人工智能在企业中的角色，正在从探索性试点转向被视为“必备能力”。在董事会关注投资回报率（ROI）的压力下，不少CEO启动了覆盖全公司的人工智能推广项目，管理层也相应加大在工具、平台和治理框架上的投入。然而，在实际执行中，人工智能的使用率并未同步提升，员工大量采用“变通做法”，风险暴露上升，预期价值迟迟未能兑现。

业内观察认为，多数失败并非源于技术本身，而是出在“采用设计”上。许多组织将人工智能视作一次IT系统上线或常规变更项目来推进：工具获批、政策下发、培训启动、使用被纳入考核，但缺乏对内部“产品”是否真正契合工作场景的审视。员工拿到工具，却没有清晰的价值主张；管理者被要求交付更高目标，却没有相应的能力和资源支持；治理机制更多强调控制，而非围绕学习和改进展开。

在这种模式下，结果往往具有相似特征：员工犹豫情绪上升，倦怠感加重，执行呈碎片化，尤其集中在承上启下的中层管理环节。

一位名为 Dana 的高管的经历，体现了这一问题。她在一家全球企业对企业（B2B）服务公司担任人工智能赋能副总裁，负责在八个月内向市场营销、销售和客户成功等部门部署已获批准的人工智能工具。法律和公关团队已完成合规审查，培训课程和使用监测仪表盘也同步上线。

从表面看，这一推广过程井然有序：仪表盘可以追踪登录次数、提示使用和授权情况。但在实际客户项目中，团队发现这些工具难以融入日常工作：有的平台增加了操作步骤，有的限制了输出形式，有的与真实工作流程脱节。在交付压力下，有的团队短暂尝试后放弃，有的仅在系统中完成最低限度的“打卡式”操作，而将核心工作转移到他们认为更快、更灵活的外部工具上。

Dana 将这种局面概括为“命令陷阱”：高层以自上而下的方式强推人工智能，而让中层在缺乏相应条件的情况下承担落地责任。她在复盘时表示，问题并非“抗拒变革”，而是“设计不当”。

这一情况与咨询机构在与企业高管开展人工智能采用相关研讨时的发现相吻合：团队往往会回到熟悉的工作方式，学习时间被日常交付挤占，能力建设被迫让位于短期目标。一些领导者将这种落差归因于员工对人工智能的“抗拒”，而不是识别并修正背后的结构性问题。

从执行教练与学习发展专家 Jenny 和人工智能策略师 Noam 的咨询与研究实践看，那些能够在组织内部真正规模化应用人工智能的企业，通常在三个方面的做法与众不同。

将“抗拒”视作工作流程信号

不少管理者习惯将犹豫和低使用率解读为“心态问题”。相关研究指出，犹豫更多反映的是风险判断：当期望不清晰、输出难以落地或政策模糊时，员工会选择在交付压力下优先保证速度和安全。如果人工智能工具让执行变得更复杂而不是更简化，采用自然会停滞。

中层管理者在这一过程中承受的压力尤为突出。他们既要在更高的效率要求下完成交付，又要引导团队尝试新行为、管理风险、应对不确定性，但激励机制、能力建设和决策权却并未同步调整。采用往往在这些压力汇聚的节点出现断层。

相关观点提出，可以将问题理解为“内部产品与市场匹配”不足：即内部提供的工具是否真正解决了具体工作流程中的问题，是否能在现实约束下被持续使用。基于这一认识，Dana 调整了推广策略，暂停简单的“合规推进”，转而集中精力解决团队在实际使用中遇到的具体障碍。

在这一框架下，建议的做法包括：

• 诊断犹豫来源：识别信任断裂点，例如输出不可靠、缺乏清晰的修订路径、审批流程过慢等，优先消除这些摩擦，再谈扩大使用。
• 聚焦小范围试点：从一个具体工作流程、一个明确结果和一支团队入手，围绕真实场景共同学习。
• 正面回应担忧：直接讨论对岗位安全的顾虑，说明哪些工作仍由人主导，人工智能在劳动力规划中的定位，营造基本的心理安全感。
• 缓解交付压力：为学习和尝试预留时间，适度调整短期目标，否则采用容易停留在表面。

