R

A02 Crossing the Chasm 在 AI 语境

创建 2026-06-07 更新 2026-06-11 0 条双链 组织采纳 专题 AI 整理

一个 AI 产品的 demo 视频在内部传疯了、CEO 拍板要全员铺、试点团队两周做出惊艳效果——然后呢？然后它就死在了试点和规模化之间那道沟里。本节点要解决的问题是：Geoffrey Moore 的”鸿沟”（Crossing the Chasm）这个 1991 年为高科技创业公司设计的市场理论，迁移到”企业内部 AI 采纳”这个语境时，是被原样照搬，还是必须被改写？ 我的判断框架是：鸿沟这个概念在 AI 语境里不仅依然成立，而且变深了、变到了组织内部——但 Moore 开出的药方（聚焦细分市场、做参考客户）大半失效。看清这一点，是分清”AI demo 惊艳”和”AI 真正被采纳”的第一刀。

§0 为什么是 Moore 的鸿沟，而不是 Rogers 的 S 曲线

读者脑中关于”技术扩散”的默认框架，多半是 Everett Rogers 1962 年《创新扩散》（Diffusion of Innovations）那条平滑的 S 型曲线：创新者（2.5%）→ 早期采纳者（13.5%）→ 早期多数（34%）→ 晚期多数（34%）→ 落伍者（16%），一群人接着一群人，水到渠成。

Moore 在 1991 年《Crossing the Chasm》里做的关键动作，是在 Rogers 那条看似连续的曲线上凿开一条裂缝：早期采纳者（Moore 称”远见者 / visionaries”）和早期多数（“实用主义者 / pragmatists”）之间，不是平滑过渡，而是一道市场断层。原因在于两类人买的根本不是同一个东西——远见者买”变革性潜力”，能容忍不完整、愿意当小白鼠；实用主义者买”经过验证的、完整的（whole product）解决方案”，他们只信同行的背书，不信厂商的承诺。两群人之间没有”参考关系”可以传递，所以扩散在这里断流。

为什么 AI 采纳要用 Moore 而不是 Rogers？因为 Rogers 的框架预设扩散会自然发生，它描述的是”已经跨过去之后”的形状；而企业 AI 采纳当下最大的痛点恰恰是”跨不过去”——卡在 demo 和生产之间、卡在试点和规模化之间。Rogers 的 S 曲线里没有”卡住”这个概念，Moore 的鸿沟里有。对一个要决定”这个 AI 项目要不要继续投钱”的 PM 来说，能解释”卡住”的框架，才是有用的框架。

[!note] 选这个框架我赌的是什么 我赌”AI 采纳的核心摩擦发生在某个可识别的断层处”，而不是”AI 采纳是连续递减的阻力”。如果未来 AI 采纳被证明是后者（比如某个杀手级形态让所有人无缝上手），那 Moore 框架就过时了，Rogers 的平滑曲线反而更准。下文 §4 会标注这个失效场景。

§1 鸿沟的”位置”在 AI 语境里发生了两次位移

Moore 原版鸿沟有一个明确的市场坐标：B2B 高科技产品，远见者和实用主义者之间。到了 AI 语境，这条沟的位置发生了两次位移。

位移一：宏观市场层面，不同 AI 用途处在鸿沟的不同侧。 UX 研究者 Jakob Nielsen 在 2025 年的评论中（UX Tigers，“AI Is Crossing the Chasm”，属权威评论非同行评审）把 Moore 模型映射到 AI：营销自动化、代码辅助、聊天机器人这类用途已经跨过鸿沟，进入了实用主义者市场；而自动驾驶、自主 AI 代理、医疗诊断这类用途仍困在远见者一侧。这意味着”AI 跨没跨过鸿沟”这个问题本身就是错的——要问”哪一类 AI 用途、在哪个行业、跨没跨过”。

位移二：也是更关键的——鸿沟从”市场之间”搬到了”组织内部”。 Moore 谈的是不同客户群体之间的断层；而在企业内部 AI 采纳里，断层出现在同一家公司内部的”试点（pilot）“和”生产（production）“之间——业界俗称”试点地狱（Pilot Purgatory）“或”试点炼狱”。这是本专题最核心的概念迁移：Moore 的鸿沟被内化进了组织。

Moore 原版AI 内部采纳版
远见者市场demo / PoC / 试点阶段（少数技术爱好者、创新部门）
实用主义者市场规模化生产、嵌入主流业务流程
两者之间的市场断层试点到生产的组织断层（“Pilot Purgatory”）
跨越靠”参考客户”跨越靠”组织能力 + 信任 + whole product”

