终端用户

现状

改造程度的职业分化

2025年IDC数据显示，中国AI终端市场出货量超过3亿台，传统AI终端渗透率在2027年预计突破93%。但渗透率不等于改造深度。不同职业的工作流被AI重构的程度存在显著差异。

创意类岗位（设计师、内容创作者）的改造以辅助为主。Midjourney、Stable Diffusion等工具已嵌入设计流程的素材生成、初稿迭代环节，但最终决策仍由人工完成。某设计团队2025年内部复盘显示，AI生成素材的采用率约为60%，但经过人工修改的比例超过85%。

合规类岗位（律师、会计）的改造以自动化为主。AI合同审查、财务凭证识别等工具已进入生产环境。前述律所案例中，初审环节的时间压缩并非偶然------AI在模式匹配、条款比对等结构化任务上具有天然优势。但复核环节仍由人工完成，原因是合规场景对错误容忍度极低。

工作流重构不是简单叠加工具

工作流重构的典型路径

AI终端用户工作流的改造通常遵循「感知-记忆-决策-行动」的四阶段模型。以智能终端生态为例，各终端分工明确：手机负责一手信息输入与初步整理，PC负责方向性决策输出，穿戴设备负责全天候感知。

AI终端用户工作流改造路径

这一路径在金融、法律、医疗等行业已得到验证。Gartner 2025年报告指出，45%具备高AI成熟度的企业将AI项目持续运营三年以上，说明改造不是一次性项目，而是持续迭代的过程。

改造成本与迁移门槛

改造程度受制于迁移成本。某会计师事务所2025年引入AI审计工具后，初期培训成本占项目总成本的35%，且老员工适应周期平均为4.2个月。迁移成本包括：技能重塑、流程重构、数据迁移、合规审查。

数据敏感度是另一个关键门槛。医疗、金融等行业的数据隐私要求限制了AI模型的部署方式。本地化部署成为主流选择，但这也意味着更高的硬件投入。华为2026年发布的GigaUplink大上行解决方案正是针对Mobile AI场景的网络能力升级，反映出端侧AI对基础设施的新要求。

迁移成本常被低估

边界与未改造领域

尽管AI终端用户改造进展显著，但某些领域仍保持人工主导。创意决策、复杂谈判、伦理判断等环节尚未找到可靠的AI替代方案。IDC NPS研究显示，用户对智能终端的期待已从「智能工具」升级为「情感伙伴」，但这一升级更多停留在交互层面，而非核心工作流的替代。

改造的边界也受限于模型能力。当前大模型在长文本理解、多步推理、领域知识深度方面仍存在短板。某律师团队2025年测试显示，AI在简单合同审查中的准确率达到92%，但在复杂并购案的法律意见书中，准确率降至67%。

AI改造边界与人工保留领域

改造程度的评估需要避免两个极端：一是高估AI的替代能力，二是低估流程重组的价值。真实状态是，AI正在重塑工作流，而非简单替代人力。对于从业者而言，理解这一边界比掌握工具更重要。

趋势

渗透率跃升：从试点到标配

2025年是中国AI终端市场的分水岭。IDC预测，2026年中国智能终端出货量将超过9亿台，传统AI终端渗透率在2027年突破93%，2029年接近97%。这意味着AI能力将从「可选插件」变为「出厂标配」。

对设计师而言，Midjourney、Stable Diffusion已从辅助工具变成工作流核心节点。2025年调研显示，超过60%的设计团队已将AI生成图像纳入初稿流程，但终稿仍需人工精修。对律师而言，AI合同审查工具（如LawGeex、国内各类法律AI产品）已能完成80%的标准化条款比对，但复杂交易结构仍需人类判断。

AI已接管重复劳动，但责任仍在人

多模态与代理型AI的分化

Gartner预测，到2030年80%企业软件和应用将为多模态，而2024年尚不足10%。这一跃升背后是用户交互方式的根本改变：从「人操作工具」到「工具理解人意图」。

