從玉米田開始的理論，為何至今仍然適用
科技的節奏改變了，但人接受變化的結構從未改變
前言
各位訂閱者，我想拋出一個有趣的問題。1940 年代美國愛荷華州的玉米農夫，和 2026 年想要導入 AI 的企業高層，他們有什麼共同點？
他們都說了同一句話：“我知道這很好，但我想再觀察一陣子。”
根據德勤（Deloitte）上週發表的《2026 企業 AI 現況報告》，88% 的企業表示已在至少一項業務中使用了 AI。然而在同一份報告中，真正從試點階段擴展到整個組織的企業不到 40%。普華永道（PwC）的《2026 全球 CEO 調查》則給出了更坦率的數字——56% 的 CEO 表示在 AI 投資上「完全沒有獲得任何成效」。
技術層出不窮，擴散卻停滯不前。1991 年出版的一本書，精準地解釋了這個現象。今天就來聊聊這個故事。
誕生於玉米田的擴散理論
「斷層」（chasm）這個詞，原本是用於地質學的術語，指的是土地或冰層裂開形成的深溝。而它之所以成為管理學與行銷學的核心概念，起點卻出乎意料——是一片玉米田。
1941 年，愛荷華州立大學的社會學家 布萊斯・萊恩（Bryce Ryan）與研究生 尼爾・格羅斯（Neal C. Gross）展開了一項引人入勝的研究。當時愛荷華州正在推廣一種改良玉米種子（雜交種子），其產量比既有品種高出約 20%，且耐旱性更強。這種種子於 1928 年開發完成，客觀上確實更優越，但農夫的接受速度卻比預期中慢得多。
萊恩與格羅斯直接訪談了愛荷華州兩個農村社區的 257 位農夫，並發現了一個令人驚訝的模式：農夫們聽到新種子資訊的時間點差異不大，但真正決定採用所花的時間，最長竟相差了 7 年。初期，種子公司的業務員解說是最主要的資訊管道；但隨著時間推移，鄰居農夫的親身經驗反而成了決定性因素。
這篇 1943 年的論文1，此後徹底改寫了社會學的版圖。1962 年，俄亥俄州立大學的社會學家 艾佛瑞特・羅吉斯（Everett Rogers）受此研究啟發，出版了 《創新擴散》（Diffusion of Innovations）。羅吉斯將社會中新想法或技術的傳播過程劃分為五個群體：
- 創新者（Innovators）：佔整體的 2.5%，對技術本身充滿熱忱的人
- 早期採用者（Early Adopters）：佔 13.5%，能洞察技術戰略價值的先驅者
- 早期多數（Early Majority）：佔 34%，追求經過驗證產品的務實派
- 晚期多數（Late Majority）：佔 34%，等到成為主流後才行動的保守使用者
- 落後者（Laggards）：佔 16%，直到最後才接受變化的群體
這個模型很好地解釋了廣播、電視、電話等 20 世紀主要技術的擴散路徑——各採用群體依序過渡，畫出 S 型曲線，市場最終達到飽和。數十年來，這個模型幾乎被視為公理。
然而到了 1980 年代，一件怪事發生了。電腦、軟體等資訊技術產品，在從早期採用者過渡到早期多數的區間，需求突然斷崖式下跌的現象反覆出現。
一位英國文學博士發現的裂縫
此時登場的人物是 傑佛瑞・穆爾（Geoffrey A. Moore）。但他的背景相當出人意料——他在史丹佛大學主修美國文學，在華盛頓大學取得英國文學博士學位。在大學教了四年英國文學後，他跨足矽谷，投身科技公司的銷售與行銷一線。之後，他在矽谷傳奇行銷顧問公司 雷吉斯・麥克肯納（Regis McKenna Inc.）擔任合夥人，為眾多高科技企業制定市場進入策略。
穆爾在現場反覆目睹過一個場景：開發團隊對技術的優越性深信不疑，但大多數員工甚至不知道那是什麼。更有趣的是，消費者感受到的產品優點，與開發團隊認為的優點完全不一樣。
穆爾基於這些經驗，於 1991 年出版了 《跨越斷層》（Crossing the Chasm）。出版社最初預估銷量約 5,000 本，結果累計銷量突破 100 萬冊，成為高科技行銷的聖經。
穆爾的核心發現是：羅吉斯那條光滑的鐘形曲線之間，其實存在著好幾道 裂縫（crack），其中早期採用者與早期多數之間的裂縫最為巨大。他將這道裂縫稱為「斷層」。
為什麼在這個節點會產生裂縫？因為早期採用者（極客）與早期多數的購買心理根本不同。
早期採用者是先驅者。即使技術還不成熟，他們也願意押注其可能性，親身摸索、邊做邊調整。而早期多數是務實派，他們會問：「有經過驗證的案例嗎？」「和我同產業的人有用嗎？」「產品已經成熟了嗎？」更關鍵的是，務實派並不會參考早期採用者的推薦——先驅者的成功故事，在務實派耳中聽起來像是「特殊案例」。
跨越斷層的四大策略
穆爾將跨越這道深淵的策略歸納為四種。時隔 33 年再看，依然令人驚嘆地具體。
第一，保齡球瓶策略（Bowling Alley Strategy）。 不要試圖一次性攻佔整個主流市場，而是選定一個狹窄的利基市場，在其中打造「完整產品」（whole product）2並建立主導地位。就像保齡球中精準擊倒第一顆瓶，其餘瓶也會連鎖倒下——一個成功案例會向相鄰市場輻射擴散。特斯拉 2012 年從高端轎車市場（Model S）起步，再擴展到大眾市場（Model 3、Model Y）的路徑，就是經典範例。
