上線了卻沒人用:企業 AI 採用率崩盤的 5 個死因

一套 AI 系統可以在後台跑得好好的:儀表板全綠,API 沒報錯,IT 簽了驗收單,專案結案報告寫著「已上線」。三個月後打開後台一看,每天真正打開它的員工不到一成。技術上它上線了,組織裡它從沒活過來。

這就是我們最想拆開講清楚的一件事:企業 AI 系統的「技術上線」和「被員工真正採用」,是兩件完全不同的事,中間隔著一條大多數專案都沒跨過去的鴻溝。 談企業 AI 採用率低的原因,如果只盯著模型準不準、系統穩不穩,你會永遠找不到真正的病灶。

過去兩年我們進場收拾過不少「上線了卻沒人用」的案子,歸納下來,死因大致是這五個。

死因一:把「技術驗收」當成「採用」

這是最隱形、也最致命的一個,所以我們把它獨立拉出來當第一死因。

大部分導入專案的成功定義,停在「系統可以用」——登入正常、回應正確、壓測過關。可是「可以用」和「有人用」之間,沒有任何因果關係。系統會不會被打開,取決於員工在那個當下,願不願意繞過他習慣了十年的舊做法。

我們看過採用率的真實數字:上線首週好奇心驅動,可能衝到三成;第三週掉回 8%;第八週穩定在 4%。曲線不會騙人。如果你的專案 KPI 裡沒有一欄叫「週活躍使用率」,那你根本沒在衡量採用,你只是在衡量交付。

員工的一天是有既定路徑的。CRM、ERP、email、內部系統,順序都是肌肉記憶。你塞一個新工具進來,如果它要求員工「先切換到另一個頁面、複製貼上、再切回來」,那它增加的是步驟,不是效率。

真正被採用的 AI,是嵌進既有動線裡的——在他本來就會打開的介面裡出現,而不是多一個要記得去點的圖示。Copilot 導入失敗,九成不是模型問題,是它站在工作流的外面。

人對 AI 的信任是不對稱的。對的十次不會被記得,錯的第一次會被截圖轉到群組裡。

尤其在金融、醫療、製造這種錯不起的場景,一個沒有來源、無法驗證的答案,足以讓整個團隊集體退回人工。RAG 知識系統如果不能點開每一句話背後引用的原始文件、如果答不出「這數字哪來的」,員工寧可自己查。他們不是抗拒 AI,是抗拒替一個看不見依據的黑盒子扛責任。

系統上線那天,通常也是所有人鬆手的那天。IT 的任務結束了,顧問撤場了,業務單位覺得「這是 IT 的專案」。於是沒有人盯著使用曲線往下掉,沒有人去問那些不用的人為什麼不用。

採用是一個需要被持續運營的過程,不是一次性交付物。沒有明確的 owner、沒有人每週看數字、沒有人負責去現場收集摩擦點,再好的系統都會慢慢冷掉。

很多體面的 AI 平台 Demo 那天全場點頭,因為 Demo 用的是理想資料、標準流程。可是真實企業裡,資料是髒的、流程是有例外的、部門之間的黑話是外人聽不懂的。一個為「平均值公司」設計的系統,落到任何一家有自己脾氣的公司,都會水土不服。

把這五個死因並排看,會發現一件事:沒有一個是「模型不夠強」造成的。採用率崩盤,幾乎都是組織、工作流與信任的問題,不是技術指標的問題。

這也是為什麼我們做導入時,不在系統上線那天收工。我們的工程師會留在客戶現場,盯著採用曲線、一個個部門去收集為什麼不用的理由,把 AI 重新嵌回員工本來的動線裡,直到那條使用率曲線真的往上走。對我們來說,Demo 很美不算數,上線也還不算數——有人天天在用,才算真的上線了。