AI 让员工变快了，为什么公司没变强？
AI 让员工变快了，为什么公司没变强？
所有人都在用 ChatGPT，为什么公司业绩没有起飞？
这不是个例。DX 跟踪了 400 家公司 16 个月，发现 AI 工具使用量涨了 65%，代码交付量只涨了不到 10%。美国国家经济研究局调查 6000 名企业高管，超过 80% 说 AI 对生产力没有可测量的影响。
AI 确实让每个人都变快了，但公司没有变强。生产力去了哪里？
AI 让员工变快了，为什么公司没变强？
所有人都在用 ChatGPT，为什么公司业绩没有起飞？
这不是个例。DX 跟踪了 400 家公司 16 个月，发现 AI 工具使用量涨了 65%，代码交付量只涨了不到 10%。美国国家经济研究局调查 6000 名企业高管，超过 80% 说 AI 对生产力没有可测量的影响。
AI 确实让每个人都变快了，但公司没有变强。生产力去了哪里？
一个 130 年前的故事
1890 年代，工厂换上电动机，所有人都以为生产力会爆发。结果之后 30 年，产出几乎没变。
直到 1920 年代，有人拆掉旧厂房，按电力的逻辑重新设计生产线，红利才释放出来。
130 年过去了，同样的错误在重演。
我们换了电机，但还没有重新设计工厂。
四个隐藏的陷阱
1. 协调崩溃
每个员工都有自己的 ChatGPT 用法、prompt 风格、输出格式。市场部用 AI 写的品牌话术和产品部用 AI 写的功能描述可能完全是两种语言。
100 个员工各自用 AI，没人在想 100 条 AI 工作流之间怎么对齐。
聪明的人朝不同方向使劲，等于原地不动。
2. 噪音倍增
AI 让「生成」变得零成本，但分辨好坏的成本更高了。
私募行业的人说，去年收到 10 个交易机会，今年 50 个，每个 BP 都经过 AI 精心打磨。噪音多了 5 倍，信号没变。
3. 生产力幻觉
AI 安全研究机构 METR 做了一个实验：让经验丰富的开发者分别在有 AI 工具和没有 AI 工具的情况下完成编程任务。
结果是，使用 AI 的开发者实际上慢了 19%，但他们自认为快了 20%。
感知和现实之间差了 39 个百分点。
更麻烦的是组织消化不了。个人产出提升 10 倍，审批、协作、质量把关还是老样子，瓶颈从「做得不够」变成了「消化不了」。
4. 判断力侵蚀
数据显示 LLM 在 58% 的情况下表现出谄媚行为。你越自信地表达观点，它越倾向于无条件赞同你。
一个长期在工作中得不到正面反馈的人，突然有了一个永远同意他的「超级智能」。
他会对自己说：人类历史上最聪明的系统都认为我是对的，是我的经理搞错了。
这种感觉令人上瘾，也对组织有毒。
根本性错误
但这四重困境还不是最根本的问题。
大多数公司在用效率的框架去思考一个关于效果的问题。
- 效率： 写报告快了、整理纪要快了（对已有任务的优化）
- 效果： 多做成几笔交易、多打开一个市场（对业务结果的改变）
即使效率真的提升了 10 倍，如果企业的业务逻辑和决策方式没有跟着变，一家公司依然不会因此多做成一笔交易。
Deloitte 调查印证了这个判断：只有 34% 的组织在用 AI 做深度转型，37% 仍停留在「换电机」阶段。
ATM vs iPhone
有一个更近的故事可以帮助理解。
ATM（1970s）： 被发明的时候，所有人以为银行柜员会消失。结果从 1970 年代到 2010 年，美国银行柜员不降反升。ATM 降低了单个网点的运营成本，银行就开了更多网点，雇了更多柜员。
iPhone（2010）： 手机银行让客户根本不需要去网点了。2010 到 2022 年，美国银行柜员从 33.2 万降到 16.4 万。
区别：
- ATM 在旧范式里把任务做得更快更便宜
- iPhone 创造了新范式，让那些任务不必存在
给员工装 ChatGPT 就是在银行网点里多放一台 ATM。组织需要找到自己的 iPhone 时刻。
到底该改什么？
1920 年代的工厂主到底改了什么？
1. 流程重设计
传统假设是人执行、工具辅助。AI-native 的流程翻转了这个假设。
Goldman Sachs 称 Cognition 的 Agent Devin 为「our new employee」，不是辅助工具，直接作为工程团队的成员。
