向AI弃权 / HUMAN STILL / Ariana千束
核心议题词：AI adoption、capability overhang、Signals、组织重组、劳动市场、AI 治理、制度吸收
过去两年，很多人把注意力几乎都放在了模型能力本身。
更强的推理。
更长的上下文。
更像人的对话。
更复杂的代码生成。
更便宜的视频和图像生产。
但如果把 2026 年初的一些官方信号和中国现实放在一起看，我越来越觉得，今天最值得认真讨论的问题已经不是“AI 够不够强”，而是：
AI 的能力增长，开始快过社会的吸收速度了。
这不是一句文风化的夸张表达，而是一个越来越具体的现实判断。
一边，OpenAI 开始专门上线 Signals 页面，追踪 AI 在真实世界里的采用情况。
另一边，中国生成式 AI 用户规模已经达到 5.15 亿。
但与此同时，组织流程、教育评价、版权机制和劳动市场，并没有同步完成重组。
换句话说，今天 AI 面临的一个关键瓶颈，已经从“技术能力不足”逐渐转向：
社会没有把它真正吸收进去。
如果只想先抓重点，可以先看这张表：
| 看起来像已经发生的变化 | 更接近真实情况的判断 |
|---|---|
| 很多人在用 AI | 这最多说明 AI 已大规模触达 |
| 员工用 AI 写周报、改 PPT | 这还是个人外挂，不是组织吸收 |
| 学生用 AI 查答案 | 这不是教育吸收，只是旧制度里的新外挂 |
| AI 生成能力越来越强 | 真正的瓶颈开始变成制度和流程能不能接住 |
一、OpenAI 为什么突然开始研究“真实采用”
很多人看到 OpenAI、Anthropic、Google 这些公司发新东西，第一反应还是：
新模型强了多少？
推理又进步了多少？
价格是不是又降了？
但 2026 年一个很值得注意的变化是，官方信号开始越来越多地转向“采用”和“吸收”。
其中最典型的动作，就是 OpenAI 上线了 Signals 页面。
这类页面的意义，不只是做一个好看的资料中心，而是在明确释放一个判断：
模型能力的增长，已经不能自动等于现实世界的价值落地。
更进一步，OpenAI 还专门提出了一个非常关键的概念：
capability overhang
如果翻译成更顺手的人话，大致可以理解成：
AI 的能力，已经超前于社会当前真正能用掉、消化掉、组织起来的水平。
这个概念为什么重要？
因为它把我们从“AI 会什么”这类能力视角，硬生生拉回了“社会到底接住了多少”这个采用视角。
过去我们常常默认一个技术逻辑：
模型更强
-> 产品更好
-> 用户更多
-> 社会自然会适配
但现实往往不是这样。
更常见的情况反而是：
模型更强
-> 少数人先拿到技术杠杆
-> 大量组织和制度来不及改
-> 新能力先以焦虑、挤压和失序的方式表现出来
这就是为什么“能力溢出”会是一个比“模型突破”更值得重视的信号。
二、5.15 亿用户是巨大进展，但不能误读成“已经吸收”
放回中国，这个问题会更有张力。
到 2025 年 6 月，中国生成式人工智能用户规模已经达到 5.15 亿，普及率为 36.5%。
这当然是一个非常大的数字。
它至少说明三件事：
- AI 已经不是极客圈的小众玩具。
- 中国市场的触达速度非常快。
- 普通用户对 AI 的试用门槛已经明显下降。
但问题也正出在这里。
触达很快，不等于吸收很深。
如果不把这两个概念拆开，我们很容易误判中国当前所处的位置。
在我看来，至少可以把社会对 AI 的接纳过程拆成四层：
1. 接触 / 尝鲜
注册、试用、聊天、画图、问问题。
这个阶段的本质是：
知道它、碰过它。
2. 使用 / 嵌入
开始把 AI 稳定放进某些工作环节里。
比如：
- 改文案
- 做纪要
- 写周报
- 翻译资料
- 做基础搜索和整理
这个阶段的本质是：
它开始成为你的外挂。
3. 吸收 / 重组
这才是真正的质变层。
它意味着：
- 岗位边界被重新划分
- 流程被重新设计
- 协作方式被重写
