定义¶

Stanford HAI AI Index 2026 报告（423 页）中五组关键数据勾勒的全球 AI 采用现状。核心发现：AI 的采用呈现三重分裂——企业端降本 vs 增收、发达国家保守 vs 新兴市场激进、初级劳动力被替代 vs 高级劳动力受益。

一、企业 AI 落地：降本与增收两条线¶

McKinsey 全球 AI 调查数据：

逻辑清晰：工程和运维用 AI 省人，营销用 AI 赚钱。这两条线对应完全不同的组织变革路径——降本意味着裁员压力，增收意味着新能力需求。

二、全球温差：后发国家更积极¶

• 全球 58% 员工半定期使用 AI
• 印度、中国、尼日利亚、UAE、沙特 >80%
• 马来西亚、泰国、印尼、新加坡 >80% 认为 AI 将在 3-5 年内深刻改变生活

悖论：AI 技术前沿在美国，但使用最积极的是新兴市场。可能的解释： - 后发国家的"基础设施跳跃"（跳过 PC 直接用手机的模式重演） - 发达国家劳动力更担心被替代（已有高薪工作可失去） - 新兴市场的年轻人口结构更适合新技术扩散

这与 china-us-ai-gap 中描述的"体系差异"互补——差距不只在技术，也在采用意愿和速度。

三、美国：用得多，但不兴奋¶

• >60% 美国成年人每周至少几次使用 AI
• 仅 33% 认为 AI 会让工作变好（全球平均 40%）
• 仅 10% 对 AI 在日常生活中的应用感到兴奋

高使用率 + 低兴奋度 = 工具化而非革命化。美国人把 AI 当效率工具用，但不相信它会让世界变好。这种态度可能导致美国在 AI 应用创新上反而落后于更乐观的亚洲市场。

四、学生：GenZ is AI-Native¶

Chegg 调查（15 国大学生）：

再次出现全球温差：印尼 95% vs 美英 67%。新兴市场的学生更主动拥抱 AI。

与 rural-student-structural-disadvantage 中"工具平权，认知没有平权"的判断形成对照——AI 工具的获取门槛极低，但使用效果的差距可能反而扩大。

五、初级劳动力的结构性冲击¶

• 美国 22-25 岁软件开发者就业自 2022 底下降近 20%
• 30 岁以上开发者就业反而增长 6-12%

这个数据直接验证了 ai-first-engineering 中 CREAO 的观察："适应性比积累的技能更重要——初级工程师比高级工程师适应更快"。但矛盾在于：初级岗位本身在消失。

结构性困境： - AI 替代的首先是初级岗位（重复性高、判断力需求低） - 但初级岗位是培养高级人才的必经之路 - 如果入口消失，高级人才的供给管道将在 5-10 年后断裂

这与 experience-over-knowledge 的核心论点一致——经验只能通过实践积累，不能检索。如果初级实践机会消失，经验积累的通道也随之消失。

doom vs hype 二分撕裂的认知机制¶

Linear CEO Karri Saarinen 在 2026-04-26 X 长文给"美国高使用率 + 低兴奋度"和"全球温差"提供了一个认知机制层解释：

"I find the current market narratives around AI too simplistic, and honestly a little disheartening. The conversation often leaves no room between optimism and doomerism."

"AI capabilities are described and understood as limitless to the casual observer. In areas you understand deeply, you see the gaps."

翻译到全球温差数据：

• 新兴市场 80%+ 使用率 + 高兴奋度：使用 AI 时多数人是 novice（缺乏先存基础设施 / 没成熟职业经验 / 无法识别 AI 输出的具体缺陷）→ Dunning-Kruger 模式 → 看到 magic
• 美国 60% 使用率 + 33% 觉得 AI 让工作变好：使用 AI 时多数人在自己专业领域有积累（更可能识别 slop / 看到 AI 与自己工作流的具体不匹配）→ Gell-Mann 模式 → 看到 gap

含义：本页"全球温差悖论"不只是文化或基础设施差异，是评估者对 AI 能力的认知不对称——novice 主导的市场看到无限可能，expert 主导的市场看到具体限制。这条与 Saarinen 主张的"cautious optimism"立场（拒绝 doom 也拒绝 hype）一致——他给出的"住在当下能力"的方法论本质就是让 expert 视角成为评估默认锚。