§2 判断主轴：AI demo 惊艳 ≠ 跨越鸿沟（90% 的人在这 4 个点上栽跟头）

这是本节点的命门。“AI demo 惊艳”和”AI 跨越鸿沟”是两件几乎相反的事——demo 惊艳靠的恰恰是鸿沟另一侧（实用主义者）最不买账的那些品质：新奇、酷、突破想象。而跨越鸿沟需要的，是实用主义者唯一在乎的：可靠、完整、可被同行验证。下面四个点，是把这两件事混为一谈的具体死法。

错点一：把”远见者的兴奋”误读成”主流的需求信号”。

  • 症状：demo 在内部刷屏、高管点赞、几个技术爱好者主动来用，团队据此判断”市场验证完成，可以铺了”。
  • 为什么会错：刷屏和主动来用的，正是 Moore 说的远见者/创新者——他们为新奇买单，是 2.5%+13.5% 那群人。他们的热情无法传递给实用主义者，因为两群人的购买逻辑不可通约。
  • 正确做法：把早期热情当作”鸿沟左侧的信号”而非”全市场信号”，主动去问那 34% 的实用主义者：“要我把它放进我每天必须跑通的核心流程，你得先给我看什么？”
  • 真实反例：MIT NANDA 项目《The GenAI Divide: State of AI in Business 2025》报告称约 95% 的企业生成式 AI 试点未能产生可衡量的 P&L 影响（基于约 300 项公开部署分析 + 52 家机构访谈 + 153 名高管问卷；该数字非同行评审，且口径是”未产生财务影响”而非”项目失败”，Marketing AI Institute 2025 曾质疑其样本与”成功”定义过窄——见 §3 边界）。无论 95% 这个具体数字是否精确，“大量惊艳试点死在产生真实价值之前”这个结构性现象，多源数据一致指向。

错点二：用”新奇”当卖点去打实用主义者市场。

  • 症状：规模化推广时，PPT 第一页还是”全球首个""革命性""你从没见过”。
  • 为什么会错：实用主义者对”新奇”是风险厌恶的——新奇意味着没人趟过雷、没有同行背书、没有可回退的退路。Moore 反复强调：实用主义者要的是”安全的选择”，不是”激动人心的选择”。
  • 正确做法：换叙事。从”这个 AI 多酷”换成”隔壁 X 团队用了半年，错误率从 A 降到 B，出问题时有 C 兜底”。把卖点从能力上限换成可靠性下限。
  • 真实反例：生成式 AI 的”幻觉”问题（见 幻觉）就是典型——demo 里偶尔的幻觉是”有趣的瑕疵”，生产里同样的幻觉是”不可接受的风险”。同一个技术特性，在鸿沟两侧的意义完全相反。

错点三：以为”模型选对了”就等于”跨过去了”。

  • 症状：团队在”选 GPT 还是 Claude、选 RAG 还是微调”上反复较劲，默认选型搞定就能落地（这一步的技术决策见 m208 - AI 基础设施与中间件选型）。
  • 为什么会错：模型/技术选型属于 Moore 说的”generic product（通用产品）“，而实用主义者要的是”whole product（整体产品）“——通用产品 + 集成 + 数据治理 + 流程改造 + 培训 + 兜底 + 责任归属。技术选型对、部署却失败，是企业 AI 失败最典型的形态。
  • 正确做法：把”选型”看成 whole product 拼图里的一块（占比可能不到三成），把剩下七成的组织工作（数据、流程、人）当成跨越鸿沟的主战场。
  • 真实反例：BCG 2024 年《Where’s the Value in AI?》（调查约 1000 名 CxO、覆盖 59 国）提出的 10-20-70 法则：AI 成功的决定因素中，算法本身仅占 10%，数据与技术占 20%，人、流程、文化变革占 70%。这是对”选型决定成败”最有力的反证。RAND 2024 年报告（RRA2680-1，Ryseff 等，基于 65 名资深数据科学家深度访谈）进一步指出，AI 项目失败的五大根因——问题定义失准、训练数据不足、技术优先心态、基础设施缺口、问题超出 AI 能力边界——全部是组织性的，而非”模型选错”。

