我没惹任何AI，只是没用了

文章封面这几年我一直在AI社群里看到一个很奇怪的现象。一边是讨论越来越热闹新模型、新工具、新概念几乎每天都在刷屏。另一边是真正把AI用进工作、用进流程、用进产出的人始终是少数。如果只看舆论你会觉得AI已经进入大众阶段。但如果真的在AI社群里待久一点就会看到另一种现实很多人一直在关注AI一直在讨论AI但很少人真的把AI用进自己的工作里。这可能正是AI和过去很多技术最不一样的地方。过去很多技术的逻辑是先扩散后改变。也就是说先有越来越多的人掌握技术社会才会慢慢被改写。但AI可能不是这样。我现在越来越强烈地感觉到AI的扩散速度和AI的影响速度未必是同步的。在我长期观察的AI社群里真正深度使用AI的人其实仍然是少数。如果只看社群结构我甚至会觉得它可能还远远没有进入真正的大众扩散阶段。但变化已经开始出现了。为什么因为AI不是一个普通工具。它不是只在某个环节提高一点效率不是只帮你快一点、便宜一点、自动一点。它真正特殊的地方在于它同时进入了语言、知识、判断、执行和协作这几个最基础的层面。而这几个层面本来就是绝大多数工作和组织运转的底层接口。所以AI真正危险的地方不是它会不会替代某个岗位而是它会不会让很多原本必须存在的中间环节突然失去存在的必要。如果是这样那么社会变化就不必等到50%的人都会用AI。它甚至不必等到13.5%的早期采用者完成扩散。它只需要少数构建者先把那条更短的链条跑通。变化就会开始。这也是我后来越来越想把这些观察整理成一个模型的原因。我把它暂时叫做AI参与模型。一、AI社群里其实一直存在三层人如果把这些年在社群里看到的人群状态做一个最简单的归纳我觉得大概是这样的AI使用人群结构这个结构很重要。因为它直接解释了一个我后来越来越强烈的感觉AI讨论的主体其实不是AI应用的主体。讨论最多的人不一定是用得最深的人。真正把AI变成工作能力的人反而始终是少数。很多人不是在学AI而是在围观AI。这不是一句刻薄的话它更像是我在很多群里反复看到的现实。很多人确实一直在参与AI但他们参与的方式更像是看信息看别人实践看新工具看热闹而不是稳定地进入实验和构建。二、AI社群最常见的不是成长曲线而是FOMO循环如果继续往下看你会发现AI社群还有一个非常稳定的特征很多人的参与方式不是连续成长而是跟着工具周期起伏。AI参与周期这个循环我看过太多次了。MidJourney是这样Stable Diffusion是这样GPT-4o、Gemini3、OpenClaw也差不多。新工具一出来群里会突然很热闹。有人转新闻有人发截图有人讨论未来有人开始焦虑。很多原本沉默的人也会被短暂激活。但通常过不了多久群又会重新安静下来。原因其实并不复杂。看一篇AI文章几分钟就够了刷一条这个工具太强了的内容也几乎没有成本。但真正把一个工具带进自己的工作可能需要几十小时甚至更久你要理解它、测试它、带入自己的场景还要承受前几次没效果的挫败。所以很多人其实都停在前半段知道、讨论、收藏、围观。真正进入试和做的人永远是少数。三、为什么大多数人会停在围观层如果把原因拆开我越来越觉得它不是一个简单的懒不懒的问题更像是几个阻力同时存在。AI学习阻力这四个因素叠在一起围观几乎就变成了一种自然结果。1. 信息过载AI最明显的特征就是信息太多而且更新太快。每天都有新模型、新工具、新概念、新框架如果长期刷这些内容很容易产生一种感觉这个领域每天都在发生革命。AI信息传播路径通常是这样的模型发布 → 媒体报道 → KOL解读 → 社群转发 → 围观讨论问题不是没人知道AI问题恰恰是知道的人太多了真正有时间验证的人太少了。2. 动手能力门槛真正把AI用深一点往往不只是会提问那么简单。你需要理解任务需要组织流程需要知道怎么测试、怎么调整甚至知道什么时候应该怀疑一个结果。这些能力不一定都叫技术但它们本质上都属于一种动手能力。而这恰恰是很多人最容易缺的部分。3. 试错成本和时间压力很多人其实不是不用而是没法用。现实工作里AI不是一个零成本尝试的东西你得花时间研究得忍受不稳定得接受前几次大概率没什么效果。如果一个人每天已经被工作压满那他最自然的选择就是先围观等成熟了再说。所以围观结构不只是个人选择很多时候它也是一种现实压力下的结果。四、AI社群为什么天然会形成围观结构如果把前面这些因素放在一起其实AI社群很容易长成下面这个样子AI参与模型漏斗这其实像一个漏斗最底层的人很多越往上越少。但真正有意思的是社群里的声音分布往往和这个漏斗是反过来的。五、为什么AI社群里的声音往往来自围观者这可能是我这几年最在意的一个现象。真实的实践结构是这样的构建者 少 实验者 中 围观者 多但社群里的声音结构常常是这样的围观者 最大声音 实验者 中等声音 构建者 最少声音为什么原因其实不复杂。