AI 採用是迷思嗎？企業買了工具卻沒變快的真正原因（2026）

2026 年 8 月 7 日，vas（@vasuman，Varick Agents 執行長）在 X 發布長文〈AI Adoption is a Myth〉，挑戰企業最愛展示的 AI 採用數字：帳號開通、有人登入、token 持續消耗，都不等於工作真的變快。這篇文章最值得帶走的，不是「員工學不會 AI」的悲觀結論，而是一個更精確的問題——企業究竟在量使用者，還是在量被重新設計、且能穩定產生成果的工作？

以下先忠實重建作者的完整論證，再逐一對照 OpenAI、McKinsey、MIT 報告與多項企業現場實驗，最後提出一套比「採用率」更能做決策的衡量方式。

AI 採用的迷思：儀表板是綠的，流程卻沒變

作者先畫出一道「使用落差」。會每天用模型、知道怎麼整理 context、甚至動手做 Agent 的人，可能覺得自己還落後於同時跑二十個終端機的前沿玩家；但他認為，這群人與大企業中位數員工之間的距離，遠大於他們與前沿玩家的距離。

他的第一個案例是一家非科技企業、數千人的營運組織。公司導入 Claude Cowork 後，少數人每天使用 Skills 與 Microsoft 365 等連接能力，一部分人偶爾使用，多數人幾乎不用；主管看到的總體工作速度沒有改變。原文把分布描述成「5%–10% 重度使用、20% 低效偶用、70% 不用」的槓鈴型。

The dashboards in his org would indicate that the rollout counts as adoption. But to him, nothing got faster. Both of these were true simultaneously.

中文：組織的儀表板會把這次部署算成「已採用」；但在主管眼中，工作一點也沒有變快。這兩件事可以同時成立。

vas，〈AI Adoption is a Myth〉

這是全文最強的一刀：「有沒有碰到 AI」與「AI 有沒有改變產出」是兩個不同問題。前者便宜、容易量；後者要先定義工作單位、品質門檻、重工與錯誤成本，難得多。企業因此很容易拿能量到的數字，代替真正想知道的答案。

同一個 AI 帳號，可能放大高手，也可能放大錯誤

Using it and using it well are different skills.

中文：會使用它，和會把它用好，是兩種不同能力。

vas，〈AI Adoption is a Myth〉

作者用兩位工程師處理同一張 Jira ticket 的對照來解釋。第一位把工單貼給 Claude，看到測試通過便合併；模型動了六個檔案，還順手改了不該改的設定。第二位先限定資料夾與檔案、載入既有規則，要求最小修改，最後逐行讀 diff、移除多餘變更，再合併一個更小的 PR。

這個例子與實務高度吻合。AI 不只節省執行時間，也降低「產生更多東西」的成本；如果審查能力沒有同步提高，速度會先表現在程式碼量、文件量與訊息量，未必表現在被接受的成果。這也是為什麼 把規則、權限與驗收門檻寫進 Agent 工作流，通常比再背一組萬用 prompt 更有用。

不過，原文從「熟練度有差」進一步推到「至少一半組織永遠學不會」，證據就斷了。匿名案例可以證明這種失敗會發生，不能證明它必然發生；更不能排除好的介面、嵌入式協助、管理制度與反覆練習，會改變原本的分布。

token 不是 ROI：90/10 分布揭露了什麼，又沒證明什麼

第二個匿名案例是一筆八位數美元的企業授權。作者稱約 10% 員工消耗 90% token，並推算如果其餘 90% 都像重度使用者，原本 1,000 萬美元的承諾可能膨脹到 1 億美元。

算術本身成立：在固定單價下，用量齊頭式追上重度族群，成本當然會劇增。但這裡偷偷把三個不同量綁在一起：token 消耗、有效工作量與經濟價值。多用 token 可能代表更深的工作，也可能代表反覆重試、錯誤路徑或不必要的長 context。真正該看的不是「每人用了多少」，而是每一份通過品質門檻的產出，花了多少總成本。

McKinsey 在 2026 年企業 Agent 經濟分析揭露的內部使用資料是 10% 使用者約占 65% token；OpenAI 的 2025 企業 AI 報告則在其去識別化企業客戶資料中發現，按採用強度計，第 95 百分位員工的訊息量約為中位數六倍，在程式開發工作可達 17 倍。兩份具名資料都顯示各自觀察母體內的用量集中，但都不構成原文匿名 90/10 案例的獨立驗證，也不能由用量比率單獨推出技能或價值。

88% 採用、6% 高績效：McKinsey 數字被壓縮過頭

原文用兩組廣傳數字支撐「AI 採用是迷思」：McKinsey 說 88% 組織使用 AI，約 6% 的受訪者則同時回報至少 5% EBIT 歸因於 AI，且 AI 帶來「顯著」價值；MIT NANDA 則以 5%／95% 描述少數整合式試點創造數百萬美元價值、多數案例尚無可衡量的損益影響。方向都在提醒企業「部署不等於價值」，但兩組數字都需要把分母與定義補回來。