当 AI 从工具变成员工，流程设计完全不同。
2. 角色重定义
管理者开始变成编排者，管的不再只是人，而是人和 AI 组成的混合团队。
新角色正在涌现：
- AI Agent Manager
- Intent Engineer
- 流程工程师
3. 决策机制
组织需要能说「不」的 AI。
方向包括 AI 投委会成员、AI 审计、AI 合规官。组织级 AI 的目标不是让决策更快，是让决策更好。
4. 信息流重构
Unprompted AI： 系统在你问之前就把问题发现了。
场景：系统持续监控投资组合数据流，发现某家被投公司的运营资本连续三个月恶化，在基金任何人打开相关 PDF 文件之前就发出预警。
办公效率 ≠ 经营场景
过去两年，市场上涌现了大量企业 AI Agent，大多数落在办公场景：写邮件、总结会议、整理文档、自动化审批流程。
这些确实有用，也确实在普及。但它们还是在让人更快地做同样的事，还是 ATM 的逻辑。
企业每天真正在做的事情，其实是另外一些：理解市场，定义产品，研究用户，制定策略，推动增长。
这些才是真正决定一家公司变强还是变弱的经营场景。
上下文是壁垒
当所有人都能用同样的模型时，模型就不再是壁垒。
GPT、Claude、Gemini、DeepSeek、Qwen，你能用，你的竞争对手也能用。
那什么才是壁垒？Context。上下文。
同一个模型，给它公开信息，出来一个通用答案。给它你企业独有的上下文，出来一个只有你能得到的答案。
模型产生智能，上下文产生价值。
斯坦福大学教授吴恩达发布了开源项目 ContextHub，解决的问题几乎一模一样：即使是最强的模型，没有正确的上下文也会产出不可靠的结果。
一个中国案例
特赞做了很多年 DAM（数字资产管理），管理的是企业最丰富也最难被机器理解的非结构化数据：图片、文案、视频、3D 模型。
AI 时代释放了一种以前不存在的能力：对非结构化数据的理解。
非结构化数据从「被存储的文件」变成「被理解的上下文」。
特赞在 DAM 的基础上做了 Context System，又在 Context System 的基础上做了 GEA（Generative Enterprise Agent）。
数据： 同样的企业内容资产，过去每千个素材被人调用 12 次，部署 Context System 后被 Agent 调用超过 23,000 次。
利用率差了近 2000 倍。
这 2000 倍不是因为 Agent 在做重复的事，而是因为 Agent 在做人做不到的事：7x24 小时不间断地从你的上下文中发现关联、提取洞察、驱动决策。
个体觉醒仍然是底座
Asana 的数据说，10% 的「超级生产者」每周通过 AI 节省 20 小时以上。
问题是，这 10% 的超级生产者并没有让他们所在的公司成为超级公司。
个体觉醒解决不了协调问题。一个人用得再好，团队里十个人用法各不相同，产出还是碎片化的。
「人 AI 合一」是底座，「组织重设计」是上层建筑。
没有前者后者是空谈，只有前者后者不会自动发生。
今天，你的组织是为 AI 设计的吗？
真正的问题不是「你的员工在用 AI 吗」。
而是：
- 流程有没有围绕 AI 的能力重新设计过？
- 角色分工有没有把 AI agent 当作编制内的成员？
- 决策机制里有没有 AI 的制衡？
- 企业上下文是在等着流失，还是已经变成了 Agent 可以调用的系统资产？
过去十年，企业买的是软件。过去三年，企业试的是模型。从今天开始，企业需要的是一个能理解你的上下文、拥有判断力、并且持续进化的智能系统。
是时候拆掉旧工厂了。
参考资料：
- a16z: Institutional AI vs Individual AI
- DX: AI productivity gains are 10 percent not 10x
- METR: Early 2025 AI experienced OS dev study
- Asana: AI super productivity paradox
- Deloitte: State of AI in enterprise
原文来源： Founder Park
评论