浙江义乌，一位卖袜子的老板娘，对着手机录了一段几秒钟的视频。视频里她念的只是「一二三四五」——因为她不会外语。然后她把视频交给 AI：生成外语文案，合成出她说着流利阿拉伯语等多门语言的营销视频，发向全球市场。订单随之而来，生意半径从国内批发一夜扩到海外。主流媒体轮番报道过她，这不是段子。
这位老板娘没读过任何转型方法论，公司里没有 CIO，没有预算表，甚至没有「项目」这个概念。但如果你非要按大企业的框架去套：她识别了痛点（语言壁垒卡住外贸）、选了窄场景（一段视频的多语言化）、用现成工具（AI 视频合成）、三分钟见效（从录到发）。她可能是 +AI 落地最干净的样本——干净到让另一群人无地自容：那些花六千万美元买了系统、最后连一位真实用户都没服务成的企业。
这一章讲 +AI 层的落地路径：为什么大多数企业的 AI 改造悄无声息地烂尾，第一刀应该往哪下，怎么分级推进，以及真正的难关根本不在技术。它也是第二部「罗盘」的最后一章——讲完这章，看场子的工具就齐了。
一、九十五与一：失败的地形
先看一个去年最出名的数字：95%。
2025 年 7 月，MIT 传媒实验室的一个项目组发布报告，宣称尽管企业界已向生成式 AI 投入三四百亿美元，95% 的组织获得了零回报。数字经财经媒体报道后引发市场震动，一度成了「AI 落地大溃败」的标准引文。
按第二章的纪律，任何吓人的数字都要过一遍信号审查，这份报告也不例外——审完的结论是：数字可用，但要打折用。打折项有三：它是未经同行评审的工作稿，作者自称「方向性快照」；它的「零回报」口径极宽——有产出但未货币化、还在学习曲线上的试点全被计入，跟「项目下马」是两回事；发布方自己主推一套智能体协议，有渲染旧方法不行的动机。但别急着把报告扔掉，因为它不是孤证：咨询公司凯捷前一年的调查说 88% 的 AI 试点从未进入生产；标普全球 2025 年的调查说 42% 的企业已放弃多数 AI 计划——一年前这个数字还只是 17%；Gartner 预测至少三成的生成式 AI 项目将在验证阶段后被放弃。几个独立口径相互咬合，指向同一个地形：AI 在企业里的落地，失败是常态，成功是例外。
还有个老数字值得顺手解剖：「70% 的数字化转型都失败了」——这句话你在无数 PPT 里见过。学术界真有人较真过，把引用链一路追到底，发现这个数字查无实源：文献互相循环引用，追到头是几十年前几位学者的「个人估计」。它是一条僵尸统计——被引用了三十年，从未被证明过。麦肯锡自己那份被反复引用的调查，原话也要温和得多：约七成复杂变革「未达成既定目标」，且只有 16% 的受访者认为数字化转型成功改善了绩效。教训与第二章同源：吓人的统计和诱人的叙事一样，都要查户口。
把「失败」的地形画准确，需要两组数字的对照。一边是：88% 的企业已经在至少一项业务里用上了 AI（麦肯锡 2026 年全球调研）；另一边是：完成智能原生体系搭建的，只有约 1%。中间那 87% 的巨大落差，就是本章要走的路——用了，但没用好；动了，但没变成钱。
落差里躺着一些著名的尸体。IBM 的 Watson 对抗肿瘤项目，与全美顶尖癌症中心合作，烧掉六千两百万美元，审计结论是从未真正用于治疗任何一位病人——系统始终没能接入医院的新病历系统，「黑箱」无法审计，炒作与临床现实脱节。麦当劳与 IBM 合作的得来速自动点餐，测试三年后全线拆除——TikTok 上流传的视频记录着它的荒诞时刻：往订单里莫名添加黄油、雪糕和几十块麦乐鸡，噪音和口音让识别率始终不达标。更早的中文世界有广州标致汽车：上世纪九十年代起持续投入上马管理信息系统，十几年后盘点，十几个模块里启用的不到十分之一——「买来闲置」的活化石。还有一类是「回摆」：瑞典金融公司 Klarna 高调宣布 AI 客服干掉了七百个客服岗位的活，一年多后 CEO 公开承认走过头了——复杂来电的服务质量明显下滑，公司重新招人，承诺客户「总能找到真人」。