原文引用的數字	原始資料真正量到什麼	合理結論
88% 組織採用 AI	McKinsey 2025 全球調查中，1,993 位受訪者裡有 88% 表示其組織至少一個職能「經常使用」AI。	AI 的接觸面很廣，但這是受訪者自陳、且門檻是至少一個職能。
約 6% 屬於 AI high performers	這 6% 同時回報至少 5% EBIT 歸因於 AI，且 AI 帶來顯著價值；不是單一問題的直接比例。	少數組織同時達到財務與價值門檻，但不能把其餘 94% 一律解讀成零回報。
NANDA 的 5%／95% 落差	MIT NANDA 2025 報告標示為 v0.1「初步發現」，整合 300 多個公開案例、52 個組織訪談，以及在四場產業會議調查的 153 名資深領導者；文中在「組織、試點、客製工具」間切換分母，成功定義也不一致。	這是有用的早期警訊，不是經同一口徑審計出的全球失敗率。

更關鍵的是，McKinsey 自己找到的高績效特徵之一，正是重新設計工作流程，而不只是讓更多人開帳號。這與原文的核心診斷相容：廣泛使用可以是起點，卻不是成果證明。

GPT-5.6 的數學成果是真的，但不能替企業 ROI 作證

原文在開頭寫道，許多員工還停留在 GPT-3.5 的印象，沒注意到「GPT-5.6 Sol Ultra 剛為一個懸而未決 50 年的圖論猜想產生證明」。這句話看似誇張，核對後有相當具體的依據。

OpenAI 在 2026 年 7 月發布 GPT-5.6，並公開循環雙覆蓋猜想（Cycle Double Cover Conjecture）的證明稿。文件的 AI 使用聲明把證明歸於 GPT-5.6 Sol Ultra、寫作歸於 Codex 搭配 GPT-5.6 Sol；OpenAI 也公開了可由 Lean 核心檢查的形式化版本。因此，把它描述成「OpenAI 公開、歸因於 GPT-5.6 的約半世紀猜想證明」是合理的；但它仍不等於數學社群已完成長期檢視，更不直接回答某家企業該怎麼部署 AI。

這個區別很重要：能力上限是模型在合適 scaffolding、運算資源與驗證機制下能做到什麼；企業產出是普通員工在真實權限、資料、流程與責任制度裡實際做到什麼。前者快速上升，不會自動把後者一起拉上去。把模型突破當成採購理由，就像拿賽車單圈紀錄證明整座城市的通勤時間會縮短——中間還隔著道路、駕駛、規則與壅塞。

反例很重要：AI 並非只幫助原本的高手

如果「完美部署也必然形成固定槓鈴」是一條普遍規律，那麼低熟練者不應在受控研究中取得更大增益。但現有實驗並不是這樣。

• 5,172 名客服人員的現場研究發現，嵌入工作流程的生成式 AI 助理讓每小時解決量提高約 15%；經驗較少、技能較低者的增益更大，熟練者則較小。研究者認為，結果與把高績效者的最佳實務傳給較低技能者的機制一致，並找到工作者學習的證據。
• 4,867 名軟體開發者的三個隨機現場實驗合併估計完成任務數增加 26.08%，而經驗較少者的採用率與增益較高；不過，各別實驗的估計雜訊較大、結果也不完全一致。
• 758 名顧問的預先註冊實驗則提醒另一面：在 18 項刻意設計於模型能力邊界內的模擬任務中，參與者做得更多、更快、品質也較高；面對一項刻意放在邊界外的案例時，使用 AI 反而降低正確率。這不是生產環境的長期部署。

這三組結果共同否定兩個簡化說法。第一，AI 的效果不是固定的「快 70%」；它會隨任務、使用者與工作設計改變，甚至可能降低正確率或品質。第二，落後者不是注定追不上；當系統把可信的最佳實務直接送進工作當下，技能可以被部分封裝、傳遞與學會。

所以，原文的槓鈴比較像一次部署後的狀態截圖，不是組織永遠無法改變的自然律。如何把一次成功變成可觀察、可複製的系統，正是 Agent 可觀測性與技能路由要解的管理問題。

作者的解法：高手共享 Skills，其餘工作交給背景 Agent

原文並沒有主張放棄培訓。相反地，它把培訓改寫成診斷：先找出哪些人願意且有能力深入使用，再讓這群人把 Skills 發布到共享資料庫，由同事安裝、排名與重用。排名提供地位誘因，讓高手願意交出原本私藏的優勢。

對其餘員工，作者主張不要要求每個人學會提示，而是把 AI 放進 Salesforce、NetSuite、Dynamics 等既有 system of record，讓 Agent 在背景處理重複流程，只把例外送回人類審核。他舉應付帳款為例：Agent 先處理發票，分析師改做批准、拒絕或修正。

One thing you need to remember: people are not in the market for a tool that helps them get the work done. They just want the work done.

