# 個人會用AI，部門為什麼還用不起來

> 很多部門已經有人用AI寫文案、查資料、做初稿。工具買了，培訓做了，使用人數也在增加，於是大家很容易得出一個結論：AI已經在部門裏用起來了。

來源：https://www.starbox.work/zh-hant/insights/ai-adoption/fde129/（星盒AI 知識中心，更新於 2026-10-14）

很多部門已經有人用AI寫文案、查資料、做初稿。工具買了，培訓做了，使用人數也在增加，於是大家很容易得出一個結論：AI已經在部門裏用起來了。

可真正的考驗發生在日常工作中。

最會用AI的員工不在，相關工作還能不能繼續？同一項任務換個人操作，結果會不會相差很大？增加人員和時間之後，產量能不能相應提高？

如果這些問題沒有解決，AI帶來的仍是少數人的效率提升，還沒有成為部門可以持續使用的生產能力。

## 試過AI，不等於進入生產

麻省理工學院（MIT）Project NANDA開展的一項2025年企業AI研究顯示，超過80%的企業已經試用過ChatGPT、Copilot等AI助手，但在圍繞具體業務開展的定製化試點中，真正進入生產環節併產生可衡量業務價值的項目只有5%。

研究用“learning gap”概括其中的差距，中文可以理解為“學習鴻溝”：AI已經能夠處理一些工作，企業的人員安排、工作流程和組織架構卻沒有同步調整。技術可以完成一次任務，不代表企業已經能夠持續獲得合格結果。

國內企業也有相似現象。《中國企業家人工智能應用調研報告（2025）》顯示，國內使用AI的企業佔89.84%，設立AI專職團隊的企業只有16.41%。這組數據説明，AI工具的使用已經相當普遍，專門負責AI應用的團隊仍然較少。

因此，判斷一個部門有沒有真正用好AI，不能只看多少人在使用工具。更重要的是，使用過程中形成的經驗有沒有成為部門共同掌握的方法。

![個人會用AI，部門為什麼還用不起來](/static/img/insights/ai-adoption/fde129-2.jpg)

## 部門產能，要看三項實際結果

所謂“部門產能”，是團隊持續、穩定地交付合格結果的能力。它至少要經得起三項檢查。

- **工作能否交接。** 操作步驟、所需資料和處理方法已經留下明確記錄。換人以後，新接手的員工可以依據現有資料繼續工作。
- **質量能否統一檢查。** 事實是否準確、內容是否合規、表達是否符合品牌要求，都有共同的驗收依據，不再完全依賴個人感覺。
- **產量能否隨着投入增加。** 增加人員、時間和資源以後，產出可以相應提升，不會始終受限於某一個人的工作量。

這三項結果分別對應可交接、可驗收和可擴大。只要工作仍然離不開某個人的記憶、習慣和當天狀態，部門擁有的就只是個人技能。

![個人會用AI，部門為什麼還用不起來](/static/img/insights/ai-adoption/fde129-3.jpg)

## 個人經驗怎樣變成部門能力

要完成這一步，部門需要建立四項機制：知識庫、明確分工、質檢標準和固定的復盤安排。

**知識庫保存可以重複使用的經驗。**

個人使用AI時，通常知道應該補充哪些背景、參考哪些資料、避開哪些問題，也知道哪些結果必須重新核對。這些判斷如果只存在於個人記憶中，換人之後就要重新摸索。

知識庫是一套可以查詢、重複使用並持續更新的內部資料。企業把行業知識、過往案例、常見問題的處理方式和注意事項整理進去，員工使用AI時才有共同的參考依據。

**分工機制明確每個環節由誰負責。**

一個人嘗試AI，可以同時處理選題、生產、檢查和發佈。進入部門協作以後，誰確定方向，誰生成初稿，誰檢查質量，誰跟蹤效果，都要根據實際業務寫清楚。AI參與哪些環節、人員承擔哪些環節，也需要明確。

分工含糊時，多個人都在參與，卻可能沒有人對最終結果負責。責任落實到具體環節，出現問題後才能判斷應該調整哪裏。

**質檢標準把個人判斷變成共同要求。**

個人可以憑經驗判斷一份內容是否可用，部門長期生產則需要可以逐項核對的標準。例如，是否存在事實錯誤，是否違反法律法規或平台規定，表達是否符合品牌一貫的方式。

沒有共同標準，同一套AI工具交給不同的人，結果仍會明顯波動。產出無法統一驗收，也就難以批量交付。

**固定復盤讓流程根據實際結果繼續調整。**

“復盤”是指按照固定週期回看數據、問題和處理結果。部門需要觀察產出數量、單條內容所需時間、更新頻率發生了什麼變化，問題集中出現在哪個環節，哪些處理方法確實有效。

沒有固定安排，問題只能等人偶然發現。即使有人解決了，方法也可能沒有保存下來，下一次仍要重新處理。

這四項機制解決的是不同問題，也會相互影響。知識庫需要有人維護，分工需要驗收標準，已經建立的流程還要根據復盤結果持續調整。任何一項長期缺失，個人經驗都難以穩定地轉化為部門能力。

![個人會用AI，部門為什麼還用不起來](/static/img/insights/ai-adoption/fde129-4.jpg)

## 內部摸索並非不能做，難點在成本

許多部門會先讓員工試用工具，再逐步總結方法。這條路可以走，但從零開始意味着工具、資料、流程、分工和標準都要自行驗證，所需時間和試錯成本通常更高。

MIT Project NANDA的2025年研究給出了一組對比：企業通過採購成熟方案並與外部團隊合作推進AI應用，成功率約為67%；完全依靠內部搭建和摸索，成功率只有前者的三分之一左右。