解剖这些尸体，最有信息量的一份报告来自兰德公司：他们访谈了六十五名资深 AI 工程师，提炼出 AI 项目失败的五大根因——其中四条是组织问题，不是技术问题：利益相关者误解了要解决的问题、数据基础不可用、过度关注技术炫技而非解决业务问题、缺乏生产环境。AI 项目很少死于原型跑不通，死在从原型到生产之间的人与流程。MIT 那份报告给这个现象起了个名字：「学习鸿沟」——问题不在模型笨，在人和组织还没学会用。而失败项目最典型的形态，业内叫「试点炼狱」：项目以隆重的仪式启动，以演示的掌声维持，停在试点阶段永不转正，最后预算悄悄挪走，无人宣布死亡。
二、第一刀：从最疼的流程开始
失败的地形看完了，现在讲怎么不走进去。+AI 落地的第一关是选场景，而选场景的第一纪律只有六个字：从最疼的开始。
反例先看。Watson 肿瘤项目为什么死？因为它从「最气派的」开始——挂钩国家级癌症计划，瞄准「颠覆临床决策」的宏大叙事，唯独没有回答「哪个具体环节、疼到什么程度、谁每天为此失眠」。麦当劳为什么撤？因为它把「替代人工」当成了目标，而点餐恰恰是噪音、口音、复杂改单轮番上阵的高难度场景——目标定在替人，场景却不容错，这一刀从下刀方向就错了。
正解长什么样？看几个活样本。宝武钢铁与华为的钢厂项目，第一刀下在高炉「看火」上：炉内温度、气流这些关键参数无法直接测量，过去靠老师傅十分钟看一次、凭经验判断——疼点清晰、高频、有明确的老师傅经验可对标。AI 上线后，四分之一秒出一次结果，精度比老师傅提升一成多，出铁温度合格率破了九成。蜜雪冰城六万家门店，第一刀下在食品安全巡检上：AI 自动识别门店的卫生与设备清洁问题——标准化程度高、规则明确、检查结果可量化，落地率做到了百分之百。佛山一家医院的第一刀下在导诊上：平均导诊耗时三分半，效率比人工提升近二十倍，错号率降两成。义乌老板娘的第一刀，是那段「一二三四五」的视频。
把这些正解提炼成筛选刻度，三个字：疼——这个环节有人天天为之头疼，最好能说出「谁、多久疼一次、疼的代价是什么」；频——高频发生，省下来的时间或钱才能累积；窄——切口小、容错相对高、能在小闭环里验证成败，三个月内见得了读数。业内通行的方法论（OpenAI 给企业的指南、麦肯锡的变革框架）大同小异：把候选场景摊开，按「业务价值 × 实施可行性」两维打分，先做高价值高可行的「速赢」，别一上来就啃最难啃的骨头。这套打分没有任何高深之处，高深之处在于多数企业跳过了它——它们按「哪里有新闻」选场景，而不是按「哪里疼」选场景。
拿第四章那位教培老板练一遍。他的候选清单可能列得很长：AI 出题、AI 批改、AI 招生文案、AI 家长答疑、AI 排课。过一遍刻度：出题和批改——疼，但容错低（错一道题家长就炸），不是第一刀；招生文案——不疼（招生靠的是口碑和转化，文案只是末端）；排课——疼且频，但规则复杂、与现有系统缠绕深，可行性低。家长答疑呢？高频（每晚都有家长在微信上问「今天学了什么」「我家孩子跟得上吗」）、够疼（占掉老师们大量晚间的机械回复时间）、容错高（答错了老师随时能补）——三个刻度全过。第一刀就下这里：把老师们的常见问答喂给 AI，做一个人工可兜底的家长答疑助手。三个月后验收的读数也现成：老师晚间机械回复的时间省了多少，家长满意度动没动。
注意这个推演里藏着的顺序：先刻度，后工具。市面上烂尾的项目大多是反过来的——先看中了某个炫的工具，再满世界找能套上去的场景。这个顺序错误，兰德那五大根因里排第一。
三、分级推进：效率、增值、创造
第一刀砍准了，接下来的路怎么走？行业里有现成的成熟度模型（联想的五级、Gartner 的五级，本质同构），本书把它们归纳成普通人也用得上的三级台阶，从低到高：效率型、增值型、创造型。
第一级，效率型——把原来又费又慢的事变快变省。这是绝大多数落地的起点：客服、巡检、质检、文档。读数也最朴素：省了多少工时、降了多少成本。腾讯云的行业报告说，八成企业上了智能客服后人力成本下降，平均降幅约四成；瑞幸的智能质检做到全量检查客服录音——过去人工抽检覆盖率有限，现在是百分之百。注意效率型的典型陷阱恰是 Klarna 踩的那个坑：把「省人」当终点、一刀切到「AI 替人」。健康的做法是让 AI 接走重复的部分，人守住复杂的部分——这不是温情，是分工：AI 处理八成高频简单问题，人处理两成复杂问题，客户体验才两头都不塌。
