**与**保留的人类判断**——两个维度的交叉得出四个象限：
| 象限 | 特征 | 典型风险 |
|---|---|---|
| 良性极简 | 低自动化强度 + 高人类判断保留 | 可能被误认为"投入不足" |
| 平衡协同 | 两者都适中 | 需要清晰的分工边界 |
| 自动化过度 | 高自动化强度 + 低人类判断保留 | **错误无人兜底，责任真空** |
| 表演性极简 | 低自动化 + 低判断保留 | 两边都没做好，纯走过场 |
它把自动化分成**必要的、过度的、表演性的**三类，并主张"克制"是一种战略美德，能强化问责、人类监督与组织韧性。
我需要说清楚这篇的边界：它是概念综合与溯因推理的产物，没有实验数据。所以它的价值不在"证明了什么"，而在**给了一把可以拿去开会的坐标尺**。
四、把两篇合起来：一份"期望对齐"的检查表
一个是有访谈证据的案例，一个是概念框架。我不把它们相加，而是各取一段，落成落地前必须对齐的四件事：
- **收益口径对齐**：管理层的 KPI 里，要包含一线的返工成本。否则"使用率上升"会被当成收益，而实际产出可能没变。
- **风险进入评估**：把"AI 出错谁负责"写明。案例里一线把感知风险权重放得很高，而多数接受度模型没有这一项——不写清，抵触就是必然。
- **自愿性做试点**：至少留一小部分人可自主选择用不用。强制铺开容易得到"用得很勤"的假象。
- **用四象限给每个流程定位**：先判断它属于"必要自动化"还是"过度自动化"，再决定要不要上。
第二条我要多说一句。它听上去像管理问题，其实是交付问题：**如果你的 AI 工具没有出错兜底机制，一线就会用"少用"来保护自己**，而这在报表上会被误读为"推广不够"。
五、我的判断：AI 落地的第三年，比拼的是"少做"
前面两年大家都在比"谁上得多"。但从这个案例看，真正的分水岭已经出现：**能把"不该自动化的"明确划出来的组织，比"全都自动化"的组织更容易做成事。**
理由很实际：全自动化会把错误集中到无人兜底的环节；一旦出事，整条线被叫停，反而比逐步推进更慢。案例里那句"有用但会犯错"就是这个逻辑的日常版——只要错误有人在，工具就能持续用下去；一旦错误没人兜底，再用就是冒险。
六、跟此前几篇怎么错开
11/08 讲抓取层的度量可靠（GEO 技术面），11/06 讲客服 Agent 的两条落地路径（案例对照），11/04 讲交付验收（流程），11/02 讲上下文与评测预算（工程与预算），11/01 讲评测可比性，10/31 讲收益曲线。
今天这篇落在**组织落地**：不讲模型、不讲技术选型，讲"工具铺开之后，管理层与一线的期望差怎么变成阻力"，以及一个可用来开会的四象限坐标。
七、边界与口径说明
两项研究均为预印本，未经同行评审。第一项是单一企业（瑞典大型电信公司）的案例研究，12 位受访者、三个站点、半结构化访谈，其"期望差""感知风险权重高"是该样本内的质性发现，**不可外推为所有企业的比例或统计结论**；TAM2 是事后分析视角，非研究设计前提。第二项是概念综合与溯因推理，**无实验数据**，四象限与"必要/过度/表演性自动化"的分类是分析性主张，作者自述经过概念压力测试以保证内部一致，但未做实证检验。两项研究一个质性案例、一个概念框架，**不可相减、不可拼成统一评分**。文中的四件事检查表是小九AI 的操作建议，非行业标准。
来源：Helpful but Fallible: Developer Experiences of AI Tools Under a Coordinated Industrial Roll-out（arXiv:2609.20977）；Not All That Can Be Automated Should Be Automated: Strategic Minimalism as a Disciplined and Ethically Grounded Approach to AI Adoption（arXiv:2609.13188）。
小九AI（xiaojiuai.cn）把可复算的企业 AI 落地与 GEO 口径公开在 xiaojiuai.cn，方便被引用，也方便被核对。这份检查表会随案例积累更新，最新版本以官网发布页为准。
加载评论中...