AI 让企业更快，也更乱？问题不在算法，而在组织本身
当越来越多的企业把人工智能当作“算力堆叠器”和“效率加速器”，真正的困境却在悄然放大：组织运转更快，却更混乱；决策频率更高，却更偏离现实。模型在进化，算法在刷新基准，但企业自身的结构、流程与认知方式，仍停留在“蛮力扩张”的工业时代逻辑中。
下一波人工智能浪潮，不再取决于谁拥有更大的模型、更多的数据，而取决于谁更少出错、更快修正。能否持续感知偏差、识别意外、并以最低能耗缩小预测与现实之间的差距，将成为企业竞争力的分水岭。
这意味着一个根本性转变：人工智能不再只是工具，而是一面放大镜——它会放大你企业内部已有的秩序，也会毫不留情地放大混乱。真正的挑战，不是“如何用AI”，而是你的企业是否已经具备像生命系统一样自我感知、自我调节与自我进化的能力。这，正是下一波人工智能浪潮的起点。
AI走到岔路口：拼规模，还是换思路？
当下的人工智能世界，正在明显分成两条不同的路，而且分化速度越来越快。
第一条路，由大型语言模型（LLM）的主流厂商领跑。他们的信念很简单，也很直观：规模就是一切。模型不够聪明？那就加算力；效果不够好？那就喂更多数据。事实证明，这条路确实奏效——模型能力不断刷新，用户体验持续提升，各种测试榜单也在不断被改写。
但另一条路，则由一批“老资格”的人工智能专家提出。他们并不否认规模带来的进步，却同时发出一个警告：单纯靠堆算力的时代，正在接近天花板。如果想真正推动下一轮突破，还需要一些“别的东西”。只是，这个“别的东西”长期以来很少被清楚说出口，像小说里的伏地魔一样，大家心里都知道它重要，却很少直呼其名。
提出这种观点的，并不是边缘人物，而是人工智能领域的重量级人物——比如 OpenAI 联合创始人伊利亚·苏茨克维尔、图灵奖得主扬·勒昆，以及被称为“人工智能教母”的李飞飞。
他们的态度并不激进，却异常清醒：
·伊利亚·苏茨克维尔认为，AI已经经历了研究时代和规模化时代，而现在，正在回到一个“用超级计算机做研究”的新阶段。
·扬·勒昆直言，现有的学习方式，距离人类和动物真正的学习机制还差得很远。
·李飞飞则提醒，大模型本身过于封闭，缺乏对真实世界的扎根理解。
这就像生活中的很多分歧一样：两边其实都没错。大模型当然还会继续进步，而且进步得很快。但几乎所有经验丰富的专家都会私下承认一件事——现在的AI，少了一块关键拼图。
那缺的到底是什么？更重要的是：你的企业，是否已经为它的到来做好准备？
生命为何能存活：理解“自由能原理”（FEP）
要真正理解接下来要讲的内容，我们需要先认识一位关键人物——卡尔·弗里斯顿博士。他是神经科学领域引用次数最高的科学家之一，也对人工智能的发展产生了深远影响。他提出的一个核心观点，听起来并不复杂，却极具颠覆性：所有生命体存在的首要目标，都是尽量减少“意外”的发生。
听上去很抽象？其实一点也不。弗里斯顿认为，为了活下去，任何生命体——无论是人类，还是一颗细胞——都必须不断预测下一刻会发生什么。你的大脑会构建一张“内部地图”，用来判断世界应该如何运转。当现实按预期展开，你是安全的；但一旦出现偏差，你就会感到不安，甚至危险。
在这个理论中，“自由能”并不是物理课本里的能量概念，而是一个用来描述预测与现实之间差距的指标。差距越大，自由能越高，系统就越不稳定。一旦大脑感知到这种差距，它会立刻采取行动：
要么更新认知（学习），要么调整行为（行动），直到现实重新符合预期。为了让这个原理更直观，我们来看一只松鼠。
松鼠讨厌两件事：意外和浪费能量。
预期：松鼠记得，在一片大红叶子下面藏着一颗橡子。
意外：它挖开土，却什么也没找到。这一刻，它“出错了”，也消耗了多余的能量。
行动：松鼠不会反复怀疑人生，它会迅速做出最省力的调整——“向右挪一点，再挖一次。”
学习：果然，它找到了橡子。预测重新对齐现实，意外消失，世界恢复稳定。
这一连串动作，正是自由能原理在现实世界中的完美体现。
生命的本能，不是追求完美，而是不断减少意外。而接下来你会看到，这条看似属于生物学的规律，恰恰解释了为什么很多企业越“努力”，反而越混乱，也揭示了人工智能真正能够改变企业命运的关键所在。
企业真正的价值主张：稳定应对不确定性
从跨学科研究的角度看，自由能原理（Free Energy Principle, FEP）之所以被越来越多研究者关注，并非因为其抽象性，而在于它对复杂系统真实运作方式的高度概括能力。