第二级，增值型——做原来做不了的事。效率型是「同样的活，更便宜」；增值型是「新的活，新的能力」。宝武的「炉长数字员工」不止替老师傅看火，还持续优化冶炼参数，转炉炼钢周期缩短、吨钢能耗下降——老师傅做不到的连续精细调参，AI 做到了。名创优品用 AI 巡店，把过去抽检式的门店管理变成全量问题追踪闭环。蒙牛建起 AI 营养师，把「一人对一店」的营养服务变成「一系统对千万家庭」。增值型的读数不是省了多少钱，是新增了什么能力——这一步的验收方式也变了，这个变化先按下，第四部讲。
第三级，创造型——业务模式本身变了。义乌老板娘站在这级：她做的不是「原来的外贸更省钱」，是「原来做不了的全球直连零售」。教培行业的小猿「智能双师」也在这级：线上名师授课加本地教师答疑的新模式，把师资成本的算式整个改写。创造型的读数是新收入、新客群、新商业模式——它没法从效率型直接跳过来，几乎总是长在前两级攒下的流程理解与数据资产上。这就是为什么成熟度模型里从 L1 到 L5 是爬坡而不是跳崖：联想那份报告的数字很有画面感——国内企业里达到 L4 以上「智能运营」的占 39%，真正 L5「AI 原生」的只有 9%；全球口径更陡：88% 在用，1% 成了原生。
三级台阶讲完，有一句必须说的实话：对绝大多数企业和个人，把第一级走扎实，就已经跑在那 87% 的前头——别忘了那 87% 的落差。第二级第三级不是规划出来的，是从第一级的读数里长出来的。
四、认知的坎：知道、不会、不敢
2025 年春天，一位在佛山制造业做数字化服务的人，接受采访时说了句诚实到扎心的话：「有很多老板只是刷短视频，初步了解 DeepSeek」——说不清人工智能对自己的企业到底会带来什么。这句大白话，比任何调查报告都精准地描述了 +AI 层最深的一道坎：不是预算的坎，不是技术的坎，是认知的坎。中国官方对中小企业困境有个流传多年的九字概括——「不愿转、不敢转、不会转」——前两个字是态度，后一个字是能力，而这九个字共同的根，多数时候是最后那个「不会」：不了解，所以不愿；不了解，所以不敢。
这道坎有多宽，数据可以量出来。把它拆成三层看。第一层，「知道」——重要性认知早已普及。全球调查里，79% 的企业领导者认同「用 AI 保持竞争力至关重要」；义乌的老板娘们自费报名 AI 电商课。没有人再问「要不要」——这层坎已经不存在了。第二层，「不会」——认知与技能的断层。同样是那 79% 认同重要的领导者，60% 承认自己的公司「缺少实施的愿景与计划」；另一家机构的调查里，56% 的高管自评对生成式 AI 的了解「中等或有限」，自评「非常高」的只有 9%；四万八千人、四十七个国家的大样本调查中，只有约五分之一的人自认真正理解 AI 及其原理。企业端更陡：国内调查显示，只有四分之一的企业提供过系统化的 AI 培训，民营企业这个数字只有 12.2%——一半以上的职场人靠碎片化自学。最扎心的一个数字来自另一组对照：员工实际使用 AI 的程度，大约是领导者以为的三倍——一线已经悄悄跑起来了，管理层还在以为「我们公司还没开始」。第三层，「不敢」——保守落地为观望。怕什么？普通员工怕的出人意料：一项几万人的调查里，62% 的人担心被「更懂 AI 的人」替代，超过了担心「被 AI 替代」的 54%。而管理者怕的更朴素：做错了谁担责？做，可能砸在自己手里；不做，顶多怪时代——这笔账，人性天然选后者（行为经济学管这叫现状偏误，四十多年前就被实验反复证实了）。
三层叠起来，保守的画像就完整了：不是顽固，是「知道 × 不会 × 不敢」的乘积——任何一项归零，结果都是原地不动。