但分化同样明显。Gartner同时指出，超过40%的代理型AI项目将被取消，而45%具备高AI成熟度的企业将AI项目持续运营三年以上。代理型AI（Agent）的失败率远高于辅助型AI，原因在于：Agent需要处理多步骤任务、调用外部工具、处理异常，工程复杂度呈指数级上升。

辅助型AI vs 代理型AI 成功率分化

政策与供应链的双重驱动

政策层面，上海、深圳等地已出台智能终端产业高质量发展行动方案。上海市2026-2027年方案明确推动「模塑申城」工程，深圳市2025-2026年行动计划提出发放「训力券」「语料券」「模型券」降低企业成本。

供应链层面，AI终端需求导致内存、硬盘、CPU等核心部件供应紧张。IDC洞察三指出，硬件成本持续上行，推动存储及计算组件进入新一轮涨价周期。这对终端企业带来毛利压力，也加速了产业链整合。

华为在MWC 2026发布的GigaUplink大上行解决方案，反映了Mobile AI对网络能力的反向驱动。GSMA高级技术总监Barbara Pareglio指出，Mobile AI正在驱动移动网络流量结构从下行为主走向上下行并重。

算力与网络基础设施正在补课

趋势判断与从业者建议

趋势判断有三：

第一，AI终端渗透率将在2027年接近饱和，但「会用AI」与「被AI替代」的分化才刚刚开始。Gartner的数据表明，高AI成熟度企业的持续运营率显著高于行业平均，这意味着组织层面的AI能力比个人技能更重要。

第二，代理型AI的淘汰潮将持续到2027年。对从业者而言，与其追逐Agent概念，不如先掌握辅助型AI在自身工作流中的嵌入点。律师可以先用AI完成合同初筛，设计师可以先用AI生成情绪板，会计可以先用AI完成凭证分类。

第三，多模态交互将成为2026-2028年的标准配置。Gartner预测80%企业软件将在2030年支持多模态，这意味着用户需要适应从「点击菜单」到「自然语言+语音+手势」的交互转变。

对从业者的可执行建议：

1. 本周内完成一次工作流审计：列出你每周重复超过3次的任务，评估哪些可被AI辅助。
2. 选择1-2个辅助型AI工具深度使用，而非追逐Agent概念。
3. 关注多模态交互能力，尤其是语音和图像输入的输出能力。

趋势已明，行动优先

这不是一个非黑即白的问题。过去两年我跟踪了十余个职业群体的 AI 落地案例，发现一个清晰的规律：改造发生在「重复性高、规则明确、输出可模板化」的环节，而非「需要判断、需要共情、需要责任归属」的环节。

被安排了

最佳实践 / 选型建议

实践一：从单点工具切入，而非整体替换

多数从业者犯的第一个错误是试图用 AI 替代整个工作流。某中型会计师事务所曾试图用 ChatGPT 替代审计底稿的初稿撰写，结果因合规引用错误被监管问询。教训是：AI 适合做「初稿生成」「材料整理」「格式校验」，但不适合做「最终判断」。

建议从以下三类场景切入：

• 信息检索与整理：法律案例检索、财务准则查询、设计素材匹配
• 初稿生成：合同模板填充、审计报告框架、设计稿草图
• 格式与合规校验：引用格式检查、数据一致性校验

实践二：建立「人机分工边界」清单

每个职业都需要明确一条红线：哪些环节必须由人负责，哪些环节可以交给 AI。

以律师为例，某团队制定了如下分工表：

环节	负责人	说明
案例检索与摘要	AI	初筛，人工复核
法律意见初稿	AI	模板化程度高的场景
法律判断与策略	律师	不可外包
客户沟通与谈判	律师	涉及信任关系
最终文件签发	律师	责任归属

大佬点头

实践三：用真实业务数据验证 ROI

不要凭感觉判断 AI 是否「有用」，要用数据说话。

某设计团队在引入 Midjourney 后，追踪了以下指标：

• 初稿产出时间：从平均 4 小时降至 1.5 小时
• 客户修改轮次：从平均 2.3 轮降至 1.5 轮
• 人均产出量：提升约 60%

但同时也发现：

• 创意原创性评分下降约 15%
• 高端客户对「AI 感」的接受度较低

这些数据帮助团队做出取舍：中端项目全面使用 AI，高端项目保留纯人工流程。

选型决策树

AI 工具选型决策树

后端系统设计

关键取舍结论

在规则明确、输出可模板化的场景中，AI 工具的投资回报率通常在 3--6 个月内显现。但当环节涉及专业判断、责任归属或情感交互时，AI 的定位应是「辅助」而非「替代」。