当“抗拒”被视为设计问题而非态度问题时，采用逻辑会从“要求合规”转向“推动改进”。

将员工视为“零号客户”

在成功案例中，领导者不再仅仅“部署”人工智能，而是把它当作一项需要在内部“赢得用户”的产品来运营。相关实践显示，有效的人工智能采用通常遵循不同于传统IT上线的路径：以业务结果为锚点，重构关键工作流程，邀请员工参与共创，并将学习视为核心能力进行投入。

Dana 在调整策略后，将平台团队、产品营销、传播和各职能负责人召集在一起，不再以功能清单或政策文件为主，而是围绕真实工作流程中的摩擦点，梳理清晰的价值主张。当团队理解输出如何生成、风险如何被管理以及在哪些环节必须依赖人工判断时，信任开始逐步建立。

在这一阶段，早期成效往往并不直接体现为利润，而是表现为更快的执行周期、更高的工作质量、更少的错误和返工。当工具确实简化了工作，使用才会自然增加。

为此，Dana 与市场营销、销售和运营团队开展了短期“探索冲刺”。她不再追问“是否在用工具”，而是聚焦于“工作在哪些环节变慢”“返工集中在哪些步骤”“哪些节点最依赖判断”等问题。

在这一思路下，相关建议包括：

• 以结果为起点：明确哪些环节需要变得更快、更简单或更可靠。
• 及早建立信任：设定清晰的治理规则和人工干预边界。
• 重构关键流程：将人工智能嵌入现有系统和实际执行节点，而非作为额外步骤叠加。
• 与员工共创：邀请一线团队参与探索和测试，基于反馈迭代方案。
• 将学习纳入“本职工作”：为试验和建立信心预留时间，而非将其视为额外负担。

在这种视角下，员工被视为内部的“零号客户”，采用过程也从一次性合规任务转向持续的变革过程。

保护中层以释放学习能力

多方经验显示，人工智能采用最容易在中层管理环节受阻。管理者一方面被要求在既定目标不变的情况下改变工作方式，另一方面又承担着团队参与度和绩效的主要责任。当学习与交付发生冲突时，交付往往优先。

一些企业通过调整管理条件来应对这一矛盾：重设对中层的期望，为学习留出空间，并对逐步降低风险的试验给予正向激励。在考虑扩大应用范围前，先聚焦两个问题：工具是否真正消除了工作流程中的摩擦？员工是否足够信任它，愿意持续使用？

Dana 在此基础上采取了进一步措施。她为管理者预留专门时间，用于测试新工作流程并分享经验。早期成果被整理为简明的操作手册，只有经过验证的实践才被推广到更大范围。管理者的角色由“救火者”逐步转向“教练”，治理方式也从单纯把关转向支持和赋能。

在推广策略上，Dana 选择缩小而非扩大关注范围。团队提交真实工作流程作为测试对象，她只挑选那些预期影响明确的案例，并为其预留整整一个季度进行端到端试运行。部分工具成功消除了摩擦并赢得信任，另一些则被证明增加了噪音。前者被规模化应用，后者则被淘汰。

围绕这一思路，相关建议包括：

• 识别已有成效：发现已经利用人工智能减少摩擦的团队，将这些实践提炼为可复制的做法。
• 奖励学习行为：在评价中认可管理者在能力建设和经验分享方面的贡献，而不仅仅是工具使用频率。
• 推动有纪律的试验：要求每项试点具备清晰假设、小范围验证和系统化记录。
• 保持标准一致：鼓励如实报告失败，为后续规模化提供可靠依据。

多方观点认为，人工智能相关变革本质上是组织设计问题，而不仅是一次IT系统推广。通过避免“命令陷阱”，从“强推采用”转向“赢得采用”，企业在推进人工智能项目时更有可能实现预期价值。