知名学者 Ethan Mollick 近日发表文章，将目光投向当前 AI 模型的实际使用效率问题。他提出，用户对先进模型的调用程度与模型本身具备的能力之间存在明显落差，并将这一现象概括为“能力悬差”。

Mollick 在文中具体点名了两款模型：GPT-6 Astra 和 Fable 5.1。据其观察，这两款模型已经能够可靠地完成相当于人类数周工作量级别的任务，在持续性和稳定性上达到了新的水平。

然而，与模型能力形成对照的是，大多数使用者并未充分挖掘这些潜力。Mollick 指出，实际使用中人们往往只触达模型能力的一小部分，大量可被自动化或辅助完成的工作仍停留在传统方式中。

这一判断意味着，当前 AI 落地的瓶颈可能不单纯在于模型能力不足，而更多在于用户认知和使用习惯的滞后。对于 AI 行业从业者而言，如何缩小能力悬差，或将成为下一阶段产品设计与用户教育的关键课题。