Membantu Pelanggan Mengubah Cara Mereka Bekerja dengan AI

Oleh Brian Tr · Dikemas kini 7 Oktober 2026

Produk AI hanya bertahan apabila orang yang membelinya mengubah cara mereka bekerja. Menandatangani kontrak ialah bahagian yang mudah. Jika pasukan sokongan masih menjawab tiket dengan cara lama, atau penganalisis masih membina semula laporan secara manual "sekadar untuk berjaga-jaga," produk itu dipasang tetapi tidak digunakan, dan perisian yang tidak digunakan akan dibatalkan semasa pembaharuan.

Halaman ini menerangkan masalah itu melalui lima model perubahan dan penerimaan pakai yang terkenal dan telah diterbitkan: ADKAR daripada Prosci, lapan langkah Kotter, difusi inovasi Rogers, Technology Acceptance Model oleh Davis, dan jurang Moore. Tiada satu pun ditulis tentang AI. Kesemuanya menerangkan mengapa orang menentang, melewatkan atau menerima cara kerja baharu, dan itulah tepat apa yang dihadapi vendor AI. Untuk metrik yang menunjukkan sama ada penerimaan pakai sedang berlaku, lihat metrik penerimaan pakai produk AI. Untuk apa yang berlaku apabila ia tidak berlaku, lihat mengapa produk AI mengalami churn.

Mengapa Perubahan Ialah Halangan Sebenar

Perisian yang mengautomasikan tugasan yang tiada siapa perhatikan adalah jarang. Kebanyakan produk AI menyentuh kerja yang dimiliki orang, yang menjadi asas ukuran prestasi mereka, dan yang mempunyai tabiat kukuh di sekelilingnya. Menghidupkan alat tidak menghidupkan tabiat.

Bukti bahawa jurang itu terletak pada organisasi dan bukannya model adalah konsisten. Laporan MIT NANDA 2025 "The GenAI Divide," seperti yang diterangkan oleh Fortune, menyimpulkan bahawa AI perusahaan bergelut terutamanya kerana integrasi yang cacat dan "jurang pembelajaran," bukan kualiti model. Fortune melaporkan bahawa kajian itu menggunakan 150 temu bual dengan pemimpin, tinjauan terhadap 350 pekerja dan analisis 300 pengerahan AI awam, dan mendapati alat yang dibeli secara luaran berjaya kira-kira dua kali lebih kerap berbanding binaan dalaman (kira-kira 67 peratus berbanding 33 peratus). Tajuk utama bahawa 95 peratus projek rintis menunjukkan sedikit impak P&L yang boleh diukur dipetik secara meluas. Sampelnya sederhana dan ambangnya keras, jadi gunakannya sebagai arah, bukan kadar yang tepat. Kami memperoleh dapatan ini melalui liputan akhbar, bukan laporan itu sendiri.

Pekerja juga menerima pakai lebih pantas berbanding syarikat. Work Trend Index 2024 milik Microsoft meninjau 31,000 pekerja pengetahuan di 31 pasaran pada Februari dan Mac 2024 dan mendapati 75 peratus sudah menggunakan AI generatif di tempat kerja. Daripada pengguna itu, 78 peratus membawa alat AI mereka sendiri dan bukannya menggunakan yang disediakan syarikat. Itu penerimaan pakai individu yang mendahului penerimaan pakai organisasi, yang merupakan masalah berbeza daripada yang mesti diselesaikan vendor yang menjual kepada syarikat.

Bersama-sama, ini menunjuk kepada perkara yang sama. Orang akan mencuba AI sendiri. Membuat pasukan mengubah proses bersama di sekeliling produk anda ialah tugas yang berasingan dan lebih sukar.

Lima Model, Lima Pengajaran untuk Vendor

Setiap model menjawab soalan yang sedikit berbeza. Bersama-sama ia membentuk senarai semak yang boleh digunakan.

ADKAR: Ubah Seorang Demi Seorang

Model ADKAR daripada Prosci menghuraikan lima hasil yang perlu dicapai seseorang supaya perubahan menjadi kukuh: Awareness (memahami mengapa perubahan diperlukan), Desire (memilih untuk mengambil bahagian dan menyokongnya), Knowledge (mengetahui cara berubah dan apa yang diperlukan untuk berjaya), Ability (mengamalkan kemahiran dan tingkah laku baharu) dan Reinforcement (mengekalkan cara baharu dan mencegah kembali ke tabiat lama).

Sifat ADKAR yang berguna ialah unsur-unsurnya tersusun dan setiap satu boleh gagal secara bebas. Pengguna yang tahu cara menggunakan pembantu AI anda tetapi tidak nampak mengapa mereka patut berbuat demikian (Desire rendah) tidak akan menggunakannya. Pengguna yang mahu menggunakannya tetapi tidak pernah ditunjukkan bagaimana ia sesuai dengan tugasan sebenar mereka (Knowledge atau Ability rendah) akan mencubanya dua kali dan berhenti.