建议从业者今天就做三件事：

1. 列出你工作中重复性最高的 3 个环节
2. 为每个环节制定「人机分工边界」
3. 用 2 周时间小规模测试，记录真实数据

本结论适用于知识密集型职业（律师、会计、设计师、咨询顾问等），在高度依赖人际信任或监管严格的场景（如医疗诊断、司法判决）中需要重新评估。

参考文献

• IDC. 2026年中国智能终端市场十大洞察. my.idc.com/getdoc.jsp?...
• 天翼智库. AI终端用户洞察：认知、行为与价值演进. www.53ai.com/news/zhinen...
• Gartner. 2025年中国人工智能十大趋势. www.gartner.com/cn/newsroom...
• 深圳市人民政府. 深圳市加快推进人工智能终端产业发展行动计划（2025---2026年）. gxj.sz.gov.cn/gkmlpt/cont... 上周某律所合伙人问我一个问题：「AI 写合同，到底写到什么程度了？」他手下的初级律师已经用 AI 完成了 60% 的初稿，但复核时间反而比三年前多了 40%。这个矛盾，正是终端用户工作流改造的真实切片。 前三段已经铺陈了现状、趋势与最佳实践。现在回到主线，给出明确的判断。

改造程度的核心判断

终端用户工作流的改造，不是「是否发生」的问题，而是「在哪个环节发生、以什么深度发生」的问题。我的判断是： 在标准化程度高、输出可验证的职业环节，AI 已经实质性嵌入工作流。在需要价值判断、责任归属、复杂上下文理解的环节，AI 仍是辅助工具，而非替代者。 这个判断有边界条件。当职业场景从「单次交付」转向「持续运营」，当输出从「一次性文档」转向「动态数据」，AI 的渗透深度会显著不同。会计的月度结账流程，与律师的个案合同审查，改造逻辑完全不同。

下一步动作：三条可执行建议

第一，建立「AI 使用日志」，而非「AI 使用承诺」。 很多团队在引入 AI 工具时，会制定「AI 使用规范」或「AI 使用比例目标」。但规范是静态的，工作流是动态的。建议改为记录：哪些任务用了 AI、用了多久、复核成本是多少、最终交付质量如何。三个月后，这份日志会比任何规范都有说服力。 第二，重新定义「熟练」的标准。 过去，一个律师「熟练」意味着能快速起草合同。现在，「熟练」意味着能快速判断 AI 起草的合同是否有风险、风险在哪里、如何修正。这个转变不是技能升级，而是技能重构。培训体系需要随之调整。 第三，接受「改造不均衡」的现实。 同一个团队内部，不同成员对 AI 的接受度、使用深度、产出质量会显著分化。这不是管理问题，是技术扩散的自然规律。管理者的任务不是消除分化，而是建立机制，让高使用深度的成员的经验能够沉淀为团队资产。

边界提醒

以上判断在以下范围内成立：

• 职业场景以知识生产为主，而非体力劳动或面对面服务
• 输出物以文本、代码、设计稿等数字化形式为主
• 责任归属清晰，可追溯、可复核 超出这个范围，改造逻辑需要重新评估。医疗诊断、心理咨询、司法裁判等场景，AI 的介入深度会显著受限，这不是技术瓶颈，是责任与伦理的边界。

取舍结论

在 X 条件下（标准化高、输出可验证、责任清晰），推荐深度嵌入 AI 工作流，因为迁移成本已被验证、ROI 可量化。 当条件变化为 Y（需要价值判断、责任模糊、上下文复杂），推荐保持 AI 为辅助工具，避免过度依赖导致的复核成本上升与责任风险。 改造不是目标，效率与质量的平衡才是