技术悬浮：为什么越先进的技术越没人用？
什么是“技术悬浮“——为什么越先进的技术越没人用
一、一个反常识的现象：系统越先进，工位上越没人点开它
先讲一个你大概率见过的场景。
某零售公司花了七位数预算，上线了一套 AI 智能排班系统。算法很漂亮：综合历史客流、天气、促销节奏，自动算出每个时段该排几个人、谁上谁休。董事会很满意，PPT 里写着"人效提升 15%"。
可三个月后,门店店长悄悄把系统晾在一边,继续用 Excel 和微信群排班。问起来,理由特别朴素:“机器排的班,把一个有两个娃要接送的大姐排到了晚班,把住得最远的小伙排到了早八点。它算得出客流,算不出人情。”
这不是个案。名创优品在推进 AI 排班时,就遭遇过一线员工的明确抵触——系统优化的是"总工时成本"这个冰冷指标,而一线在意的是排班公不公平、能不能照顾到具体的人。技术算的是最优解,人要的是能接受的解。这中间的鸿沟,就是今天要聊的主题。
我把这种现象叫做"技术悬浮":一项技术本身足够先进,却像悬浮在半空中的云,与脚下真实的业务地面始终隔着一道缝隙,落不下去,也接不上地气。结果就是——越先进的技术,反而越没人用。
二、不是孤例:从 AI 排班到 AI 选品,悬浮无处不在
如果说排班还只是"人情"问题,那永辉的故事就更说明结构性矛盾。
生鲜是出了名的"高损耗、强依赖冷链、高度不标准化"的品类。永辉早年靠极致的生鲜运营把损耗率压到行业领先水平(行业平均损耗率约 3%,而朴朴、叮咚这类对手把数字卷到 2% 上下)。当永辉试图用数字化、AI 来做智能选品和供应链优化时,问题暴露了:AI 模型理解不了生鲜业务里那些"只可意会"的规则——同一批叶菜,南方梅雨季和北方干燥季的损耗曲线完全不同;同一个 SKU,在社区店和商圈店的动销逻辑两样;临期处理的尺度,各区域门店有各自的土办法。
这些规则,写在老店长的肌肉记忆里,没写进任何一张数据表。AI 拿到的训练数据本就残缺,算出来的选品建议自然"水土不服"。结果是,永辉 2023 年线上销售占比仅 17.6%,履约成本却高达 21%,数字化投入与业务回报严重倒挂。这背后不是算法不够强,而是算法接触不到业务最关键的那部分隐性知识。
再往大了看,这种"系统空转、沦为形式化摆设"的情况触目惊心。艾瑞咨询 2025 年 Q1 的调研给出一个扎心数字:82% 的中国企业 AI 项目"停留在试点阶段"——要么模型准确率不达标,要么员工不会用,要么干脆无法融入现有业务流程。买了系统、上了模型、做了大屏,然后呢?然后大屏挂在墙上当装饰,员工照旧用老办法干活。
技术买回来了,业务一点没变。这就是最典型的悬浮。
三、80% 的失败率背后:被高估的技术,被低估的组织
为什么这么普遍?麦肯锡那个流传甚广的数字可以提供一个量级感:企业数字化转型的成功率仅约 20%,也就是说约 80% 以失败告终。在石油、汽车、制药这类传统行业,成功率更是低到 4%–11%;即便是高科技、媒体、电信这些"懂技术"的行业,成功率也不超过 26%。麦肯锡 2023 年的后续报告甚至指出,只有 16% 的受访者认为自家转型真正持续提升了绩效。
注意,失败的原因绝大多数不在"技术不够好"。麦肯锡反复强调一个判断:数字化转型的关键不是数字化技术和设备,而是组织变革——让组织变得敏捷、能适应。换句话说,技术只是工具,真正决定成败的是技术能不能嵌进人、流程和真实场景。
这里藏着一个认知陷阱,我称之为"先进性崇拜":决策者天然倾向于为"看起来最先进"的方案买单——大模型比规则引擎高级,自动化比半自动高级,实时大屏比周报高级。于是预算流向技术的"先进度",而不是技术与业务的"契合度"。