Bagi vendor, ADKAR ialah alat diagnostik untuk akaun yang tersekat. Tanya di mana halangan terletak. Jurang Awareness memerlukan business case yang jelas, iaitu kerja dalam membina business case ROI AI. Jurang Desire biasanya bermakna pengguna takut alat itu menggantikan mereka, atau sekadar ia menambah langkah. Jurang Knowledge dan Ability ialah latihan dan panduan dalam aliran kerja. Reinforcement ialah tempat kebanyakan pelancaran AI gagal secara senyap: tiada siapa menyemak penggunaan selepas pelancaran, dan tabiat lama kembali.

Kotter: Ubah Organisasi, Bukan Pengguna Sahaja

ADKAR berfungsi pada peringkat individu. Lapan langkah Kotter berfungsi pada peringkat organisasi: mewujudkan rasa mendesak, membina gabungan pemandu, membentuk visi strategik, menggerakkan tentera sukarelawan, membolehkan tindakan dengan menghapuskan halangan, menjana kemenangan jangka pendek, mengekalkan pecutan, dan melembagakan perubahan. Kotter menetapkan urutan itu dalam buku Leading Change, dan model ini telah disemak semula sejak itu.

Tiga daripada langkah itu dipetakan terus kepada tingkah laku vendor.

Gabungan pemandu. Pelancaran AI yang didorong hanya oleh orang yang membelinya adalah rapuh. Gabungan bermakna pemilik perniagaan, seseorang daripada IT atau keselamatan, dan pengguna yang dihormati daripada pasukan yang akan berubah. Jawatankuasa pembelian yang meluluskan pembelian ialah titik permulaan yang semula jadi, tetapi ia sering bubar selepas kontrak ditandatangani. Kumpulkan semula.

Kemenangan jangka pendek. Nilai AI boleh mengambil masa berbulan-bulan untuk muncul dalam P&L. Menunggu selama itu mengundang keraguan. Vendor boleh membantu pelanggan memilih satu aliran kerja, satu pasukan dan satu hasil boleh diukur yang dapat ditunjukkan dalam beberapa minggu, dan mempromosikannya secara dalaman.

Menghapuskan halangan. Halangan biasanya praktikal: tetapan kebenaran yang menyekat data yang diperlukan AI, semakan pematuhan yang tidak dijadualkan sesiapa, pengurus yang masih mewajibkan format laporan lama. Vendor yang menganggap ini masalah pelanggan akan melihat penggunaan kekal mendatar. Vendor yang membantu menyelesaikannya cenderung melihat penerimaan pakai bergerak.

Rogers: Penerimaan Pakai Merebak Melalui Orang, Bukan Pengumuman

Diffusion of Innovations oleh Everett Rogers, mula diterbitkan pada 1962, menyintesis ratusan kajian terdahulu. Ia menyusun pengguna kepada inovator, pengguna awal, majoriti awal, majoriti lewat dan pengikut terakhir, dan menamakan lima sifat yang membentuk kepantasan inovasi merebak: kelebihan relatif, keserasian, kerumitan, kebolehcubaan dan kebolehnampakan.

Dibaca sebagai senarai semak untuk produk AI, sifat-sifat ini bersifat praktikal.

• Kelebihan relatif: adakah ia jelas lebih baik daripada cara semasa, bagi tugasan ini?
• Keserasian: adakah ia sesuai dengan alat, nilai dan tabiat sedia ada, atau menuntut cara kerja baharu?
• Kerumitan: sejauh mana sukar untuk memahami dan menggunakannya?
• Kebolehcubaan: bolehkah seseorang mencubanya pada kerja sebenar tanpa komitmen?
• Kebolehnampakan: bolehkah rakan sekerja melihat orang lain memperoleh hasil?

Kebolehnampakan ialah sifat yang kurang digunakan vendor. Orang meniru apa yang mereka lihat berfungsi. Papan pemuka bersama tentang masa yang dijimatkan, saluran pasukan tempat prompt yang baik dikongsi, atau perbandingan sebelum dan selepas yang kelihatan pada satu proses lebih berkesan daripada satu lagi webinar latihan.

Davis: Kegunaan Mendahului Kemudahan

Technology Acceptance Model oleh Fred Davis, diperkenalkan dalam makalah 1989 dalam MIS Quarterly (jilid 13, keluaran 3, muka surat 319 hingga 340), mencadangkan bahawa dua kepercayaan menentukan sama ada seseorang menerima pakai teknologi: kegunaan yang dirasakan, iaitu sejauh mana mereka percaya ia akan meningkatkan prestasi kerja mereka, dan kemudahan penggunaan yang dirasakan, iaitu sejauh mana mereka percaya ia bebas daripada usaha. (Davis, 1989)

Dua perkara penting untuk AI. Pertama, kegunaan ialah kepercayaan tentang kerja seseorang sendiri, bukan senarai ciri. Pengguna yang tidak nampak bagaimana alat itu membantu tugasan yang menjadi ukuran prestasi mereka tidak akan menerima pakainya walau bagaimana kemas antara mukanya. Kedua, AI memperkenalkan kebimbangan ketiga yang tidak ditumpukan oleh model asal: sama ada output boleh dipercayai. Kajian kemudian melanjutkan TAM ke pelbagai arah, tetapi pengajaran untuk vendor mudah. Jika pengguna tidak mempercayai jawapan, kegunaan yang dirasakan jatuh, kerana mereka terpaksa menyemak segalanya. Itulah sebabnya kepercayaan dan penilaian ialah isu penerimaan pakai, bukan sekadar isu keselamatan.

