AI 上线不等于采用：如何收集真实证据

工作流能打开、一次演示成功、员工收到账号，都不等于采用。采用意味着目标用户在真实工作中反复使用，并且质量、风险和业务结果达到预先约定的门槛。

OpenAI Academy 的 Workflow adoption planner把重复使用、质量、人工覆盖、异常、支持成本和业务结果放在同一计划中。它是厂商工具，具体指标必须回到企业自己的流程、基线和责任人。

适合谁

• 已经完成原型或小范围上线，却不知道是否应该扩大投入的团队。
• 使用次数看起来很高，但业务人员仍在私下回到旧流程的项目。
• 需要用证据区分技术验收、用户采用和商业效果的负责人。

先分清六种状态

1. 可访问：账号、页面或接口能够使用。
2. 已培训：目标用户参加过说明或演示。
3. 已试用：用户至少完成过一次受控任务。
4. 重复使用：同一流程在真实工作中持续出现。
5. 质量达标：输出、异常、人工覆盖和回退符合验收标准。
6. 业务有效：等待、返工、风险或成本相对基线有可解释变化。

不能用前一层的证据替代后一层。例如登录次数证明可访问，不能证明质量或业务有效。

建立证据的五步

1. 保存人工基线

记录上线前的样本量、处理时间、返工、异常、责任人和完成定义。没有基线，就无法判断变化来自 AI、流程调整还是样本不同。

2. 定义目标用户和使用场景

写明谁应在什么触发条件下使用工作流。全公司人数不是分母，真正负责该流程的人才是目标用户。

3. 同时记录使用与未使用

记录重复使用、完成率和中途退出，也记录为什么不用：材料不齐、质量不稳、权限受限、旧流程更快或培训不足。

4. 把质量和人工覆盖放在使用量旁边

每批样本保留抽检、错误类型、人工修改和升级处理。使用量上升但人工返工更多，不是成功。

5. 用时间窗口判断继续、调整或停止

先约定观察周期和决策门槛。结论可以是扩大、修改、保留小范围、继续验证或停止；停止一个不合适的工作流也是正确结果。

最小证据表

• 目标用户数、活跃用户数和重复使用人数。
• 真实任务数、完成数、退出数和转人工数。
• 抽检样本、错误类型、人工修改量和高风险事件。
• 与人工基线相比的时间、返工和等待变化。
• 用户提出的具体阻碍、支持成本和版本变更。
• 责任人对扩大、调整或停止的书面结论。

失败信号

• 把账号开通率、培训签到或一次 Demo 当作采用。
• 只记录节省时间，不记录人工校正和异常处理。
• 指标没有基线、样本范围和时间窗口。
• 为了提高使用量，强迫用户使用尚未达标的流程。
• 失败样本只在聊天中讨论，没有进入版本和评测记录。

可下载模板

下载《AI 工作流采用证据表》，分别记录可访问、试用、重复使用、质量和业务结果。