错点四：照搬 Moore 的药方（聚焦单一细分市场打透），在组织内部却水土不服。

  • 症状：照着《Crossing the Chasm》的处方，想在公司内”先找一个细分场景打透、做成标杆、再向外扩”。
  • 为什么会错：Moore 的”聚焦细分市场”是给创业公司打外部市场设计的——你可以选择只服务一个利基客户群。但企业内部 AI 转型往往是多条业务线被同时要求转型，你没法只服务一个部门而无视其他部门的政治诉求；而且内部场景之间的”whole product”经验未必可迁移（A 部门的数据治理方案换到 B 部门就崩）。
  • 正确做法：保留 Moore 的”集中突破”内核（别撒胡椒面），但把”细分市场”重新定义为”高价值 × 高可迁移性”的内部场景，并显式投资于让标杆经验可复制的能力（而非默认它会自动扩散）。
  • 真实反例：强生（J&J）被广泛报道的案例称，其约 900 项生成式 AI 计划中，仅 10–15% 贡献了约 80% 的价值，于是收敛到少数高价值场景〔该具体数字为业界引用，原始口径待核实〕。这印证了”集中突破”内核有效，但它是在一个已有强中台和治理能力的大企业里做的——恰恰说明”可迁移能力”是前提，不是 Moore 原版假设的”选对细分市场”本身。

§3 对手框架回应：鸿沟理论在 AI 时代真的还成立吗

本专题坚持用 Moore，但必须接住三个真实的反方拷问。

反方一（“ChatGPT 效应”派）：生成式 AI 是 B2C 倒逼 B2B，Moore 的 B2B 市场预设已被打破。 接受：这个批评是对的。Moore 1991 年的模型核心场景是企业级软件销售，靠的是销售团队、参考客户、整体产品的”推（push）“。而 ChatGPT 走的是反方向——个人用户先在消费端用爽了，再用个人信用卡把工具带进职场，自下而上渗透（PLG，产品驱动增长），绕开了传统的”远见者 CIO 拍板”路径。这确实削弱了 Moore 关于”扩散路径”的具体描述。 边界与赌注：但我坚持鸿沟的存在性没被打破，只是位置变了。ChatGPT 效应让个人采纳轻松跨过了消费端的小沟，却让组织级采纳的沟变得更深——因为自下而上的草根使用，恰恰制造了”影子 AI”、数据泄露、无治理、无法审计的烂摊子，反而抬高了”从个人玩具变成企业级生产工具”的门槛。沟没消失，它从”购买决策”挪到了”生产化治理”。

反方二（数据怀疑派）：你引的那些 80%、95% 失败率根本不可靠。 接受：完全同意，这些数字高度分散（业界引用从 55% 到 95% 都有），且定义混乱——“失败”到底指未上线、上线但无 ROI、还是产生错误输出？各家口径不一，部分数据来自有商业动机的服务商。最典型的是被广为误引的”Gartner 85% AI 项目失败”，其原始语境是 Gartner 约 2018 年的一个预测，原义是”85% 的 AI 项目会因数据偏差等产生错误结果（erroneous outcomes）“，既不是”项目停止”，也不是已发生的事实〔该溯源据多方考证，建议引用时标注原义〕。 边界与赌注：所以本节点的论证不依赖任何单一失败率数字。我赌的是”结构性现象”而非”精确百分比”：无论真实失败率是 50% 还是 90%，“大量 AI 试点卡在试点与生产之间”这个鸿沟现象，被方法论最扎实的来源（BCG n≈1000 的 74% 难以规模化、RAND 的根因访谈、McKinsey 的 6% 高绩效率）交叉印证。具体数字可以争，鸿沟的存在不可争。

反方三（Rogers 本人的”亲创新偏见”批评）：你整个框架预设了”AI 应该被采纳，跨过鸿沟就是胜利”。 接受：这是 Rogers 自己承认的扩散理论盲点——它预设所有创新都值得扩散，忽略采纳的负面后果。迁移到 AI，就是忽略了岗位替代、偏见放大、过度自动化等负外部性。一个把”跨越鸿沟”当作无条件目标的 PM，可能正在帮组织高效地跨进一个坑。 边界与赌注：我接受这个批评，并把它转成本节点的一条边界——“跨越鸿沟”是手段不是目的。判断一个 AI 采纳是否真的成功，要看它跨过去之后是否真正创造了净价值，而非单纯的”上线了/铺开了”。这一点把本专题和”为采纳而采纳”的 hype 叙事划清界限。

§4 产品 PM 视角补盲：跨域呼应 + 失效场景

跨域呼应（调度 Thomas Kuhn 的”不可通约性 / incommensurability”）。 Kuhn 在《科学革命的结构》里提出，不同范式之间存在”不可通约性”——持不同范式的人，看同一现象会看到不同的东西，彼此的语言无法完全互译（关联 0117社会学 中的范式与知识社会学讨论）。这正是 Moore 鸿沟的认识论内核：远见者和实用主义者不是”程度不同”，而是两套不可通约的价值范式——一方的”激动人心的潜力”在另一方眼里是”不可接受的风险”。这把”鸿沟”从一个市场营销概念，升格为一个认识论断裂。它改变的判断是：跨越鸿沟不能靠”加大力度说服”（同一套话术说得更大声），而必须切换语言——用实用主义者的范式重新组织整个价值主张。把这一点和 §2 错点二连起来：换叙事不是修辞技巧，是范式翻译。

