人工智能生产力悖论：为什么大多数人没用上AI工具？

真正的障碍不是技术，而是思考的时间:

虽然像ChatGPT这样的工具确实有潜力带来变革，但我接触的大多数人几乎不用它。就算用的，也只是用来做些总结之类的小活儿。而在这些用户里，只有大约5%的人订阅了高级版，这意味着真正用AI来搞复杂任务的“高手”少得可怜。下面的内容主要来自Shopify的AI和广告产品负责人，前谷歌员工Julia Winn的观点。

在谷歌大脑和Shopify广告等公司做了十多年的AI产品，我也算是见证了AI一路走来的变化。随着ChatGPT的崛起，AI已经不再只是“锦上添花”的小玩意儿，而是成了知识工作者的“生产力神器”。

现在，几乎每个高层都知道AI不仅仅是噱头——他们迫切想让公司走在“AI前沿”，因为AI比以往更强大，也更易用。那为什么尽管大家看好AI，它的普及率却还这么低呢？真正的障碍其实是公司对待工作的方式。一些系统性的问题让这些工具没法顺利融入到我们的日常工作中。

最终，管理层更该问的问题不是“我们能不能用AI把事情做得更快？”而是“我们能通过AI创造更多价值吗？还有什么问题是我们没想到去问的？”

现实中的影响

前段时间，我用大型语言模型（就是ChatGPT背后的技术）来处理一个复杂的数据整理和分析任务。如果按传统方法，这个活儿至少需要一个数据分析师和一个内容设计师花一个月甚至更长的时间来搞定。

结果我在一天内通过Google AI Studio完成了以下任务：

• 把成千上万行杂乱的数据变成了结构化、带标签的数据；

• 让AI识别出这些数据中的关键用户群体；

• 基于这些模式，我设计了一种新的分类方式，能让用户体验更个性化。

当然啦，这可不是按个按钮让AI自动处理的。我在这过程中花了好几个小时写提示，提供反馈，每当AI跑偏了就立马纠正回来。

说白了，我压缩了一个月的工作量到一天内搞定了，但也真是费脑筋。不过，最后的成果不仅更快，效果也不一样。AI从这些杂乱无章的数据中找出了细微的模式和边缘情况，挖掘出了传统方法完全抓不住的洞见。

反常识的真相

问题的关键——也是理解我们AI生产力“悖论”的重点——在于：我的AI成功经验得益于有领导层支持我花整整一天时间，用AI重新思考我们的数据处理流程，把AI当成思维伙伴。

有了这样的支持，我才能深入地进行战略思考，探索那些平时需要几周才能发现的关联和可能性。

这种注重质量的工作，常常会在“赶进度”的压力下被牺牲，但它恰恰是创新的关键。说白了，大多数人根本没有时间去“研究怎么节省时间”。

有时间去探索，是许多产品经理不敢奢望的“奢侈品”。在持续的业绩压力下，大家几乎没有机会进行这种战略性的工作——很多人唯一能找到这类工作的时间，就是假装“生病请假”。他们每天被老板的指令和客户的紧急需求压得喘不过气，完全失去了对自己工作的“方向掌控”。再加上最近的裁员和行业缩减，许多产品经理每天光完成基本任务就要加班到12小时。

这种不断的压力，也阻碍了AI在提升执行力上的应用。制定稳健的测试计划或者主动查找AI潜在的问题，被视为“奢侈品”而非“必需品”。这就形成了一个很矛盾的局面：你为什么要用AI查找文档中的问题，如果解决这些问题只会延迟发布进度？为什么还要去做额外的用户研究和问题分析，如果方向早就已经从上头定了呢？

探索新路径——投资于人

让人们有时间去“搞明白AI”还不够，更多人还需要一点培训，明白如何让ChatGPT做的不只是简单的总结。不过，这种培训其实远没有想象中那么复杂。

市面上有不少AI培训课，有些确实是“忽悠”，但也有很多导师是有经验的专业人士。然而，大多数课程其实并不适合大多数人作为入门，因为它们太费时间，过于技术化，也很少和具体的工作结合。

我发现最有效的方法是花10到15分钟，和个人聊一聊他们的工作流程，找出可以用LLM加速的地方。你不需要懂什么“数学原理”才能写出一个好的提示语。

别相信“只有技术背景的人才适合用AI”这个误区。我发现，注意细节和对工作的热情，比年轻的技术背景更能让人成功。抛开偏见，你会发现谁可能成为你的AI达人。

我父亲是个六十多岁的律师，只用了五分钟就理解了LLM的用处。关键在于给他提供适合他领域的例子。我们一起想了一个法律上的复杂灰色地带，我让Claude（一个LLM）用边缘案例解释这个问题，就像给一名一年级法学院学生讲课一样。他看完AI的回应后，立刻明白了这项技术能在十几个项目中怎么用。二十分钟后，他已经写好了一篇他拖了好几个月的法学评论文章的开头。

很有可能，你的公司已经有一些AI爱好者了——这些“LLM专家”可能是工程师、市场专员、数据科学家、产品经理，甚至客服经理。发个通知，找出这些创新者，利用他们的专长。

一旦找到了这些内部专家，可以让他们安排一两个小时的“AI审核”，看看团队目前的工作流程，找出改进空间。他们也可以帮助创建适合的提示语，分享他们的AI操作流程，并提供一些技巧，帮助团队未来的故障排查和评估。

这样不仅可以省下请外部顾问的钱——这些内部专家更熟悉公司的系统和目标，更可能找到实用且有针对性的机会。而那些还在观望的人，也更愿意在看到同事使用AI时尝试，比起让“AI专家”来讲解要更自然。

在确保大家有机会学习后，还要保证他们在熟悉AI能力之后，能有时间在自己的领域探索这些工具。公司不能一边让员工去“用AI创新”，一边要求“到周五前再交一大堆功能”。要确保团队每个月能有几个小时用于探索。

在迈过AI应用的第一个坎之后，团队应该能找出最有前景的投资方向。到那时，你就能更好地评估是否还需要进一步的专业培训。

结论

AI的生产力“悖论”并不在于技术的复杂性，而在于公司对待工作和创新的方式。利用AI的威力其实并不复杂，不像那些卖认证的“AI大咖”讲的那样——通常只需几分钟的针对性培训。但这需要领导层在心态上做出转变。与其不断压缩短期的任务量，不如给员工创造探索和深度思考的空间。真正的挑战不在于“教会员工用AI”，而在于让他们有时间和自由去重新定义他们的工作方式。