这幅画像里有一类人值得单独拎出来：产品经理。他处在最别扭的位置——论职责，第一章说过，市场批量购买的就是「把 AI 翻译进业务」的人，PM 正是那个翻译岗位；论认知，他却往往跟管理层一起掉在断层里，而且更隐蔽。管理者的不懂表现为「不做」，一眼能看见；PM 的不懂表现为「照做」——需求照提，文档照写，评审照开，AI 功能照上，只是每一个判断环节都悄悄交给了运气：不知道这个功能的边界在哪，不知道怎么验收它，出了问题不知道错在需求还是模型。断层的具体维度，产品社区里已有共识级的归纳：传统 PM 习惯确定性交付，AI 产品的输出却是概率性的——同一个提示词，十次输出十个样，怎么定义「合格」？这是第四部的主题，此处先立此存照；再比如技术边界的直觉——什么该做、什么此刻做不到，没有这个直觉，排期表就是在许愿。招聘端的变化比个人快：全球调查里，71% 的领导者宁可要「有 AI 技能但经验少的」，也不要「没有 AI 技能但更资深的」——这句话正着读是机会（新人翻盘的窗口），倒着读是对每一位在岗 PM 的倒计时。补这个断层的路径倒不神秘：正是本章这一节的管理者五件事，加上第四部的验收手艺——PM 与管理者的认知清单，本是同一张。
但这里必须立刻补一个反转，也是本节最重要的判断：保守不是一种病，是两种东西混在一起——理性的审慎，和认知缺口的瘫痪。分不清自己身上是哪一种，才是真正的风险。
理性的审慎有充分的依据。幻觉是硬事实：法律场景的实测里，通用大模型在可验证的法律问题上有过半到八成多的情况一本正经地编造；连专门做法律检索的 AI 工具，错率也有两三成。合规也是硬约束：数据出境、个人信息、行业监管，哪条都真。对这类风险说「不」，不是落后，是称职。而认知缺口的瘫痪是另一种东西：因为不知道边界在哪，只能一刀切地全部拒绝，或者反过来，因为不知道深浅，被供应商牵着全盘接受。两者的外在表现都是「不做」，内核天差地别——前者知道自己在等什么（等一个可验证的前提），后者不知道自己在怕什么。
给你一把区分的尺，也是本节交的第一件工具：把你拒绝的理由写成一句可检验的话。「法律检索场景幻觉率太高，暂不上」是审慎——它有条件，条件变了你会动；「我们这个行业特殊」是认知缺口——它不可检验，永远成立，也永远原地。保守的合格形态，跟第二章的结论一样，是条件式的。顺带一句时代背景：在欧盟，「员工具备与岗位相称的 AI 素养」自 2025 年起已经是写进法律的义务（2026 年中有松动修订，但方向未变）——「不懂」正在全球范围内失去作为观望理由的资格。
认知缺口的瘫痪长什么样？现实里有三张具体的脸。第一张脸，期望错置——两个极端都常见。一边把 AI 当普通软件采购：「像买 Office 那样买来就能用」——还是佛山那位受访者说得准：AI 不像通用软件能直接买，它更像招一个新员工，要按岗位定制、要教、要带；另一边又要求它百分之百准确才敢用——按这个标准，人类新员工第一天就该全部辞退。前一种极端买回烂尾，后一种极端永远开不了工，同一种认知缺口，两种死法。第二张脸，采购失语。听不懂技术话术，只能比谁家 PPT 厚、谁家名字响、谁家演示炫，合同照着买设备的模板签；等到项目烂尾对簿公堂才发现，连法律都才刚开始学审这种纠纷——国内法院直到 2026 年才出台审理涉 AI 合同纠纷的专门意见，你比法官先签的合同，风险得自己扛。第三张脸，验收缺位。不知道怎么判好坏，于是只能看演示：演示好看就立项，演示翻车就毙掉——这正是「试点炼狱」的认知根源：以演示的掌声立项的项目，也只能靠演示维持，永远到不了生产。三张脸，一张比一张贵，共同点是——每一张都在替认知缺口付利息。
认知缺口不但拖慢企业，还直接产生第二笔账：认知税——你为「不懂」支付的对价。它有两种收法。一种收学费：国内有档 AI 课标价 199 元卖出了约五千万元，买的多数是想上车的人；商学院的 AI 课卖到 16.8 万元，卖的其实不是知识，是老板的「决策信心」；央媒过去两年密集点名过围猎中老年人的 AI 培训、承诺「学成接单」的骗局。另一种收货款：供应商侧的「AI 洗皮」——把聊天机器人换个名字叫「智能体」，行业分析机构估计，市面上数千家自称做智能体的厂商里，名副其实的只有一百三十家左右；美国的监管机构已经两次出手，处罚夸大 AI 能力的公司。认知缺口越大，围绕它的收割越猛——这句规律，反过来读就是防御：你自己把认知补齐，两种税都收不到你头上。