- 评价标准开始变化
这个阶段的本质是：
AI 不再是外挂，而开始改写系统本身。
4. 制度化吸收
再往上，是更宏观的制度层。
比如：
- 教育评价体系调整
- 版权与训练数据规则更新
- 劳动市场重新定价
- 平台责任和治理机制重写
只有到了这一层，才能说一个社会真正把 AI 吸收进去了。
三、为什么“员工都在用 AI”不等于组织完成吸收
很多公司现在会把“大家都在用 AI”当成一个先进信号。
但如果从组织层面看，这句话很容易误导。
因为大量企业里的真实状态更像是：
- 员工自己找工具
- 自己摸索提示词
- 自己拿它省时间
- 但流程、权限、考核和协作方式几乎没变
这更像是“民间自发采用”，而不是“组织完成吸收”。
也正因为如此，才会出现一种很典型的错位：
AI 确实让个体变快了，
但组织并没有因此变得更合理，
反而只是把更多任务继续往个体身上压。
这也是为什么麦肯锡那类研究会反复强调：
很多组织的状态更接近“AI 在工作中使用，但没有规模化重塑”。
如果一个公司真的完成吸收，至少要有三个变化同时发生：
- AI 进入核心工作流，而不是边角料环节。
- 团队协作方式和岗位定义一起调整。
- 绩效与评价体系跟着变化。
否则，本质上只是“人在旧系统里用新工具”，而不是“系统被新工具重写”。
四、为什么教育、版权和劳动市场比想象中更难吸收
如果问题只停留在公司效率，其实还没那么大。
真正值得警惕的是，AI 正在同时冲击三个更底层的社会层：
1. 真相层
当 AI 可以低成本生成视频、语音、图像和文本时，“眼见为实”这件事开始变脆。
真相层的压力不只来自技术本身，而来自传播速度和鉴别能力之间的错位。
也就是说，普通人获得了更强的造假工具，但没有同步获得更强的核验能力。
2. 权利层
当训练数据、洗稿、声音克隆、肖像复用这些问题同时出现时，现有版权体系会迅速感到吃力。
因为旧规则大多建立在两个前提上：
- 创作主体比较清晰。
- 授权边界相对明确。
但 AI 正在让这两个前提一起松动。
3. 制度层
OpenAI 已经开始把工资、收入、薪酬相关焦虑作为一个独立研究入口，这本身就很说明问题。
今天人们真正不安的，已经不是“AI 能不能陪我聊天”，而是：
- 我的技能会不会被压价
- 我的岗位是否正在被重估
- 我现在的能力还值多少钱
换句话说，AI 正在开始重估脑力劳动的价格。
而教育、就业和社会保障，并没有同步重写。
五、真正的瓶颈，开始从“造出能力”变成“承接能力”
技术史里有一个很常见的误区：
大家总以为一项技术一旦出现，红利就会立刻释放。
但真正决定红利大小的，往往不是发明本身，而是后面那轮漫长的社会重组。
电力是这样，互联网是这样，今天的 AI 也是这样。
如果把这个问题说得再直接一点：
未来真正的差距，可能不会主要出现在“谁先接触 AI”，甚至不会主要出现在“谁先用 AI”。
而会更大程度地出现在：
谁先完成从工具使用到制度吸收的跨越。
这句话对个体、公司和国家都成立。
对个体来说，差距不只是谁会不会写提示词，而是谁能更早重写自己的工作流。
对公司来说，差距不只是谁买了更多账号，而是谁先重写了组织和流程。
对社会来说，差距不只是谁有更多用户，而是谁更早搭好了版权、教育、劳动和平台治理的承接结构。
六、结尾：别只盯着模型分数了，也看看社会到底改了没有
所以，今天如果还只把 AI 竞争理解成参数、跑分和模型榜单，视角其实已经偏窄了。
真正更大的问题已经变成：
当 AI 的能力快速涌出时，我们的社会到底有没有足够快地吸收它。
如果答案是否定的，那么 AI 越强，撕裂感也可能越强。
因为技术红利会先集中到少数先完成重组的人身上，而大多数人先感受到的，反而是焦虑、被挤压和规则滞后。
这也是我觉得这篇最想留下的一句判断：
今天真正稀缺的，不再只是 AI 的能力，而是一个社会把 AI 变成社会能力的结构。
不要只问 AI 还能做什么。
也该问一句更难、但更现实的话：
面对已经汹涌而来的 AI 能力，我们到底吸收了多少？