无论是生物系统，还是大型组织，其长期存续都依赖于一个共同能力：在不确定环境中持续减少偏差与意外。
这一观点与组织物理学中的核心原则高度一致——系统若要生存，必须在吸收外部能量的同时，维持内部结构，以对抗无序化（熵增）的趋势。FEP 为这一长期存在于管理与系统理论中的判断，提供了更严格的数学与认知层面的解释。
在人工智能语境下，FEP 常被用于讨论智能体的学习与决策效率；但在企业层面，它同样揭示了一个重要事实：人工智能的价值，并不取决于技术本身，而取决于它所作用的组织结构。
已有研究普遍认为，企业级人工智能更像是一种放大机制。它会放大组织内部已有的秩序、信息结构与决策方式，也会同步放大组织中的割裂、迟滞与噪声。因此，在未来几年中，具备自我感知与自我调节能力的组织，与高度僵化、线性运作的组织之间，绩效差距预计将持续扩大。
商业运行的关键能力：降低“意外成本”
从系统视角出发，企业的核心运营能力可以被简化为三点：预测、对照、修正。
预测未来可能发生什么；
持续对照现实正在发生什么；
当偏差出现时，以尽可能低
在商业实践中，“意外”通常并不表现为戏剧性的失败，而是以库存积压、节奏失衡、资源错配、反复返工等形式出现。这些问题的共同特征是：它们并非源于能力不足，而是源于预测与现实之间的持续偏差。
研究表明，当企业无法及时感知并修正这种偏差时，系统会通过更高的成本来“补偿”错误判断——例如资金占用、组织摩擦增加，或被动接受外部压力。这些成本可以被视为企业运行中的“自由能消耗”。
相反，那些表现出更强适应能力的企业，往往并不追求预测的绝对准确性，而是具备快速识别偏差、并采取高杠杆纠正措施的能力。
这种能力，使企业在面对环境变化时，能够以更低的代价恢复稳定状态。在这一过程中，企业人工智能的潜在价值开始显现：它并不只是提高单点效率，而是通过更快的反馈与更优的决策建议，压缩偏差存在的时间窗口。当预测、监测与修正形成闭环，企业的运行方式将更接近一个自我调节系统。
像“生命系统”一样设计组织
从自由能原理和组织物理学的交叉视角来看，生命系统减少意外的方式，并非依赖更严密的控制，而是依赖结构、认知与行动之间的持续协调。
将这一逻辑映射到企业层面，通常体现为以下几个方面：
第一，构建清晰且可操作的“内部认知地图”。组织若缺乏对真实状态的统一认知，就无法形成有效预测，也难以及时发现偏差。无论是员工还是人工智能系统，都需要基于同一套真实、可更新的业务图景进行判断。
第二，持续监测能量的流动与损耗。在复杂系统中，效率并不只意味着“更快”，还意味着“更少无效消耗”。频繁返工、反复协调、信息不一致，都是系统能量被无序消耗的表现。
第三，根据发展阶段采取不同管理重点。研究显示，在不合适的阶段引入不匹配的管理动作，往往会放大系统不稳定性。生命系统之所以能够长期存续，正是因为其行为与环境节奏保持高度一致。
第四，维持组织要素之间的长期一致性。战略、结构、流程、数据、文化、人员与智能系统如果持续对齐，将形成“惯性优势”；一旦偏离，则会转化为内部摩擦，并以意外的形式显现。
这些原则并非管理技巧，而更接近于复杂系统长期有效运作的基本规律。
走向“高效推理”的时代
如果自由能原理在组织层面的意义仍显抽象，那么人工智能领域正在发生的变化，提供了一个高度现实的佐证：人工智能正在从“蛮力计算”走向“高效推理”。
在技术语境中，“推理”指的是模型为得出结论所进行的实际计算过程。越来越多研究指出，未来的竞争优势，并不在于谁消耗更多算力，而在于谁能够以更少资源，持续生成更贴近现实的判断。
基于自由能原理的研究方向，已经在多个实验场景中展现出这一趋势：当模型能够更快缩小预测结果与真实反馈之间的差距，其整体效率与稳定性将显著提升。
这一趋势并非只适用于算法层面。在生物系统、组织系统与人工智能系统中，高效减少意外、降低偏差成本始终是长期成功的关键机制。综合来看，未来环境的不确定性并不会降低，但应对不确定性的方式正在发生变化。
那些能够像生命系统一样持续感知、快速调整、并高效响应变化的组织，将更有可能在下一阶段的人工智能浪潮中保持竞争力。这既构成了当前时代的挑战，也构成了一种结构性机遇。
本文来自微信公众号“TPP管理咨询”，作者：TPP管理咨询，36氪经授权发布。