第二，補強基礎設施與配套。 創新產品往往無法單獨運作，務實派需要的是完整的生態系。特斯拉在賣電動車的同時，直接自建超級充電站網路，原因就在這裡。2016 年進入韓國市場時只有數十座充電站，如今已超過數百座。
第三，確立事實標準（de facto standard）。 務實派傾向選擇市佔率高的產品，因為他們需要「未來也能持續升級」的安心感。特斯拉 2014 年全面公開電動車相關專利，並非出於技術利他，而是為了做大電動車生態系，擴大自家標準的影響力。
第四，善用橋樑產品。在既有產品與創新產品之間架一座過渡的橋，降低消費者的抗拒感並提供學習效果。低規格、低價位的產品可以扮演這個角色。特斯拉 Model 3 以不到 Model S 一半的價格上市，降低了電動車入門門檻，正是這個策略的體現。
奧茲的視角
斷層理論真正的價值，不在於「存在裂縫」這個發現，而在於它結構性地解釋了 「為什麼早期採用者的成功，無法保證主流市場的成功」。
我認為，當前的 AI 市場正精確地處在這個節點上。2025 年全球企業的生成式 AI 支出達到 370 億美元，較前一年成長 3.2 倍（Menlo Ventures, 2025）。但根據 MIT 的《GenAI Divide》報告，95% 的生成式 AI 試點專案仍停留在實驗階段，未能走出實驗室。 錢大量投入，卻在多數組織中無法轉化為實質成效。
這就是典型的斷層。對 AI 充滿熱情的創新者與早期採用者層級（開發團隊、CTO、AI 專責組織）已經在行動，但屬於早期多數的業務部門、中階管理者與一線團隊，仍在要求「驗證過的案例」與「完整產品」，選擇觀望。
將穆爾的框架套用到 AI 上，會得到這樣的圖景：
- 保齡球瓶策略：不要將 AI 鋪滿整個組織，而是先在一個具體業務（例如：程式碼審查、客戶詢問分類）中打造完整成效，再向外擴散
- 補強配套：不只是導入 AI 模型，而是同時建構數據管線、治理機制與教育訓練等生態系
- 事實標準：先建立內部 AI 應用的共同語言與評估標準
- 橋樑產品：不要一開始就推代理型 AI，而是以自然融入既有工作流程的 AI 輔助工具（副駕駛型）降低入門門檻
就像 1943 年愛荷華的農夫們，親眼看到鄰居田裡的雜交玉米確實長得更好之後，才換了種子——要跨越 AI 的斷層，需要的也不是更強大的模型，而是「和我類似環境下，這確實運作過」的驗證案例。
33 年前的理論至今仍然有效，原因很簡單：科技的節奏極大地加快了，但人接受變化的心理結構，無論 1943 年還是 2026 年，都一樣。
結語
斷層不是技術問題，而是心理與信任的問題。早期採用者押注可能性，務實派要求證據。填補這個差距的，不是更先進的技術，而是一個完美的成功案例。
無論是導入 AI 的組織，還是將新產品推向市場的團隊，都要抵擋住「打造對所有人都好的產品」的誘惑，精準地擊倒那第一顆瓶。1991 年提出的這條建議，在 2026 年依然是最務實的策略。
參考資料 & 延伸閱讀
- Geoffrey A. Moore, Crossing the Chasm: Marketing and Selling Disruptive Products to Mainstream Customers, 3rd Edition, Harper Business, 2014. ：斷層理論的原著。第三版以近期案例更新，現在讀來依然貼近現場。
- Bryce Ryan & Neal C. Gross, “The Diffusion of Hybrid Seed Corn in Two Iowa Communities,” Rural Sociology, 8(1), 15-24, 1943. ：擴散理論的起點論文。雖然是 80 年前的研究，但作為理解創新接受之社會力學的起點，至今仍然有效。
- Everett M. Rogers, Diffusion of Innovations, 5th Edition, Free Press, 2003. ：羅吉斯 40 年擴散研究的集大成之作，綜合了 5,000 件以上的擴散研究，是教科書級別的著作。
- Deloitte, The State of AI in the Enterprise 2026, 2026. ：針對 3,235 位企業領導者的調查，可從中了解 AI 導入的現況與斷層現象。
- Menlo Ventures, 2025: The State of Generative AI in the Enterprise, 2025. ：探討企業生成式 AI 支出達 370 億美元的現況，以及程式開發成為 AI 首個 killer use case 的過程。