失效场景显式标注（≥1，砍 confirmation bias）：

  • 失效场景 A：若某个 AI 形态实现了”零学习成本 + 零风险回退”（比如一个无声嵌入现有软件、用户毫无感知的 AI 功能），那么鸿沟可能根本不形成——因为实用主义者不需要”决定采纳”，它就已经在用了。这时 Moore 框架失效，回到 Rogers 的平滑曲线更准。
  • 失效场景 B：强监管行业（医疗、金融、自动驾驶）的鸿沟可能根本无法靠”组织能力”跨越，因为卡点在外部合规与责任法律，不在内部采纳意愿。这时本节点的”组织归因”论调会过度归因于组织，低估了制度性约束。
  • confirmation-bias 自查：本节点反复用强生的”集中突破”作为正面案例，这是 bias——强生是有顶级中台和治理能力的大企业，其经验对中小企业很可能不可迁移。补入反例：大量中小企业没有”可迁移能力”这个前提，对它们而言 Moore 的”聚焦”药方失效得更彻底（见 §2 错点四）。

§5 PM 决策启示

  • 面试怎么用：当面试官问”你怎么判断一个 AI 项目能不能落地”，不要答”看技术成熟度”。答：“我会先问它在 Moore 鸿沟的哪一侧——demo 惊艳说明它打动了远见者，但跨越鸿沟要看它能不能给实用主义者一个 whole product，特别是可靠性下限和兜底机制。我会重点查它有没有掉进试点地狱的结构性风险。” 这是一个能立刻显出”组织视角”的回答。
  • 选型怎么用：在选型会上，当大家纠结模型/中间件时，把 10-20-70 法则甩出来——把会议议程从”选哪个技术”（10%）拉回到”数据治理、流程改造、人的采纳”（70%）。选型重要，但它不是鸿沟所在。
  • 复现/落地怎么用：做内部 AI 落地路线图时，显式把”跨越试点地狱”设为一个独立里程碑，配套设计：可迁移性验证（标杆经验能不能搬到第二个场景）、可靠性 SLA、兜底/回退机制、责任归属。别假设”试点成功 → 自动规模化”。

§6 与已有节点的关系

  • 对照 m207 - Agent 产品化：场景推演与失败模式：m207 从单个 Agent 产品内部讲失败模式（规划失败、工具调用失败、雪崩效应等六类技术性失败）和 HITL 断点设计。本节点做的是升格与换轴——把”失败”从”产品内部的技术失败”升到”组织采纳的市场/组织失败”。m207 的”上线初期全设断点、按通过率 >95% 逐步取消”，恰好是本节点”实用主义者要可靠性下限”在工程层的具体落地。不复述 m207 的六类失败模式，只接住它的”信任随可靠性数据逐步建立”这条线，把它从产品层延伸到组织层。
  • 对照 p307 - Copilot 到 Autopilot 光谱：p307 讲 L0–L4 自治光谱、按”错误成本/任务结构化/用户专业度”三维度选层、基于信任积累动态升降级。本节点与它互为印证但换了主语——p307 问”单个产品该放到自治光谱哪一层”，本节点问”整个组织该怎么跨过采纳的沟”。p307 的”L4 仅在错误成本极低 + 可自动验证域”和本节点”实用主义者要可靠性下限”是同一判断的两个投影。做对话式深化，不做复述。
  • 对照本专题 A01 技术采纳与组织变革概念谱系（同级节点）：A01 铺设 Rogers S 曲线的基础框架，本节点在其上凿出”鸿沟”并完成 AI 语境的双重位移。两者是”连续 vs 断裂”的张力对话。

§7 关联节点

核心（必读）

延伸（可选）

§8 修订日志

  • R1（2026-06-07）：首稿。建立”鸿沟双重位移 + demo≠跨越四错点 + 三反方回应 + Kuhn 不可通约性”主结构。失败率数字全部标注来源与口径争议，95%/85%/J&J 数字显式降级或标〔待核实〕。待 grounding pass 复核 BCG 10-20-70、RAND RRA2680-1、MIT NANDA、Nielsen UX Tigers 的具体出处。