a16z 上周发了一份消费级 AI 应用报告，里面有个数字我反复看了好几遍：付费用户中，排名前 1% 的人月均花费 903 美元，中位数只有 25 美元。

36 倍。同一类产品，头部用户和中间用户的花费差了一个数量级。

看到这个数据的时候我正在喝咖啡，差点呛出来。不是因为这个差距本身——搞技术的人对幂律分布早就麻木了——而是因为它精准地描述了一个我在团队里反复观察到的现象：AI 工具的采纳曲线，比大多数人想象的要陡峭得多。

花钱多不代表用得好，但用得好的人一定花得多

先说一个反直觉的事。月花 903 美元的那些人，大概率不是在"浪费钱"。

我跟几个重度 AI 用户聊过，发现一个共同点：他们的 AI 使用不是"聊天"，而是"工作流"。具体来说，他们不是打开一个对话框问个问题，而是把 AI 嵌入了自己的日常流程——代码生成后自动跑测试，测试结果自动分析，分析报告自动归档。每一步都调 API，每一步都在烧 token，但每一步省下来的人力时间远超花费。

有一个做基础设施的朋友跟我说，他用 Claude 写了一套自动化脚本，每周帮他处理大概 15 个小时的重复性运维工作。按他的时薪算，那笔 API 费用的 ROI 大概是 12 倍。

而月花 25 美元的人呢？大多数停留在"遇到问题问一下"、"帮忙写段代码"的阶段。这不是不好用，而是——用我那个朋友的话说——"你只用了它能力的 5%，然后觉得它也就那样。"

这个差距让我想到当年 Git 刚出来的时候。有些人花了一周学会了 rebase、bisect、reflog，然后效率翻了几倍；有些人只会 add、commit、push，用了三年也没觉得 Git 比 SVN 好多少。学习曲线的投入和回报之间，有一个很陡的拐点。AI 工具也一样，只是这个拐点来得更快——可能两三天就能判断一个人是"轻度用户"还是"重度用户"。

团队层面的马太效应

把视角从个人拉到团队，这个 36 倍的差距更有意思。

假设你有一个 10 人的前端团队。其中一两个人是"903 美元型"——他们找到了把 AI 嵌入日常工作的方式，每天都在用，而且越用越深。另外七八个人是"25 美元型"——偶尔用一下，没形成习惯，也没找到特别好的场景。

这种差距会自我强化。重度用户会在群里分享自己的用法，带动周围一两个人跟进。但如果团队里大部分人都停在浅层，就没人知道"深水区"长什么样。

我之前做过一件事：让团队里用得最好的那个人做了一次内部分享，不是讲"AI 有多好"，而是 live demo 他一天的工作流。从早上打开编辑器到下午提交代码，AI 介入了哪些环节、哪些环节没用、哪些环节还在优化。分享完之后的一周，团队里又有两个人开始尝试类似的流程。

但有个前提——你得先找到那个"1%"。如果团队里压根没有重度用户，外部培训的效果很有限。我见过不少公司花几万块请人做 AI 培训，大家听完觉得"挺有意思"，回去之后还是该干嘛干嘛。原因很简单：没有内生的使用习惯做土壤，外部输入的种子长不出来。

从"会用"到"用好"中间差了什么

我一直在想，25 美元和 903 美元之间的鸿沟，到底是什么。

后来我想明白了。不是"会不会写 prompt"——这个东西半天就能学会。也不是"工具选对了没有"——市面上主流 AI 工具的能力差异没那么大。

差的是一个叫"工作流重构"的东西。

轻度用户的思维模式是：我有个工作 → 中间卡住了 → 问一下 AI → 继续干。AI 在这里是个"顾问"。

重度用户的思维模式是：我有个工作 → 哪些环节可以让 AI 来做 → 我来做判断和质量把关。AI 在这里是个"执行层"。

这两种模式的差异不是工具使用技巧，而是对自己工作方式的重新审视。你得先把自己的工作拆解成足够细的颗粒度，才能识别出哪些环节适合 AI 接管。这件事本身就需要时间——我估计大部分人从来没认真拆解过自己的日常工作到底由哪些动作组成。

这也是为什么管理者没法靠"推"来提高采纳率。你可以给团队买最好的 AI 订阅、安排培训、发使用指南，但如果他们的工作方式没有改变，工具就只是多了个 tab。

倒是有一个做法我觉得有效：不是告诉团队"你要用 AI"，而是问"你这周最烦的重复性工作是什么"。找到那个痛点，帮他设计一个 AI 介入的方案，跑通一次。有了第一次正反馈，后面的事会自然发生。

管理者该看什么指标

说实话，大部分管理者在 AI 采纳这件事上看的指标是错的。

最常见的错误指标是"人均使用频率"——团队平均每人每周用了几次 AI。这个数字好看，但什么都说明不了。一个人每天用 AI 写 50 行无关紧要的代码，和另一个人每周用 AI 重构一个关键模块，哪个更有价值？

我觉得更有意义的指标是"渗透率"：团队里有多少人已经把 AI 嵌入了至少一个核心工作流。注意是"核心工作流"，不是"偶尔用来查个东西"。

如果 10 个人里有 3 个人达到了这个状态，你的团队 AI 渗透率就是 30%。这比"人均使用 20 次/周"有意义得多。因为那 3 个人省出来的时间和产出，才是 AI 投入的真实回报。

a16z 那份报告还有个数据点：AI 支出前 1% 用户的总花费，超过了后 50% 用户的总和。放到团队场景里，这可能意味着你 10 人团队里那 1-2 个重度用户的 AI 产出，比其他所有人加起来还多。

这对管理者的启示很直接：与其搞全员推广，不如先识别和培养那 1%。给他们更好的工具、更多的试错空间、更宽松的时间安排。等他们的用法成熟到可以复制了，再往外推。

一个还没发生但可能发生的事

最后说一个我还没想清楚的担忧。

历史上的工具采纳——Git、Docker、Kubernetes——重度用户和轻度用户之间的效率差距通常是 2-3 倍，拉不开一个数量级。但 AI 工具可能不一样。因为 AI 的使用深度没有天花板：你用得越多，它越了解你的上下文；它越了解你的上下文，产出质量越高；产出质量越高，你越愿意把更多任务交给它。

这是一个正反馈飞轮。而飞轮一旦转起来，25 美元和 903 美元之间的差距只会越拉越大。

我有时候会想，三年后回头看，25 美元和 903 美元的差距可能不是"用得多和用得少"的区别，而是"两个不同的职业"的区别。就像今天没有人会觉得"会打字"是一项值得写进简历的技能——它已经成了默认能力。AI 的深度使用能力，可能也在走这条路。

只不过从"可选"到"默认"的窗口期，可能比大多数人以为的要短得多。