有些公司的 AI 转型，像健身房年卡。
买的时候热血沸腾，PPT 上肌肉线条清晰；三个月后真正在动的，可能只有付款记录。
7 月 19 日，Simon Willison 转发了 Nik Suresh 的一篇文章，里面有个很刺眼的场景：Nik 说，他见过一位高管刚做完一份全公司围绕 AI 的技术战略，随后承认自己从来没用过 ChatGPT，也没用过任何 AI 工具。那家公司年收入超过 20 亿美元。
这类案例是匿名转述，不能当成行业统计。但它足够像很多会议室里的空气：所有人都在说 AI，真正上手的人反而最安静。
更荒诞的是另一个例子。有公司把 token 消耗做成排行榜，工程师为了保住位置，让 AI 去把一份 Go 仓库改写成 Zig，输出能不能用不重要，账单看起来很努力。
这就像公司要求员工每天走一万步，结果大家把手机绑到电风扇上。步数很感人，人没动。
AI 转型最怕演出来
企业想用 AI 很正常，麻烦出在另一件事：组织太急着证明“我们已经在用 AI”。
一旦“使用多少 AI”变成政治正确，指标就会开始变形。购买 Copilot 许可证可以叫转型，上线没人用的内部聊天机器人可以叫创新，token 排行榜可以叫 adoption。最后大家都很忙，只有业务结果没被叫到会议室。
合格的 AI 项目应该先问一个笨问题：它到底完成了什么工作。
OpenAI CFO Sarah Friar 7 月 17 日发了一篇文章，提出企业衡量 AI 投入的四个问题：AI 完成了多少有用工作；每个成功任务实际花多少钱；结果有多可靠；投入扩大后，每一美元是否换来更多工作。
这组问题有价值，因为它把讨论从“买了什么工具”拉回“交付了什么结果”。
一个客服机器人接了很多电话，却没有解决问题，只是把用户温柔地送进虚空，最后得到的是自动失联。一个 coding agent 生成很多 PR，却大部分不能合并，最后得到的是代码烟花。
真指标要防刷
企业要避免 AI 表演化，可以先看四件事。
第一，任务有没有“完成”的定义。合同审完、工单解决、代码过测试，这些才算工作结果。
第二，成本算不算失败和返工。便宜模型跑十次、人审三轮，不一定比贵模型一次成功更省钱。
第三，可靠性有没有分层。哪些结果可直接使用，哪些需要修正，哪些必须升级给人处理，这比单一准确率更接近真实工作。
第四，指标能不能被刷。token、调用次数、使用时长，都是很容易被电风扇带着跑的数字。真正该看的，是成功任务和业务结果。
AI 当然会改变工作。但越是重要的投入，越不能只靠口号推动。
团队如果真的想用 AI，第一步可以很小：挑一个具体流程，定义完成标准，算清成功任务成本，再看它能不能稳定复用。
AI 转型最怕的是演得太像真的。演久了，账单会当真，业务不会。
