聊AI采用率，其实说明不了太多问题。哈佛商学院的一项研究显示，女性使用生成式AI的比例低于男性。很多人立刻下结论：女性更犹豫。但换个角度想，问题可能不在人，而在衡量标准本身。"用没用"和"用得好不好"是两码事，只盯采用率，等于拿体温计测血压。
工业现场是另一个典型。什么样的AI才适合车间？企业真要动手时，该从哪儿下手？答案通常不是先挑模型，而是先找场景。产线上的问题往往很具体：质检、排产、设备预测性维护。能解决这些的AI才有价值，炫技的模型进不了工厂大门。
更靠前的坎在数据。行业里有个说法：60%的AI项目死于数据未就绪。尴尬的是，很多公司其实做过治理——只是那套治理是给人看的，AI读不懂。字段命名混乱、口径不统一、元数据缺失，模型一上来就抓瞎。AI原生的数据治理，是时候换地基了。
把三件事放一起看，逻辑很清楚：别用采用率判断成效，别拿通用模型硬套工业场景，别用旧治理应付新需求。AI落地拼的从来不是模型有多强，而是衡量方式、场景选择和数据地基这三件"不性感"的事。