真正做事情的人大部分时间都在做事他们在写代码、调模型、跑数据、做workflow、修bug。他们的状态更像这样测试 → 修改 → 失败 → 重试这种状态下很难高频发言也很少有精力天天讨论趋势。而围观者不一样。围观者的主要行为本来就是看、聊、转发、表达观点。而且他们表达的内容通常更容易传播因为它更情绪化、更轻、更快。比如这个模型要革命了AI要取代程序员了这个工具太牛了这些话传播起来很快。但构建者常说的话往往是这个API成本太高这个workflow不稳定这个场景下会失败这些内容更真实也更有用但它不刺激不适合制造热闹。所以社群里天然会出现一个错觉讨论最多的人好像最懂AI。但很多时候并不是这样。真正推动AI应用的人往往不在讨论的中心。六、AI扩散速度其实没有想象中那么快如果把这个问题放到更大的技术扩散视角里会发现它和经典的创新扩散理论有一点像又有一点不一样。经典模型大概是这样的创新者2.5% 早期采用者13.5% 早期大众34% 晚期大众34% 落后者16%过去很多技术都是在进入早期大众阶段以后才真正开始改变社会比如互联网、智能手机、个人电脑。但AI现在有一个很奇怪的地方从体感和很多社群观察来看真正深度使用它的人可能还远没有进入大众阶段。如果粗略对应一下AI现在更像这样创新者 / 构建者 ≈1% -3% 实验者 ≈5% -10% 大众阶段 远未完成按理说这种扩散程度还不应该带来这么大的变化但现实是变化已经开始了。这恰恰说明AI和很多过去的技术不一样。七、AI是一种高杠杆技术但它的杠杆不是单点效率如果把AI理解成一个更强的工具其实会低估它。因为它的杠杆不只是单点提效。它真正特别的地方在于它既能理解语言又能生成语言既能压缩知识又能重组知识既能辅助执行又能参与弱判断甚至还能覆盖一部分原本必须由多人协作完成的接口。这意味着它进入的不是某一个环节而是几个最基础的层面语言知识判断执行协作而这五层恰恰构成了现代组织和工作的很多底部结构。过去很多工作之所以需要多人不完全是因为任务本身复杂而是因为中间有很多环节必须拆开有人收集信息有人整理信息有人初步产出有人修改有人验证有人沟通协调。这些中间层本质上很多都建立在语言和协作之上。而大语言模型最危险的地方就在于它先攻入的恰恰是语言层。语言不是一个普通能力语言本身就是文明的接口。学习靠语言协作靠语言管理靠语言规则靠语言组织行动也靠语言。所以大语言模型的出现不只是多了一个会聊天的系统而是意味着文明最通用的接口开始被模型占领。一旦语言、知识、判断、执行和协作这几层同时被侵入变化就不是某一个岗位更快了而是多个中间环节一起被压缩。所以AI真正的高杠杆不在于1个人快了3倍、5倍。它更像是原本需要多轮交接的链条可以缩短原本需要多个角色协作的流程可以被重写原本需要中间层来传递和翻译的信息可以直接被构建者跨过这就是为什么AI的杠杆不是加法而更像是乘法。它不是提升一个动作的效率而是在同时削弱很多中间环节存在的必要性。这也是为什么我越来越觉得AI不是一项等到大多数人都会用社会才会改变的技术。它更像是一项少数人先掌握就足以重写很多链条的技术。八、为什么组织结构已经开始变化如果把这种杠杆放进公司里看逻辑会更清楚。过去的组织增长方式大概是这样的团队扩大 → 人力增加 → 产出增加但AI时代开始变成AI工具 → 能力杠杆 → 减少团队规模 / 提高单人产出所以很多公司现在做的事情并不一定是因为AI已经全面普及之后的结果更可能是因为少数人 AI已经开始替代过去一部分团队协作。变化不一定来自AI普及很多时候变化来自AI杠杆。九、总模型图把前面的东西全部串起来如果把今天讲的所有东西压缩成一张图我觉得大概是这样AI参与与扩散总模型这张图其实解释了三件事为什么AI社群天然容易围观为什么讨论很热闹但落地没有想象中那么多为什么真正掌握AI的人可能还很少变化却已经开始。十、最核心的一张图其实是这个如果把整个变化再压缩到最直观我觉得其实就是这张三个时代对比AI并不只是效率工具。它真正改变的是完成同样一件事需要经过多少中间层、多少轮协作、多少人。而这可能才是这一轮技术变化最不一样的地方。最后我越来越在意的不是谁知道得多而是谁真的开始了如果继续观察AI社群还会发现一个更细的现象很多人并不是固定停在某一层他们会不断来回移动。围观者 → 实验者 → 再次围观 → 再次实验因为AI变化太快FOMO又太强所以很多人并不是完全不参与而是一直在围观—尝试—退回围观之间循环。真正稳定停在构建层的人始终是少数。也正因为如此我现在越来越不太在意谁知道了多少工具、多少概念。我更在意的是谁真的开始了。因为讨论AI并不难真正难的是在自己的场景里把它用起来。而这一步可能才是大多数人一直没有跨过去的门槛。