這並不意味着內部團隊一定做不成。現實問題在於，缺少相關經驗的團隊需要逐項識別和處理問題。如果穩定流程尚未形成，負責探索的人已經離職或轉崗，前期積累就可能中斷。

成熟方案和外部合作可以提供經過實踐的方法，減少重複摸索。但外部團隊不能代替企業建立自己的工作流程。工具最終仍要進入企業的日常業務，內部人員也要能夠繼續使用和維護。

麥肯錫《2025麥肯錫AI應用現狀調研》（大中華）指出，真正從AI應用中取得較好績效的企業僅佔6%。AI工具已經得到廣泛使用，能夠持續獲得業務結果的企業仍然很少。

![個人會用AI，部門為什麼還用不起來](/static/img/insights/ai-adoption/fde129-5.jpg)

## 培訓、採購和換模型為什麼都不夠

**培訓可以幫助員工認識工具，卻不能直接建立部門能力。**

如果培訓結束後沒有具體業務場景、內部資料、操作規則和持續實踐，員工很容易回到原來的工作方式。參加過培訓只能證明接觸過AI，不能證明部門已經能夠持續交付。

**採購工具只是開始，後續還要安排怎樣使用。**

由誰操作、在哪個環節使用、結果交給誰檢查、出現問題怎樣處理，這些事情沒有明確，工具就很難進入日常生產。超過80%的企業試用過相關工具，真正進入生產的定製化試點卻只有5%，已經説明採購和落地並不是同一件事。

**產出質量波動，也不能全部歸因於模型。**

這裏所説的“模型”，是AI工具理解任務並生成結果所依賴的技術。模型能力會影響產出，企業資料是否完整、任務目標是否清楚、流程是否合理、人員如何分工、結果由誰驗收，同樣會影響質量。

如果資料不足、要求含糊、驗收標準缺失，更換能力更強的模型以後，原有問題仍可能存在。遇到質量不穩定，需要檢查整個工作過程，不能只更換工具。

![個人會用AI，部門為什麼還用不起來](/static/img/insights/ai-adoption/fde129-6.jpg)

## 先做成一個場景，再決定是否擴大

部門剛開始建立AI產能時，沒有必要同時調整所有業務。更容易執行的辦法，是先選擇一個結果可以量化、能夠較快看到變化的場景，例如內容生產。

團隊可以在這個場景中把知識、分工、驗收和復盤納入日常工作，通過實際運行判斷這套方法是否有效。結果達到預期，再向其他業務推廣；問題仍然較多，也能在範圍較小時找到原因並調整。

這樣做的價值，是先用真實結果驗證方法，再決定後續投入。相比一開始全面鋪開，單點驗證更容易控制試錯範圍，也能減少大範圍返工。

## 常見問題

### AI運營官和普通“會用AI的運營”有什麼區別？

會用AI的運營，主要是在個人工作中藉助AI提高效率，結果仍然較多依賴個人經驗。

AI運營官負責讓整條內容生產流程持續運行，包括維護知識庫和執行規則、安排協作、檢查結果、跟蹤數據並組織復盤。這個崗位關注的不是個人多完成幾項任務，而是團隊能否按照共同的方法持續生產。

### 部門AI化多久能看到效果？

不同企業的業務、投入和現有基礎不同，沒有統一期限。

可以參考較常見的做法，設定一個3至6個月的觀察週期，提前確定產出數量、單條內容所需時間、更新頻率等指標，再根據實際數據判斷流程是否有效。

### 只有一兩個人會用AI，要先招人再建流程嗎？

不一定。

增加人員可以補充執行力量，卻不會自動形成知識庫和質檢標準。新人進入一個沒有資料和驗收依據的團隊，同樣需要從頭摸索。

更合理的順序是先整理已有經驗，建立基礎知識庫和質檢標準，再根據實際工作量決定由現有員工承擔，還是增加人員。

### 通用大模型和企業專屬AI系統有什麼區別？

通用大模型是面向普遍需求、可以處理多種任務的AI工具，常見的聊天助手就屬於這類產品。在沒有接入企業內部資料和固定設置的情況下，它不瞭解一家企業的具體業務，輸出方式也容易隨着每次輸入發生變化。

企業專屬AI系統內置企業自己的知識庫，可以設置相對固定的表達要求，還能自動執行部分重複任務。兩者的差別不只在模型能力，還在於系統中是否包含企業資料、統一規則和自動執行流程。

個人使用通用工具可以提高效率。部門要形成穩定產能，通常還需要把企業知識、執行規則和工作流程放進一套可以持續使用的系統中。

### 知識庫要完善到什麼程度才能開始使用？

不需要一步到位。

可以先整理最常用的案例、標準資料和常見問題，優先滿足使用頻率較高的場景，再根據實際工作中發現的問題持續補充。邊使用邊完善，比等待知識庫全部建好以後再開始更容易執行。

### 怎麼判斷AI產出已經成為穩定產能？

可以安排一次直接測試：讓負責相關工作的員工連續兩週不參與，觀察其他人能否依據現有資料和流程繼續完成任務。

如果產出明顯減少，甚至接近停止，説明工作仍然依賴個人技能。如果其他人能夠接手，質量也沒有明顯下降，説明部門建立的機制已經開始發揮作用。

部門真正需要留下的，是人員發生變化以後仍能繼續運行的工作方式。