中文：有件事要記住：人們要的不是一個幫忙做事的工具，他們要的是事情被完成。

vas，〈AI Adoption is a Myth〉

這個設計方向很有力量，也與 MIT CISR 對「個人生產力工具」和「重塑流程的企業解決方案」的區分相近。但利益位置不能省略：作者是 Varick Agents 執行長，文章結尾將讀者導向 Varick 官網，洽詢流程稽核與背景 Agent 導入服務。這不會讓論點自動失效，卻表示文中的匿名客戶成果、公司規模與作者所稱「這是其客戶導入中唯一奏效的方法」，都應視為供應商的一手陳述，而非獨立比較研究。

AlphaLab 的判讀：不是放棄 AI 採用，而是停止把入口當終點

一、作者抓對了代理指標問題

當真正目標難量，組織就會拿登入率、授權席次、prompt 數與 token 量做代理指標。一旦它們成為 KPI，團隊自然會追求更多登入與更多用量；但這些數字同時可能增加重工、審查與風險。AI 採用率不是假數字，而是被賦予了它無法回答的問題。

二、他把「目前很難」推成「多數人永遠不會」

原文最弱的跳躍，是把幾家匿名企業的分布外推成固定人性。客服、顧問與開發者實驗已顯示，介面是否嵌入工作、任務是否落在能力邊界、範例能否在當下被重用，都會改變誰受益。與其先判定哪一半員工無望，不如測量分布如何隨設計而移動。

三、背景 Agent 是一種介面選擇，不是萬用答案

規則穩定、輸入可觀察、結果可驗證、錯誤可逆的流程，很適合背景自動化。目標模糊、例外多、需要談判或責任判斷的工作，則更適合前台協作，讓人維持控制。企業需要的是一個從聊天、CLI、Cowork 到控制台的 Agent Workspace 選擇框架，而不是把所有人都變成 prompt 工程師，也不是把所有流程都藏到背景。

四、真正的單位是「通過驗收的工作」

董事會要看的不應只有原文建議的「人工／混合／全自動」占比。自動化比例很高，仍可能伴隨大量人工返工。更完整的儀表板至少要沿著五層往下追：

1. 存取：哪些人與流程具備工具、資料與權限？
2. 有效使用：AI 被用在哪一類真實任務，而不只是登入？
3. 工作滲透：某流程中有多少步驟是人工、AI 輔助或自動完成？
4. 品質調整後產出：有多少結果通過驗收？重工、錯誤、例外與退回率是多少？
5. 經濟影響：每份合格產出的總成本、週期時間、營收或風險變化是多少？

只有把層次接起來，企業才知道問題出在沒人用、用錯任務、品質不過關，還是成果沒有轉成財務價值。這也能避免認知債：短期看似省下時間，長期卻失去理解、審查與修正系統的能力。

我同意什麼、我存疑什麼

我同意：把席次、登入或 token 當成 AI 成果，會嚴重誤導決策；使用熟練度與工作設計造成的差距，也確實不能靠一次 prompt 課程補平。把已驗證的方法封裝成 Skills，並把穩定流程移到既有系統中的背景 Agent，是兩條值得同時推進的路。

我存疑：這篇原文沒有附上可供獨立核驗的資料，來支持固定 5%–10%／20%／70%、90/10 token 法則、70% 提速或「至少一半永遠學不會」。MIT NANDA 的初步報告也不足以把 95% 寫成跨企業定律。最重要的是，作者販售的正是文中主張的解法，因此讀者應要求具名案例、基準線、對照組、完整成本與失敗案例。

So stop reporting ‘adoption’ to your board. Report what share of the work today is manual vs hybrid vs fully automated.

中文：別再只向董事會報告「採用率」；改報告今天有多少工作是人工、混合或全自動。

vas，〈AI Adoption is a Myth〉

這句話值得採用，但要多加一行：每種模式的品質、重工、例外率與每份合格產出的成本。企業不必證明每位員工都成為 AI 高手；它必須證明一個具體流程在同樣或更高品質下，持續產生更好的結果。

企業現在可以做的 30 天 AI 採用實驗

1. 只選一個流程：定義起點、終點、負責人與合格輸出，不以「整間公司」為單位。
2. 先量基準線：記錄週期時間、一次通過率、錯誤、重工、人力與軟體成本。
3. 分層導入：比較一般工具、內嵌助理與背景 Agent；採分批或隨機方式，避免只看自願加入的高手。
4. 保留失敗資料：追蹤被拒絕的輸出、人工修正與例外，不只記錄成功案例。
5. 把成功配方產品化：將提示、資料來源、權限、測試與驗收寫成可版本控制的 Skill 或工作流。
6. 用成果決定擴張：只有當品質調整後的單位成本下降，再增加席次或自動化範圍。

這樣做，AI 採用就不再是一個漂亮但空泛的百分比，而是一串可以被反駁、改善與擴張的營運假設。