AI战略工具的三大使用陷阱——买了、用了、废了（2803字

工具选好了，钱花了，合同签了。

然后呢？

过去一年，我看到太多企业走过同样的路——选型会上激情澎湃，上线之后一地鸡毛。Gartner的数据显示，全球超过90%的企业推出过生成式AI试点，但真正跨越实验阶段、进入生产环境并形成规模化价值的项目不足41%。麦肯锡的调研更残酷：88%的企业已经在部署AI，但81%没有实现有意义的商业回报。

问题出在工具本身吗？不。大多数失败，发生在工具买回来之后。

我把这些失败归纳为三个陷阱。

陷阱一：买了不用

这是最隐蔽也最普遍的陷阱。MIT在2025年发布了一份震撼行业的报告：企业花了300到400亿美元在生成式AI上，95%的试点项目没有产生任何可量化的商业回报。只有5%的企业AI工具能够真正投入生产使用。

但与此同时，90%的员工在工作中使用个人AI工具——他们用ChatGPT、Claude、Perplexity处理工作任务。一份报告显示，超过90%的员工表示，即使公司提供了官方的AI工具，他们仍会私下继续使用自己熟悉的个人工具。

公司买了，员工不用。

为什么？因为官方工具不好用。MIT的报告揭示了一个关键发现：大多数企业级AI系统是静态的，无法保留反馈、适应情境或实现持续改进。95%的企业购买或开发的是"演示很酷但记不住上下文"的AI玩具。

一个典型案例：某大型公司的法务部门斥资5万美元购入一款专业AI合同分析工具，但部门里的一位法务在起草文件时还是坚持使用个人版ChatGPT。原因很简单——个人工具更好用。

买了不用的本质，是工具与真实工作流的脱节。 它看起来很专业，但用起来不顺手。员工宁愿自己掏钱用个人账号，也不愿意碰公司配的"战略级工具"。

微软也是受害者。2025年底，微软紧急腰斩了AI产品销售指标。不少已经为Foundry和相关工具买单的企业并未真正大规模投入使用，背后的顾虑集中在准确性不足、系统脆弱性以及一旦出错就可能引发高风险后果。

买，是因为FOMO。不用，是因为不敢用、不好用、没必要用。

陷阱二：用了乱用

如果说"买了不用"是浪费钱，那"用了乱用"就是一边浪费钱一边制造麻烦。

最典型的案例来自美团。2026年2到3月，美团依托内部工具OpenClaw发起了全员"养虾运动"，覆盖10万员工，开放顶配模型无上限调用权限。短短两周就沉淀出10万个AI应用技能，上到管理层下到城市站运营，人人都在调模型、攒工具。

然后代价来了——"账单直接爆炸，单日算力成本最高冲到一千万元"。权限管控跟不上，模型产出的各种谬误反过来对真实经营产生了干扰和破坏。钱烧了上千万，可衡量的生产力增长没见着多少。

美团不是孤例。某公司的老板大手一挥，给全员开通Claude授权却忘了设上限，一个月烧掉5亿美元，折合人民币30多亿。扒开细节，发现其中有相当一大块是某些员工跑任务时反复撞上报错，一遍遍手动点"重试"点出来的。

Meta内部有人做了一个叫"Claudeonomics"的榜单，统计谁用AI用得最猛。30天里全公司烧掉超过60万亿个Token，光"榜一大哥"一人就占了2810亿Token，将近50万美金一个月。

Uber给5000名工程师配齐Claude Code，使用率几个月内猛冲，结果一季度刚过，CTO就叫苦不迭——2026全年的AI编程预算已提前烧光。

把Token当KPI，是AI转型里最贵的坑。亚马逊曾经有一个叫KiroRank的内部榜单，按工程师消耗的Token量排名，加上公司要求八成以上员工每周必须用AI，员工纷纷开始"Tokenmaxxing"——派Agent去干根本没必要的活，把Token烧成排名，再把排名内化成职场安全感。最后亚马逊高级副总裁在内部大会上呼吁"不要为了用AI而用AI"，榜单随即被下线。