那么，管理者到底需要懂多少？答案比想象中少，也比想象中具体。不需要懂技术，需要懂五件事：能力边界（这类模型在哪类任务上强、哪类上不可靠——这是全书第二、三章的事）；成本结构（按 token 计费的账怎么算——第一章和第四章哄哄的账单）；风险点（幻觉、数据、合规各在哪——本节刚讲完）；数据权属（喂给模型的东西归谁、去哪——第十四章正面讲）；验收方式（怎么判断它做得好不好——第四部整部）。五件事没有一件需要写代码。业界现成的框架把它归纳成四种能力——委托（什么活交给它）、描述（怎么把话说清楚）、辨识（怎么判断它的产出）、审慎（哪里必须留人）——最后这两条，恰是本书第四部的全部。
补齐认知的办法，三招，招招便宜。第一招，亲自用，而且用够十个小时。沃顿商学院那位研究 AI 使用的教授给过一个被广泛引用的经验值：用在工作里真实有难度的任务上，攒满十个小时，判断才会成形——前十个小时人人挫败，那是学费不是信号。黄仁勋把这事说得更狠：你不会输给 AI，你会输给会用 AI 的人；而务实的 CEO 们平均每周花约七个小时亲自用 AI。第二招，把影子使用当信号，别只当风险。全球近八成用 AI 的员工在「自带工具上班」——你的组织里大概率已经有一群人在偷偷用了。这当然是数据风险要管，但它同时是免费的侦察报告：员工自发用它干什么，哪里痛、哪里快，答案全在里面。把影子使用问出来、收上来，比任何咨询调研都真。第三招，找翻译者。懂业务又懂 AI 的人在组织里天然存在（往往就是那些偷偷用的员工），给他一个正式的角色——MIT 那份报告里 5% 的赢家共性之一，就是让一线的人而不是中央实验室负责。认知的坎，最终要靠人翻过去。
认知的坎讲完，才轮到传统意义上的「人心」——懂了之后，推、学、拥有这三件事怎么做。
五、人心的坎
最后一级台阶不在流程里，在人心里。前面埋的伏线该收了：兰德说五大根因四条是组织问题；MIT 说败于「学习鸿沟」；这一节给它们找到共同的名字。有位烧掉两千万做 AI 落地、最终去职的零售企业 CIO，事后在私董会上复盘了十五条教训，其中一条一针见血：「技术的坎好过，人心的坎难平。」
人心的坎，具体是三道。
第一道，谁推。国内叙事的共识是「一把手工程」，但「推」的方向比对「推」本身更重要。对照两组样本：电商公司 Shopify 的 CEO 发内部备忘录，宣布「反射性使用 AI 是全公司的基线要求」，团队申请加人之前必须先证明「这件事 AI 做不了」——把 AI 熟练度写进绩效。这是一次方向对的一把手强推。而 Klarna 同样是 CEO 强推，推的方向是「AI 替人」——一年后回摆。同样是自上而下，一个把 AI 变成每个人的习惯，一个把 AI 变成每个人的对手，结局分岔在起点。
第二道，谁学。那位 CIO 的另一条教训：定向培养几个 AI 尖子，带不动公司；后来转成全员培训运动，氛围才起来。这与麦肯锡的数据互证——近半员工说正式培训会显著提高自己的使用率；员工参与度从 2% 提到 7% 以上的企业，获得超额股东回报的概率翻倍。BCG 把这个道理做成了公式：AI 转型 10% 靠算法，20% 靠数据与工具，70% 靠人与变革管理。那个「学习鸿沟」要填的不是模型，是组织里每一个人的习惯。
第三道，谁拥有。MIT 报告里那 5% 拿到回报的企业有五个共同点，几乎条条关乎人：选窄场景、让业务线的一线经理（而不是中央实验室）负责、把 AI 嵌进员工本来就在用的工具里、买成熟方案而非事事自建、人始终留在关键环节里。反面是「试点炼狱」的标准配置：一个远离业务的团队，做演示给领导看的原型——工具被「造出来」，但从未被「用起来」。第五个共同点值得单独点出来：「人留在环路里」不是妥协，恰是那 5% 的共性——验收、兜底、例外处理，全是本书后半部的主题。
小微企业和个人另有捷径，也更宽容：不谈「转型」，即取即用。义乌老板娘的世界里没有 L1 到 L5，只有「这条视频能不能说阿拉伯语」。平台把工具做成了水电，用的成本趋近于零——但小微有小微的暗礁：AI 生成的商品图与实物不符的问题被平台专项治理，九十九块的「AI 记账机器人」伪造凭证踩中税务稽查红线。工具免费，判断不免费——这句话是全书的口头禅，在第十四章还会回来。
