AI adoption 一旦變成 launch event 就會失敗

AI adoption 一旦變成 launch event，就會失敗。

模式很熟悉。公司購買授權。有一場 webinar。一份政策傳閱。幾位熱心的人試用工具。幾位謹慎的人避開它。幾位冒險的人私下使用。使用量上升一段時間，然後變得不平均。

公司已經 launch AI。

工作本身沒有太大改變。

原因是專業 AI adoption 主要不是 launch 問題，而是 practice 問題。

人要學會 AI 在哪裏有幫助、在哪裏失敗、它需要知道甚麼、誰應該檢查，以及哪些工作在公司理解風險前不應加速。

這不會在一次活動中發生。

它透過反覆審閱發生。

Launch 會製造注意力

Launch 並非無用。

它告訴大家某件事重要。它製造共同時刻。它給予試驗許可。它可能減少做第一個嘗試新工作方式的人的尷尬。

但注意力會退。

Launch 之後，人們回到活生生的案件、客戶電話、稅務限期、審計檔案、項目審閱、設計 critique、採購問題，以及本來已經有形狀的日常壓力。

如果 AI 不合那個形狀，它就變成額外工作。

額外工作會安靜地死去。

工作需要 rehearsal

更好的比喻不是 rollout。

是 rehearsal。

專業公司會因為反覆把真實工作帶入審閱而變好。法律團隊審閱案件策略。會計團隊審閱 working papers 和假設。設計工作室審閱選項、critique、客戶回饋和製作細節。

AI 應該進入這些既有時刻。

不是作為宏大宣布，而是作為一組問題：

• 草稿有幫助嗎？
• Source map 完整嗎？
• 系統漏了甚麼？
• 哪裏語氣肯定但基礎薄弱？
• 哪個審閱步驟捉到問題？
• 下次應該改甚麼？

這樣 adoption 才變得真實。團隊不只是使用 AI，而是學會 AI 在自己的工作中如何表現。

Access 不足夠

關於工作中生成式 AI 的研究顯示，access 在某些環境可以改善生產力（Brynjolfsson, Li, and Raymond^{1Brynjolfsson, Li, and Raymond, "Generative AI at Work"}）。這很重要，代表工具可以有用。

但有用不代表會自然平均擴散。

Adoption 取決於 fit。Daniel Russo 對 software engineering 中生成式 AI adoption 的研究發現，與既有 workflows 的 compatibility 是主要因素（Russo^{2Russo, "Navigating the Complexity of Generative AI Adoption in Software Engineering"}）。任何嘗試改變專業習慣的人都不會意外。人不是抽象地採用工具；當工具在他們本來要做的工作中有位置，他們才會採用。

更廣泛的 workplace AI adoption 研究亦指出 uptake 不平均。技能、培訓、digital maturity、employee voice 和工作本質都重要（Henseke）。

白話說：人需要的不只是 access。他們需要工具在工作中有一個位置。

隱藏失敗模式

明顯失敗是人不用 AI。

較安靜的失敗，是人用 AI 的方式公司看不見。

Shadow use 可能比不用更差。有人不查來源就草擬客戶工作。有人把敏感材料貼進錯的工具。有人因為答案聽起來完整就依賴它。有人建立私人 workflow，節省時間但沒有留下審閱軌跡。

公司於是有兩個問題：

• AI 沒有改善共享的工作方式。
• AI 仍然在製造風險。

Launch 解決不了這個問題。單靠政策也解決不了。人需要定期而實際的地方，把例子帶回來審閱。

反覆審閱是怎樣

反覆審閱不是大型 programme。

它是圍繞真實工作的 recurring habit。

對律師行，這可能是案件團隊每週帶一份 AI-assisted research packet 或草稿到審閱，並跟負責律師的判斷比較。

對會計師事務所，這可能是審閱 AI 在準備 working papers、客戶問題、reconciliations 或 management letter drafts 上哪裏有幫助，哪裏引入不確定。

對設計工作室，這可能是在既有 critique 中，同樣審視 AI-assisted research、concept options、copy、mood references 或 production checks。

