把AI使用率从20%拉到100%，只需要做这四件事
本文通过工具Ai好记视频转文字转录整理，以下为精炼整理后的会议笔记内容。
很多团队推 AI，卡点从来不是模型不够强，而是人不用、用不深、不动脑、太伤脑。
腾讯性能工程团队负责人黄闻欣把这一幕讲透了：带团队把 AI 使用率从 20% 拉到 90%，一周后接近 100%。他没有讲漂亮概念，全是怎么落地的动作。
这篇文章把这套打法拆开，重点讲四道坎各怎么过，每一个都配了可实操的方法。
先看结果：使用率怎么从 20% 拉到 100%
黄闻欣的做法分两步。先铺地基，再掐节点。
- 地基：自 ChatGPT 刚出就在内部持续分享，坚持两年多的「闪电分享」，每周花 5 分钟让团队讲讲 AI 落地碰到的事。
- 节点：2025 年 3 月组织一次团建，核心是传递紧迫感。会上给出三条路：提升效率卷起来；放弃做 AI；或者真实地创造东西。
结果很直观：
| 阶段 | AI 使用率 |
|---|---|
| 团建前 | 约 20% |
| 团建后 | 爆到 90% |
| 再一周 | 接近 100% |
但黄闻欣自己点破一个关键变量：模型真的变强了。很多团队推不动，一半是人的问题，一半是当时的模型确实不顶用。别急着把责任全甩给员工。
第一道坎：不去用，越有经验越抗拒
他开场讲了个非常真实的细节：用 AI 工具协同生成 PPT，结果出来的东西「不太是我想要的」，赶时间只能硬着头皮用，还自嘲格式不匹配是 AI 的锅。
这种「试一次觉得不行」的体验，正是很多老员工拒绝 AI 的开端。解法不是讲道理，而是：
- 给足紧迫感，用团建这种有仪式感的节点把焦虑具象化。
- 停止归罪模型，先确认模型能力已经到位，再推动意愿。
- 经验丰富的人往往更依赖既有路径，需要额外给「试试看」的理由。
第二道坎：用太少，大多数人用得很浅
使用率上去后，他盯住另一个指标：一天 24 小时里，有几点时间是真在跟 AI 协作。结果并不理想。他借亚里士多德四因说，把「用不深」拆成四个根因：
| 维度 | 问题 | 真实表现 |
|---|---|---|
| 材料因 | 提示词难复用 | 每个人写的提示词都长在自己的工作流程里，搬给别人就水土不服 |
| 动力因 | 工作边界焊死 | 很多人只想当螺丝钉，别人的痛点跟自己无关 |
| 目的因 | 把提效当终点 | 只盯着省多少人力，从没问省下的人要创造什么 |
| 结构因 | 黑箱等待时间 | 等 AI 输出、等自己接下一步、等别人交付，三重等待吃掉效率 |
对应解法也具体：
- 打破职能墙：
他去关注下游痛点。测试交付缺陷后，研发要解 bug 还要重现，跟他无关，但他意识到下游没提效，等于害了别人。于是用 AI（如 nanobanana）直接生成美观的性能白皮书，这事以前「想都不敢想」。
- AI 复盘会：
每周四一次不行，因为到周四早忘了现场。改成每天下午 5 点半到 6 点，只听当天遇到的具象问题，禁止演示、禁止聊概念。
- 上下文工程：
AI 推理错了，很多时候是「上下文不全」。做法是重塑流程，让 AI 团队在数据库评测前先做对应机型评测并把数据关联进来，再配合 Tracing、Logging、Metrics 等动态上下文和代码库静态上下文。
第三道坎：不动脑，被 AI 的假象带着走
他直言「懒得动脑是刻在人类 DNA 里的」。真正的危险不是不用，而是用了之后照单全收。
这里有个很魔鬼的机制：模型天然会补全一个「看起来好像对」的答案。
- 当你心里没有期待的答案时，AI 给什么你都觉得不错。
- 一旦你心里有数，就会发现它给的东西经不起推敲。
他举了「云端一体」的例子：问 AI 要不要云端一体，它肯定说要不要，但那只来自「搜索到的文章帮你总结提炼」，不是真实的预测。
所以关键不是反复调提示词、换 LangChain 还是 LangGraph，而是先想清楚「什么算好」。
第四道坎：太伤脑，理想态最难定义
最反直觉的一道：AI 用得越深，越需要人去做最烧脑的事，就是定义理想态。黄闻欣管它叫「说塔」，要定下「收塔」的标准。
难点在于两重能力的矛盾：
- 从具象到抽象：懂业务，又能提炼出业务的理想态、归纳出需要的能力。
- 从抽象到具象：把理想态落成一条条可评测的规则，过程「超级脏、超级累」。
对人是「圣人的要求」，既要有高阶能力，又要不怕脏。他的落地解法是：
- AI 能力必须配测试用例，没有测试用例他一律不认。
- 老板亲自看 Benchmark，他提到腾讯对外发布 CodeBuddy，背后就是 Benchmark 的重要性。
- 代码知识库这种地方，要的是能答出「代码三态分析」、找全局变量关联调用链这类具体本事，而不是听着很酷的演示。
把四道坎串成一套管理动作
这四道坎是递进的：先让人愿意用（动力），再让人用得深（能力），再防止不动脑（判断），最后逼着定义理想态（方向）。对应的管理动作可以照着排：
- 每日固定时段 AI 复盘，只听具象问题，不听演示和概念。
- 给 AI 能力设基准和测试用例，老板亲自看效果。
- 重塑流程，把上下文工程做扎实，而不是追着换模型换框架。
像「四道坎」这种信息密度高的内容，光靠听容易漏细节，转成结构化笔记后方便反复对照和复习。
AI 落地的天花板从来不只在模型，更在组织怎么重新定义人的位置和工作方式。这四道坎，每一道都得靠人自己迈过去。
FAQ：AI 落地经常踩的坑
Q：团队 AI 使用率低，是不是员工态度问题？
A：不一定。先确认模型能力跟上了，再谈人愿不愿意。很多「推不动」其实是时机不对，不是人不努力。
Q：为什么提示词和 Skill 很难在团队里复用？
A：因为每个人写的提示词都嵌在自己的工作流程和上下文里，换环境就水土不服，头部效应非常明显。
Q：复盘会为什么要每天开，而不是每周？
A：周会间隔太长，现场细节早忘了。每天傍晚 5 点半到 6 点复盘，才能抓住新鲜滚烫的具象问题。
Q：什么叫理想态？普通人也能定义吗？
A：理想态就是「什么算做得好」的标准。需要懂业务的人抽象出能力，再落成可评测规则，难度高，但对 AI 团队几乎绕不开。