六、罗盘收进工具箱
第二部到这里写完，把四章收拢成一条完整的航线：读信号（第二章）——在满地噪音里盯住招聘、模型发布、付费、开源四类诚实数据，任何叙事先过叙事三问；判真伪（第三章）——单个机会过判别尺，模型强十倍你更强还是多余；选牌桌（第四章）——基座、AI+、+AI 三层，把牌摊开对号入座；下第一刀（本章）——从最疼、最频、最窄的流程开始，效率、增值、创造三级爬坡；认知的坎用五件事、十小时、影子报告来填，人心的坎用一把手方向、全员习惯、一线拥有来填。
回看那位教培老板的完整旅程：他带着「AI 跟我有什么关系」进场，四章走完，他手里有了——对自己牌面的盘点（场景知识、家长信任）、对牌桌的判断（+AI 层）、对第一刀的选择（家长答疑）、对三个月后读数的预期（老师时间、家长满意度）。他还没写一行代码，但他已经完成了产品工作中最难的那一半。这不是巧合，这是本部的论点：判断先行，执行随后——而执行已经免费。
可是「判断」这两个字，到现在还是一笔笼统的账。做什么、什么算好、下一步往哪走——这三问在罗盘部只回答了行业层面的版本。接下来第三部，我们下到产品本身的深水区：先把「产品经理」这个被误解了十六年的词拆开，看看这门手艺的看家本领到底是什么。
出处与延伸
失败率数据： - MIT《The GenAI Divide: State of AI in Business 2025》（Project NANDA，2025-07；Fortune 2025-08-18/21 报道；mlq.ai 有 PDF 镜像）。95% 原始口径为「零可测 P&L 回报」；方法学口径（约 150 次高管访谈+350 份问卷+300 个公开案例）以 Fortune 转述为准，原 PDF 存在不同转述分歧。争议（非同行评审、口径宽、发布方利益）综合自 Fortune 专栏与后续讨论——本书按第二章信号纪律做了折扣处理。「1,837 名受访者」为 Cleanlab 后续调查，非 MIT 样本。 - 「70% 转型失败」的学术拆解：Mark Hughes（University of Brighton，2011）《Do 70 Per Cent of All Organizational Change Initiatives Really Fail?》——源头不可考；麦肯锡《Unlocking success in digital transformations》（2018-10，1,521 名受访者）：约 70% 未达既定目标、16% 认定转型成功。 - 前置/交叉数据：Capgemini（2023，88% 试点未进生产，经 Fortune 转引）；S&P Global（2025，42% 企业放弃多数 AI 计划，上年 17%）；Gartner（2024-07，≥30% GenAI 项目 PoC 后放弃；2025-06，>40% agentic 项目 2027 年前取消）；BCG AI Radar（2024-01，66% 高管摇摆或不满）。 - 「88% 在用 vs 约 1% 智能原生」：麦肯锡 2026 全球调研，经中国工业互联网研究院《智能原生企业的概念、现状与趋势》（2026-06）转引。注意：该文为工联院「智能经济深度观察」专栏文章，信通院另有《智能原生研究报告（2026）》——本书第四章出处中的机构归属以本条为准勘误。
烂尾/回摆案例： - IBM Watson × MD 安德森：TechTarget（2019）、CNBC（2017-02）；投入超 6,200 万美元（审计口径），从未用于患者治疗。 - 麦当劳 × IBM 得来速：KSAT/AP（2024-06-18 终止合作）；荒诞错误见 TikTok 流传视频与 Restaurant Business 报道。 - Klarna：Bloomberg（2025-05-08，CEO 承认「走过头」并重新招人）；原始宣传（AI 客服≈700 坐席、预计年改善 4,000 万美元）见 hrgrapevine（2024-02）。 - 广州标致 MRPII、哈药 ERP、三露、许继：新浪科技《国内四大知名企业 ERP 失败案例》（2004-03）——年代久远的行业口径，本书仅作历史参照。阿里中台分拆：晚点 LatePost（2023）；张勇「奔着中台做中台就是死」（2019 湖畔分享，转述）。