经济学里有个古德哈特定律：当一个指标变成目标，它就不再是好指标。到了AI时代，这句话可以换一个说法：当Token成了KPI，它就不再是生产力指标，而是一张会自动膨胀的云账单。

以前卷工时，现在卷Token。技术进步了，职场的底色一直没变。

陷阱三：废了——价值归零

"买了不用"是浪费，"用了乱用"是折腾。但最惨的是第三种——明明在认真用，却始终产生不了商业价值。

这就是典型的"高渗透、低回报"困境。美团CEO王莆中搬出一组行业调研数据：已有88%的企业在试验AI，但仅6%能统计到可测量的收益。

为什么会这样？方跃在一篇深度分析中总结了几个关键原因：

第一，试点能成功，规模化必失败。 单条产线、单个部门的AI应用效果显著，但推广到全公司时，立刻出现数据不兼容、流程不匹配、人员不配合等问题。前期成果迅速失效。

第二，技术做加法，流程原地走。 企业在老旧僵化的流程上"贴一层AI"，没有重构工作逻辑、没有打破部门壁垒。AI沦为锦上添花的点缀，而非提质增效的引擎。

第三，个体有效率，财务无效益。 员工普遍反馈AI省时间，但因流程其他环节没有改变，财务报表上看不到成本下降、看不到收入增长。个体效率被内部冗余彻底吞噬。

第四，重技术展示，轻价值衡量。 企业过度追求模型参数、功能丰富度，却忽略了营收、成本、周期等真实的商业指标。把"用上AI"当成目标，而非"用AI创造价值"。

钉钉ONE项目是这种陷阱的缩影。2025年，钉钉将ONE定为年度一号战略，试图用AI重构工作信息流。项目日活一度冲到300万。但ONE不是败在AI技术，而是败在目标太多、组织拉扯太重、产品定位摇摆，最后把"帮员工减负"的AI工具做成了新的工作压力。留存下滑、用户吐槽、功能收缩接连出现。

再高的声量也不是成功，用户愿意持续使用才是成功。

如何避免这三个陷阱

美团踩坑之后调整得很快。4月叫停了全员无序体验模式，各事业部成立专门的AI组织，从散点式尝试转向有组织的推进。到6、7月，启动千项AI项目赛马机制，能跑通业务价值就加资源，没效果立刻砍掉。几轮筛选下来，内部沉淀出最核心的认知："AI转型不是技术问题，而是业务、组织、技术三位一体的系统性工程"。

三个具体的建议：

第一，别让IT部门独自扛AI转型。 老板在战略会上说"我们要拥抱AI"，然后把任务交给CTO，自己就不管了——这是最常见的错误。IT部门懂技术，但不懂业务流程的全貌。他们没有权力改组织架构、调整绩效考核。AI转型要的恰恰是这些。

第二，建立"AI建议备案+人工决策记录"制度。 这一点在系列第二篇中已经提过——所有AI生成的输出必须存档，同时决策者的最终选择及理由也必须记录。定期复盘：AI当时建议了什么，我选择了什么，结果如何。

第三，把Token从全员福利变成部门可控的预算资产。 近期国内头部互联网公司不约而同收紧了内部员工的Token使用额度。腾讯将全员统一高额配额改为按岗位、按任务动态调配；字节跳动对自研模型保持免费开放，但外部模型调用费用改为部门按比例承担；阿里、京东也相继出台政策，将Token从全员福利转变为部门可控的预算资产。

写在后面

这一篇盘了AI战略工具的三大陷阱：买了不用、用了乱用、用了没价值。

但还有一个根本问题没碰——AI战略工具的价值，到底应该怎么衡量？ ROI怎么算？KPI怎么设？怎么判断一笔AI投入是"有效投资"还是"昂贵的学费"？

系列下一篇：《AI战略的ROI：怎么算，才算得清楚？》——敬请期待。