可一线的真实需求,常常朴素到让技术团队尴尬。有位 CSDN 上的工程师复盘踩坑经历时写道:客服领导要上生成式 AI 自动归类用户反馈,折腾半天发现——"一些简单的规则,就能达到差不多甚至更好的效果。"不是所有问题都需要最先进的技术,有时候传统方案不仅更简单,还更可靠。为了用 AI 而用 AI,是悬浮的起点。
如上图,把"技术先进度"和"业务契合度"做成两个维度,会看到四个象限。大多数失败项目挤在左上角的"技术悬浮区":技术很潮,业务不搭。而真正创造价值的,是右上角"先进且有用",甚至右下角那个不起眼的"朴素好用区"——技术不炫,但天天有人用、真能解决问题。先进度高、契合度低,远不如先进度一般、契合度高。
四、同一家公司,正反两面:永辉自己给出了解药
有意思的是,永辉这家公司,既贡献了"技术悬浮"的反面教材,也贡献了"技术落地"的正面样本——区别在于,后者是从业务痛点长出来的。
永辉的"合伙制 + 赛马机制"广为流传:它精准诊断出零售业一个被低估的死穴——一线员工"拿着卖白菜的钱,操着卖白粉的心",收入低、没干劲,生鲜搬运全靠"暴力测试",损耗率居高不下。直接涨薪是饮鸩止渴,于是永辉让门店和总部签"对赌"目标,超额部分拿出 30% 作为分红;部门之间按毛利达成率横向赛马,第一名分配系数 1.5,末位垫底。
这套机制几乎零技术含量,却比任何 AI 排班都管用:员工收入和门店业绩、和生鲜损耗直接挂钩,损耗这座"隐形金矿"自然有人去管了。短短三年,永辉营收冲破 900 亿。
对比再鲜明不过:同样想解决"一线效率"和"生鲜损耗"这两个真实痛点,AI 选品悬浮了,合伙制落地了。差别不在技术先进与否,而在于——后者是贴着业务和人的真实诉求设计的,前者是带着技术方案去找问题。
美的的"反内卷"改革也印证了同一个道理。它没有迷信酷炫系统,而是用数字化看板替代了 87% 的手工报表,让质量异常响应从 4 小时缩短到 15 分钟;算法自动抓取无效流程,一年优化掉 238 项冗余审批。这些技术都不"性感",但每一项都精准卡在业务的痛点上,所以真正跑了起来。
五、怎么让技术"落地":三个朴素的动作
如果说技术悬浮的病根是"从技术出发找问题",那解药就是反过来——从业务和人出发选技术。具体到可操作的层面,我给三个朴素的建议:
第一,先问"谁用、为什么用",再问"用什么技术"。任何系统上线前,把最终的一线使用者拉进设计环节。AI 排班如果一开始就让店长和员工参与定义"公平"的边界,就不会出现"算法把客流算准了、却把人心算崩了"的尴尬。技术的合法性,来自使用者的认同,而不是 PPT 上的指标。
第二,把隐性知识显性化,别让 AI 在残缺数据上裸奔。永辉 AI 选品的教训是:老店长脑子里的"梅雨季损耗规律""区域动销差异"没进系统,AI 就只能瞎猜。落地的前提,是先花笨功夫把业务规则、场景约束沉淀成数据和规则,再让模型在上面学习。82% 的项目卡在试点,很多就卡在这一步。
第三,接受"够用就好",警惕先进性崇拜。能用规则解决的,不一定要上大模型;能半自动跑通的,不一定要全自动。判断一项技术好不好,唯一的标准不是它有多新,而是它有没有被真实地、持续地使用,有没有让业务指标真的动起来。
结语:悬在空中的不是技术,是脱离业务的傲慢
回到开头那个被晾在一边的 AI 排班系统。它先进吗?先进。它失败了吗?彻底失败了。因为它解决的是技术团队想象中的问题,而不是门店大姐真实面对的问题。
技术从来不会因为"先进"就自动产生价值。一项技术真正的生命力,不在于它有多前沿,而在于它有没有落到地上、有没有解决某个具体的人某个具体的痛点。悬在空中的从来不是技术本身,而是那份"我有最好的工具,你们就该用"的傲慢。
如果只能带走一句话,我希望是这句:
别问这项技术有多先进,先问它在谁手里、解决了谁的什么麻烦——接得上地气的技术,才配谈未来。