TripleTen 调查：各行业 AI 采用率差异揭示非科技行业的落地路径

当前关于人工智能在工作场所的叙事，很大程度上由硅谷驱动。但把科技行业当作一座孤岛，会忽视技术应用的实际趋势——科技只是率先采用的那一个行业。

随着生成式 AI 和自动化工具日趋成熟，当前正在重塑软件工程和产品管理的变革，必将逐步渗透到医疗、教育、零售和制造业。如今各行业采用率的差异，并不表明非科技行业正在落后，而是反映了不同行业吸收新工作流程的速度不同。对于科技行业之外的领导者和团队而言，这种速度差异为 AI 应用如何展开、机会在哪里提供了一份实用的蓝图。

各行业的 AI 采用光谱

TripleTen 最近的调查数据凸显了当前经济各行业的采用曲线有多么悬殊（见图 1）。

图 1：各行业的 AI 采用曲线依然陡峭，但非科技行业的采用率正在上升。

来源：TripleTen，2026 年

科技行业一马当先，金融业则明显位居第二：48% 的金融从业者被要求使用 AI 聊天机器人，32% 被要求将部分工作流程自动化。这表明，一旦出现明确的用例，知识型工作整合 AI 的速度有多快。

相比之下，医疗（18% 被要求使用聊天机器人）和教育（25%）等行业的初始接触率较低。由于这些宽泛的行业类别涵盖了专业实操人员、临床或教学人员以及后台行政人员的混合群体，全面采用从来都不可能一蹴而就。将自动化工具整合进合规要求繁重或面向人的运营中，需要更为审慎的节奏，较低的数值正反映了这一点。

员工被要求学习的 AI 技能

在所有接受调查的行业中，79% 的员工表示被要求学习至少一项他们此前不具备的技能。审视当今科技行业所需的具体能力，可以预见到哪些技能组合可能向其他行业转移（见图 2）。

图 2：各行业的劳动力都在学习新技能。

来源：TripleTen，2026 年

尽管其中一些听起来像是科技行业专属的细分技能，但许多技能将转化为各行业的一线工作——从管理患者物流的医院系统，到处理行政报表的学区。

有一项技能得到的关注少于它应得的。只有 30% 的管理者和企业主认为判断 AI 输出是对是错是绝对必需的，这让它在七项技能的列表中排在第六位。随着 AI 工具进入更多行业，这项技能能在错误引发问题之前将其捕捉出来。这也是工作经验最能发挥作用的地方：要发现错误答案，你需要知道正确答案是什么样子。

尽早采用 AI 如何助力你的职业发展

尽早采用 AI 能带来明显的职业优势：TripleTen 的调查数据显示，当管理者从员工那里学到一项新技能或自动化流程时，其中 88% 由员工主导的 AI 创新成为了公司的标准做法。

在率先采用AI的行业中，那些能识别重复性行政任务并利用AI工具简化这些任务的员工，在塑造组织政策方面拥有发言权。随着医疗网络、教育机构和零售运营开始更广泛地部署AI软件，懂得如何验证输出、编写提示词并自动化日常任务的员工将占据强大优势。成为能够精简行政开销的人，意味着更有可能获得留任、晋升和薪资增长的机会。

TripleTen的AI战略与赋能负责人Ana Riabova表示：“人人都在谈论节省时间，但早期采用AI的真正收获在于扩展你实际能做的事情。走在前列的人正用它来处理过去不得不交给别人的事务。无论你是资深还是初级，这都不重要。你保留自己的核心技能，但突然间你不再被它们所局限。”

AI资源差距：谁来支付培训费用，以及员工如何学习

如果非科技行业吸收这些工具的速度更为渐进，员工面临的挑战就在于获得优质学习资源。员工在培训上的自付投资因行业而异，差异显著：

• 科技：平均1,758美元（13%的人花费为0美元）
• 金融：平均1,664美元（24%的人花费为0美元）
• 医疗：平均990美元（45%的人花费为0美元）
• 教育：平均883美元（42%的人花费为0美元）

去年，近一半的医疗和教育工作者在职业发展上没有自付任何费用。此外，科技工作者积极利用更多种类的学习渠道（见图3）。

图3：职业发展投入与AI采用曲线相呼应。

来源：TripleTen，2026年

科技工作者使用AI聊天机器人作为学习工具的可能性几乎是所有工作者的两倍（48%对27%），并且是科技行业以外工作者（21%）的两倍多，实际上是在利用AI加速获取其他技能。

然而，当问及员工最信任谁来教授一项新的工作技能时，他们选择的是目前正在从事该工作的人（31%）。选择官方认证项目的人较少（19%），选择AI工具的人占16%，选择大学教授的人占6%。

结论

各行业AI采用率的差异并不是一个关于谁成功、谁失败的故事。它更像是一条时间线，展示技术如何在一个经济体中扩散。科技和金融行业如今正在测试AI整合的运作机制。对于医疗、教育、零售和制造业的工作者来说，当前阶段提供了一个宝贵的窗口，可以观察哪些技能能带来真正的生产力提升——让他们在这些能力成为行业标准期望之前就将其建立起来。

本内容由TripleTen制作。并非由MIT Technology Review编辑团队撰写。