節奏應該問：

• AI 準備了甚麼？
• 人改了甚麼？
• 缺了哪個來源？
• 甚麼應該被禁止？
• 甚麼可以模板化？
• 甚麼需要更好例子？
• 甚麼可靠到可以重複？

這才是 adoption。不是把使用量當 vanity metric，而是把學習變成習慣。

技術在實務中變得真實

Wanda Orlikowski 對機構中技術的 practice lens 在這裏有用。用白話說，她的觀點是：技術到來時不會自帶一個固定效果；人們透過實務中的反覆使用，令它變得有意義（Orlikowski^{6Orlikowski, "Using Technology and Constituting Structures"}）。

這正是 AI 的問題。

同一個模型可以變成：

• 玩具；
• 私人捷徑；
• 風險來源；
• 草擬輔助；
• 審閱助手；
• 更好的搜尋表面；
• 準備決策的方法；
• 保存學習的方法。

分別不只是模型，而是圍繞它的 practice。

應該量度甚麼

如果 adoption 被視為 launch，公司會量度 login。

如果 adoption 被視為 practice change，公司會量度更好的東西：

• first drafts 是否更容易審閱？
• 來源是否更清楚？
• 缺失事實是否更早被捉到？
• handover 是否更乾淨？
• 重複修正是否變成更好的 prompts、例子或 checks？
• 人們是否更清楚 AI 可以和不可以做甚麼？
• 高風險用法是否被帶到明處？
• 客戶、案件、項目和檔案是否被更好理解？

這些指標比使用次數更難，但也更接近價值。

Stanford AI Index 對宏觀圖像有用：AI 能力和 adoption 持續前進，但治理、評估和負責任使用在各機構仍然不平均（Stanford HAI^{5Stanford HAI, Artificial Intelligence Index Report 2025}）。一句話概括 adoption 問題：工具走得很快，工作改變得很慢。

簡單規則

不要問：「我們 launch AI 了嗎？」

問：

「AI 現在在我們每週工作中出現在哪裏？」

如果答案是沒有具體地方，adoption 還未開始。

如果答案是「私下，每個人不同」，adoption 未被管理。

如果答案是「在這個審閱、這份草稿、這個 source check、這個 handover、這條 approval path」，公司正在學習。

Launch day 製造注意力。

營運節奏製造 adoption。

真正的轉變，是把 AI 從一次性的培訓內容，放回團隊本身已經有責任的節奏裏。每週案件會、月度續約會、project review、client account review，都是比大型發布會更有力的位置。因為人在這些場合不是抽象地討論 AI，而是在看一份真實草稿、一個真實來源缺口、一個真實客戶承諾，以及下一步是否應該由人批准。

這也令培訓變得更具體。團隊不只是學「如何 prompt」，而是學這類工作應該帶哪些來源、甚麼語氣要由 account owner 決定、哪些輸出不能直接對外、哪些修正要回寫成模板或檢查。久而久之，AI adoption 不再是誰試過工具，而是哪個 workflow 已經有可重複的準備、審閱和改善方法。

最實際的做法，是把每次 review 變成小型改版。今個星期發現 source map 漏了客戶確認，就改 retrieval 或 checklist；下星期發現草稿語氣太像 marketing，就加入語氣例子；再下一次發現某類資料不應放入工具，就更新 policy 和 workflow。這些細小調整累積起來，才是真正 adoption。Launch 只告訴人可以開始，rehearsal 才教團隊如何把 AI 變成可信工作方法。

這種節奏亦能把風險帶到明處。人們不用私下猜甚麼可以做，而是在 review 裏討論真實例子：這份材料能否放入系統、這個輸出能否給客戶、這個錯誤是 prompt 問題還是資料問題、這個 use case 是否應暫停。當這些討論成為工作一部分，政策就不再只是文件，而是團隊每天練習的判斷。

成功的 AI adoption 因此不像一次大改造，而像一組穩定的工作習慣。

那些習慣沒有 launch event 搶眼，但它們會改變工作本身。

資料來源

1. Brynjolfsson, Li, and Raymond, "Generative AI at Work"
2. Russo, "Navigating the Complexity of Generative AI Adoption in Software Engineering"
3. Henseke, "Generative AI at Work"
4. Ali et al., "AI Adoption Across a Multinational Workforce"
5. Stanford HAI, Artificial Intelligence Index Report 2025
6. Orlikowski, "Using Technology and Constituting Structures"