Moore: Jurang antara Peminat dan Arus Perdana

Crossing the Chasm oleh Geoffrey Moore, mula diterbitkan pada 1991, berhujah bahawa wujud jurang antara pengguna awal (visionari yang membeli berdasarkan potensi) dengan majoriti awal yang pragmatik (yang membeli berdasarkan hasil terbukti dan rujukan). Buku itu mengesyorkan menumpukan pada satu segmen, membina penyelesaian lengkap untuk masalah khususnya, dan menggunakan segmen itu sebagai asas untuk yang seterusnya.

Vendor AI menghadapi versi perkara ini dalam satu pelanggan. Pasukan rintis yang terdiri daripada peminat menerima pakai dengan gembira. Jabatan yang lebih luas, yang pragmatik dan sibuk, mahukan bukti bahawa ia berfungsi pada kes seperti mereka, rakan sekerja yang dinamakan yang menjamin kebaikannya, dan sokongan apabila ia gagal. Anggaplah setiap pasukan sebagai jurang kecilnya sendiri. Jangan mengandaikan semangat kumpulan rintis berpindah. Pengajaran daripada masalah projek rintis kepada kontrak terpakai selepas jualan juga.

Apa yang Dijumlahkan oleh Model-Model Ini: Buku Panduan Vendor

Ringkaskan lima model kepada pertindihannya dan tinggal senarai amalan yang pendek.

1. Kenal pasti champion lebih awal, dan lengkapkan mereka. Pemimpin pendapat Rogers dan gabungan Kotter ialah orang yang sama dalam perkataan berbeza. Champion memerlukan bahan, akses kepada pasukan anda, dan sesuatu untuk ditunjukkan kepada rakan sebaya.
2. Reka bentuk semula aliran kerja, bukan sekadar tugasan. Menambah langkah AI pada proses yang tidak berubah sering menambah kerja. Bersetuju dengan pelanggan langkah mana yang hilang, mana yang berpindah, dan siapa memiliki versi baharu. Keserasian (Rogers) dan kemudahan penggunaan (Davis) kedua-duanya bergantung padanya.
3. Latih di dalam kerja. Knowledge dan Ability dalam ADKAR datang daripada amalan pada tugasan sebenar, bukan slaid. Contoh ringkas khusus peranan mengatasi lawatan am. Untuk versi SaaS am, lihat onboarding dan time to value.
4. Bina kepercayaan secara sengaja. Tunjukkan dari mana output datang, di mana ia berkemungkinan salah, dan bagaimana seseorang boleh membetulkannya. Tunjukkan lebih awal, sebelum jawapan buruk pertama, bukan selepasnya.
5. Ukur tingkah laku, bukan log masuk. Reinforcement bermakna menyemak sama ada cara baharu benar-benar digunakan pada proses sebenar. Bilangan log masuk ialah bukti yang lemah. Bahagian aliran kerja sasaran yang diselesaikan melalui produk lebih baik.
6. Kekal selepas pelancaran. Reinforcement ialah langkah yang paling kerap ditinggalkan. Semakan proaktif ialah cara vendor mengesan kembali ke tabiat lama sebelum perbincangan pembaharuan. Untuk bagaimana ini berfungsi khusus bagi produk AI, lihat kejayaan pelanggan untuk produk AI.

Fakta Utama

• Di mana jurang terletak: kajian MIT NANDA 2025, seperti yang dilaporkan oleh Fortune, mengaitkan AI perusahaan yang tersekat terutamanya dengan integrasi dan jurang pembelajaran, bukan kualiti model. Angka 95 peratus yang dipetik secara meluas bersandarkan 150 temu bual, tinjauan 350 pekerja dan 300 pengerahan awam, jadi anggaplah ia berarah sahaja.
• Individu bergerak dahulu: Work Trend Index 2024 (31,000 pekerja pengetahuan, 31 pasaran) mendapati 75 peratus menggunakan AI generatif di tempat kerja dan 78 peratus daripada pengguna itu membawa alat mereka sendiri.
• ADKAR: lima unsur Prosci ialah Awareness, Desire, Knowledge, Ability dan Reinforcement.
• Kotter: lapan langkah, daripada mewujudkan rasa mendesak hingga melembagakan perubahan.
• TAM: Davis (1989) menamakan kegunaan yang dirasakan dan kemudahan penggunaan yang dirasakan sebagai dua pemacu penerimaan.
• Ujian praktikal: jika pengguna tidak dapat menyatakan apa yang alat itu lakukan untuk kerja mereka sendiri, atau tidak mempercayai outputnya, penerimaan pakai akan tersekat tanpa mengira kualiti antara muka.