认知的坎证据（2026-09 增补，配合本章第四节）： - 佛山老板「只是刷短视频，初步了解 DeepSeek」：21 世纪经济报道《解码佛山企业 AI 突围战》（2025-05-02，受访者李琢明）；「不愿转、不敢转、不会转」为工信部关于中小企业数字化的官方概括（2022-2023 政策文件及新华社等央媒沿用）。 - 微软&LinkedIn Work Trend Index 2024（31 国 3.1 万人）：75% 知识工作者在用生成式 AI、78% 自带工具上班（中小企业 80%）；领导者侧 79% 认同 AI 对竞争力至关重要，60% 承认公司缺少实施愿景与计划，59% 担心无法量化收益；仅约四成用户从公司获得过任何 AI 培训。WTI 2025 补充：领导者概念熟悉度反超员工（如 67% vs 40% 熟悉智能体）——概念先行、实操滞后。 - 麦肯锡《Superagency in the Workplace》（2025-01，3,613 名员工+238 名 C 级高管）：94% 员工自认对生成式 AI 至少有一定了解；员工实际使用约为领导者以为的 3 倍；48% 员工把「培训」列为第一诉求；结论：扩大采用的最大障碍在领导层而非员工。 - BCG AI Radar 2024/2025：59% 高管对本团队驾驭生成式 AI 的熟练度缺乏信心；2025 版 75% 列为前三优先级 vs 仅 25% 获得显著价值；2026 版：务实型 CEO 每周约 7 小时亲自用 AI。 - Deloitte《State of Generative AI in the Enterprise》Q1 2024（2,800+ 名总监及以上）：44% 自评对生成式 AI「高/非常高」了解（「非常高」仅 9%），即约 56% 为中等或有限；技能人才被列为第一大障碍。 - KPMG×墨尔本大学全球调查（2025-05，48,340 人、47 国）：仅约五分之一自认真正理解 AI 及其原理；57% 员工承认曾因用 AI 在工作中出错。 - 前程无忧《2025 职场 AI 应用趋势报告》（2025-03）：企业系统化 AI 培训覆盖率 25.0%、民营企业仅 12.2%；51.3% 职场人靠碎片化自学、仅 28.7% 企业提供支持。智联招聘（2025-05，4,023 份）：约八成职场人在用 AI，57.4% 指出生成内容需反复修正。腾讯×复旦调查（2026-08）：62.0% 担心被「更懂 AI 的人」替代，高于担心被 AI 替代的 54.3%。 - 现状偏误：Samuelson & Zeckhauser（1988，《Journal of Risk and Uncertainty》）；幻觉实测：Stanford RegLab（2024-01，法律场景通用模型 58%-88%、专用工具 17%-33%）；AI 素养义务：欧盟 AI 法案第 4 条（2025-02-02 适用；2026-07 Digital Omnibus 修订放宽「足够水平」表述）；AI 素养学术定义：Long & Magerko（CHI 2020）、Ng 等（2021）四维框架。 - 认知税：李一舟 199 元 AI 课销售额约 5,000 万元（虎嗅 2024-02）；16.8 万元商学院 AI 课现象（虎嗅 2025-11，自媒体观察）；央媒对 AI 培训围猎的定性报道（工人日报 2025-02、新华社 2026-03、人民日报 2025-11）；agent washing：Gartner（2025-06-25，数千家自称厂商中名副其实约 130 家）；FTC「Operation AI Comply」（2024-09）与 SEC 首批 AI washing 执法（2024-03）。 - 管理者最小认知：五件事清单（能力边界/成本结构/风险点/数据权属/验收方式）为本书归纳；四能力框架（委托/描述/辨识/审慎）出自 AI Fluency Framework（Dakan & Feller，与 Anthropic 合作免费课程）；「十个小时」经验值出自 Ethan Mollick（沃顿商学院，Beyond the Prompt 播客及《Co-Intelligence》2024）；黄仁勋「输给会用 AI 的人」：Milken Institute 全球大会（2025-05）。 - PM 断层与症状学（二次增补）：71% 宁要「有 AI 技能但经验少者」（微软 WTI 2024，同批招聘端数据：66% 不聘无 AI 技能者）；PM 能力断层的维度（概率性输出验收、技术边界直觉）为产品社区共识级归纳（人人都是产品经理社区等，定性转述）；「像买软件一样买 AI / AI 要像新员工一样按岗位定制」：21 世纪经济报道佛山调研（2025-05，受访者原话）；涉 AI 合同纠纷审理：最高人民法院《关于依法审理涉人工智能纠纷案件的意见》（法发〔2026〕10 号，2026-09）。
方法论与案例： - 兰德公司《The Root Causes of Failure for AI Projects》（RR-A2680-1，2024，65 名从业者访谈，五大根因四条属组织性）。 - 选场景：OpenAI 企业指南《Identifying and Scaling AI Use Cases》（业务价值×可行性双维打分）；麦肯锡《重塑工作：生成式 AI 时代的变革管理》（北极星目标/重塑工作流/超级用户等，含员工参与度 2%→7% 与回报概率数据）。BCG「10-20-70」与 76% 试点炼狱为 BCG/PMI 口径。 - 宝武×华为：新浪财经（2021-09，看火 10 分钟→1/4 秒、精度 +10%+）；中信建投研报（2025-09，出铁温度合格率 90%）。「年化效益数千万元」说法未找到可核验来源，本书未采用。 - 蜜雪冰城 AI 食安巡检（腾讯新闻/南方+，2026-07）；名创优品 AI 巡店（飞书官方客户案例）；佛山南海区医院导诊（当地报道，效率提升近 20 倍、错号率 -20%，转述口径、证据强度较弱）；瑞幸智能质检（中关村科金客户案例）；小猿「智能双师」（新华网 2025-04）；蒙牛（公司年报与沙利文实践收录）。 - 义乌袜子老板娘傅江燕：今日头条等多轮主流媒体报道（2025-02）；义乌自主 AI 应用累计使用超 10 亿次（配套数据）。拼多多「AI 商品图与实物不符」专项治理与「99 元 AI 记账」风险：什么值得买等（弱-中证据强度，本书作现象引述）。 - 联想《中国企业智能化成熟度报告（2025）》L1–L5 五级（L4+ 占 39%、L5 占 9%）；Gartner AI 成熟度五级。「效率型→增值型→创造型」为本书综合归纳，非某报告原文命名。
组织与复盘： - Shopify CEO Tobi Lütke 内部备忘录（2025-04，原文见其 X 账号）：「反射性使用 AI 是基线要求」「增编前先证明 AI 做不了」。 - CIO 复盘《企业 AI 落地，烧光 2000 万，CIO 被裁，总结了 15 条教训》（CSDN/「技术领导力」，2025-07，匿名私董会口述——单一来源，弱-中证据强度，「技术的坎好过，人心的坎难平」出自此处）；《一个人+AI=一支团队》（人人都是产品经理，2026-06）。 - MIT 5% 赢家共性、学习鸿沟、自建 vs 外购成功率（内部自建成功率约为外购 1/3）：均出自《GenAI Divide》报告的转述。
证据缺口（如实说明）：MIT 报告 PDF 未能直接核验（反爬），方法学细节存在转述分歧；「试点炼狱」（pilot purgatory）归于麦肯锡造词是行业惯说，未找到具体文献锚点；中文可具名引用的「AI 项目烂尾」企业案例（区别于 ERP/中台）未找到权威报道。