7亿人用上了AI，只有32.5%拿它交活

7亿人，普及率超过一半。这是中国互联网络信息中心（CNNIC）9月29日发布的《生成式人工智能应用发展报告（2026）》里被转得最多的一句话：截至 2026 年上半年，我国生成式人工智能用户规模突破 7 亿人。

同一份报告里还有一个数字，几乎没人提：32.5%。只有这么多人，用它做过工作总结、会议纪要或者 PPT 这类真要交出去的东西。

两个数字放在一起，才是这份报告真正想说的东西。

一个数字盖住了另一个数字

报告发布的地点是第七届中国互联网基础资源大会的智能经济创新发展论坛。会后各家媒体的标题几乎一致，都落在"用户规模突破 7 亿人、普及率超 50%"。

这个数字当然重要。它回答的是一个国家级判断题：生成式 AI 在中国到底是不是少数人的玩具。答案是不是。

但它回答不了另一个问题：这 7 亿人，把它用到了哪一步。

答案其实就在报告后半部分的场景数据里。把那些数字按使用深度排开，会得到一条一直在往下走的曲线。

76% 之后，是一台逐级衰减的阶梯

一句话说清：报告里的用法数据不是并列的几个百分比，而是一条从"提问"到"交付"逐级衰减的阶梯。

拆开看是这样几档。

76.0% 的用户会让生成式 AI 回答问题；

47.8% 用它处理图片或视频；

37.6% 用它处理文本；

32.5% 用它做工作总结、会议纪要或 PPT。

每一档往上走一层，对用户的要求都不一样。

问答这一层几乎没有前置成本。不用准备素材，不用定义输出格式，不用为结果负责，问完就走。图片和视频这一层稍微重一点，但素材本来就是现成文件，生成结果一眼能看出好坏，验收很便宜。到了文本和总结这一层，用户得先有"料"，得说清要什么结构，还得逐条核对里面的人名、数字和责任划分。

放到具体场景里更容易看清。下班路上问一句"零基础怎么学英语"，这是问答。换成让 AI 把本周五场会议的记录合成一份周报，你得先有录音或者纪要，得跟它解释要什么结构和口径，最后还得一条条核对有没有写错人、写错数。跑一遍花掉的时间和它省下的时间差不多，第二次就不想再跑了。

这条曲线降下去的原因不是用户懒，而是每上一层，用户要付的前置成本就多一层。

阶梯的顶端，才是 AI 真的替你交付了一件事。

AI 能不能进你的工作流，看三件小事是否同时成立

把上面那条曲线反过来读，能得到一个可以直接用的判断法。一个任务会不会被反复交给 AI，取决于三件事能不能同时成立：

素材能不能被 AI 直接拿到；

结果能不能被快速校验；

出错能不能低成本回滚。

三件全成立，这个任务就会稳定地滑到"交付"那一档，变成习惯。缺任何一件，用户通常用一次就退回问答。

拿报告里的数字对照一下就很清楚。图片和视频处理的渗透率冲到 47.8%，因为这三条它天然都占：素材是文件，结果一眼可见，不满意重新生成就行，几乎不用返工。工作总结和会议纪要只有 32.5%，恰好在三条上都吃亏：素材散在好几个人手里，结果要拿去开会、要担责任，错了得重新组织一次会议才能补救。

需要说明这个判断法的适用边界。它判断的是"某个具体任务适不适合交给 AI"，不是"这个人会不会用 AI"，也不是模型能力的上限。有一类任务本来就不该越过这条线：让 AI 帮你出主意、帮你想方向、帮你把一团乱麻的问题问清楚，这类探索性任务的价值就在来回对话本身，硬要它交付一个成品反而更差。

再换一个例子。很多团队都试过让 AI 写周报，多数人在两周内放弃，问题通常出在第二条上：周报里的进度、卡点、下周计划，AI 写出来的每一句都像对的，但没法快速校验，逐条核对比你自己写还慢。反过来看客服场景，把工单归类、给出建议回复，素材是结构化的，结果可以抽样看准确率，改错只是改一条记录，所以它能稳定跑下去。

同一个模型，在这两个任务上的水平差不多，结局却是一个被弃用、一个被留下。差别不在模型，在任务本身的结构。

增长最快的不是聊天框

报告里还有一组容易被忽略的数据：从使用次数看，AI 综合助手、AI 效率办公等应用同比增长都超过了 100%。

用户规模增长是铺面，使用次数增长才是深度。使用次数一年增长一倍，意味着这个品类嵌进了会重复发生的流程里。一个人可能每天开一次综合助手处理各种零散问题，也可能每天让效率办公应用过一遍固定的报表和文档，这两种"每天用"的性质完全不同。

把它和上面那条渗透率曲线放在一起看，会看到两类应用走在最前面：一类是入口型，靠承接所有零散提问把使用次数堆起来；一类是流程型，靠固定的工作节奏被反复唤起。前者的门槛是"够不够顺手"，后者的门槛是"能不能接进已有的流程"。这两件事，跟模型在榜单上排第几没什么关系。

还有个口径值得说明。用户数和使用次数不是一个量级的东西：用户数是人头，一个人只算一次；使用次数是行为，同一个人一天可以贡献几十次。所以当某个品类的使用次数同比涨一倍，它通常已经从"偶尔打开"变成了"每天必经"，这比新增用户更能说明它在用户的工作流里占住了位置。

报告里另外两组数字，指向的是同一个方向但发生在别的地方。一组是消费侧：38.7% 的网民近半年在网上买过智能硬件设备，其中购买智能可穿戴设备的比例是 20.2%，购买手机、平板等 3C 数码产品的比例是 18.2%。另一组是产业侧：规上制造业企业的人工智能技术应用普及率已经超过三成，2026 年上半年我国人形机器人整机产品超过 400 款，预计全年产量突破 10 万台。

这两组数字说明，AI 的使用深度有一部分根本不发生在对话框里。手环、耳机、门店里的质检相机、产线上的机械臂，用户不会觉得自己在"用 AI"，但这些场景恰恰是三件小事都成立的地方：素材由设备自己采集，结果以数字或图像直接呈现，出错可以重跑一次。

底座数字需要打个折扣

报告里还有几个说明底座的数字。截至 2026 年 6 月，我国智能算力规模达到 2185 EFLOPS，同比增长 177%；首个全国产 10 万卡人工智能超集群正式投用，从芯片、计算、存储、网络到散热都采用国产自主技术。模型侧的说法是，全球主流大模型调用榜单上排名前六的模型全部来自中国团队；高质量数据集超过 12 万个。

底座数字和用户数字放在一起，很容易让人产生一种"全链条都赢了"的直觉。这种直觉需要打个折扣，原因在下面一节。