这条对企业 AI 落地战略的具体含义（详见 expertise-paradox）：

• 不要用"全球新兴市场都在用、我们落后了"做决策——这条焦虑叙事多数来自 Dunning-Kruger 模式评估者
• 不要用"美国精英都不兴奋、AI 是泡沫"做决策——这条悲观叙事多数来自 Gell-Mann 模式评估者
• 真实判断：AI 能力随细分赛道、组织成熟度、专家可用性差距很大，没有单一全球叙事可参考——必须在自己业务里做小规模试验、让 expert 实测、再扩

Kim Graves 视角：企业落地慢的 enterprise 侧具体观察¶

Kim Graves（Notion 美洲区总经理 / 前 Slack 销售）2026 年访谈给"AI 创新速度 vs 落地速度撕裂"提供 enterprise 一线观察补强：

AI 创新速度很快，但企业落地非常慢，大部分还在观望。最近调研发现高管最关心的不是"AI 能力多强"，而是"如何把 AI 整合进现有工作流"。

具体形态： - 企业内部已有大量流程与优先级 → 让 AI 产生实际价值需要时间 - 高管担心的不是 AI 不够强，是不知道怎么嵌入 - 销售姿态应当是"AI 嵌入已有工作流"，而非"AI 颠覆一切"

这条与 expertise-paradox 互补但视角不同： - expertise paradox 解释评估侧的撕裂（高管 novice 看到 magic / 一线 expert 看到 slop） - Kim Graves "企业落地慢"解释部署侧的卡点（高管即使认可 AI 价值，组织流程匹配是真瓶颈） - 两者叠加 = 美国 60% 使用率（个体试用率高）+ 33% 觉得 AI 让工作变好（组织化落地少）

Kim Graves 自己的绩效复盘标准反映 enterprise AI 落地的真实成熟度信号： - 不考核 AI 熟练度 / AI 工具使用率 - 考核收入 / pipeline / 团队成长——AI 是手段不是终点 - 真正扎根时刻 = 企业从"AI 试点预算"转向"用 AI 驱动实际业务结果"（详见 plg-sales-coordination）

五组数据的统一图景¶

企业端：降本（工程/运维） + 增收（营销/销售）
    ↓
全球：新兴市场积极采用 vs 发达国家保守焦虑
    ↓
教育：学生已 AI-Native（80%+），但国别温差大
    ↓
劳动力：初级岗位消失（-20%），高级岗位暂安（+6-12%）
    ↓
悖论：培养高级人才的入口正在被 AI 自己堵上

相关概念¶

• china-us-ai-gap — AI 差距不只在技术，也在采用意愿和速度
• ai-first-engineering — CREAO 实证：初级工程师适应更快，但初级岗位在消失
• experience-over-knowledge — 经验只能通过实践积累，初级实践机会消失 = 经验管道断裂
• agency-framework — 经验钙化三层理论：初级岗位消失意味着领域专精无从积累
• rural-student-structural-disadvantage — AI 工具平权但认知未平权，使用率差距（印尼 95% vs 美英 67%）可能扩大而非缩小不平等
• platform-layer-collapse — AI 替代初级开发者是平台层坍缩在劳动力市场的投影
• university-major-restructuring — 大学专业洗牌：需求端（初级岗位消失）的供给端响应（砍专业+建 AI 专业）
• process-data-vs-output-data — 91% 企业数据不可靠 = 过程数据缺失的具体表现
• work-experience-ownership — 初级岗位消失的另一侧叙事：高级岗位的经验被剥离封装
• expertise-paradox — Saarinen 视角：全球温差 + 美国高使用率低兴奋度的认知机制层解释（novice Dunning-Kruger vs expert Gell-Mann）
• plg-sales-coordination — Kim Graves 视角：企业落地慢是"如何嵌入现有工作流"的组织瓶颈，不只是 AI 能力问题；销售 KPI 从"AI 熟练度"回到"收入 / pipeline"