个人提效10倍，公司颗粒无收：AI时代的“电力悖论”正在重演
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：个人效率提升10倍，公司价值为何纹丝不动？AI时代不缺好工具，缺的是一套像“流水线”一样的机构化蓝图。文章来自编译。
AI 刚刚让每个个体的生产力提升了 10 倍。可是，没有任何一家公司因此而增值 10 倍。那这些生产力究竟流到哪里去了呢？
这种情况并非首次发生。19 世纪 90 年代，电力曾许下大幅提升生产力的诺言。当时，新英格兰地区的纺织厂原本是为利用蒸汽机的转动力而建的，它们迅速在原位换上了速度更快的电动机。
但在长达三十年的时间里，这些电气化工厂的产出几乎没有任何增长。技术确实突飞猛进，但组织架构却止步不前。
直到 20 世纪 20 年代，当工厂再次彻底重新设计——引入了流水线，为每台设备安装了独立电机，并让工人和机器各司其职、执行截然不同的任务时，电气化才产生了实质性的回报。
图 1：洛厄尔纺织厂（Lowell Textile Mills）的三次演变。从左至右依次为：1890 年的蒸汽动力工厂、1900 年的电力发动机工厂，以及 1920 年作为电气化流水线彻底重建的“单元驱动”工厂。
这些回报并非源于技术本身，也不是因为让单个工人或机器纺纱的速度变快了。只有当我们最终将机构组织与技术同步重新设计时，这种增长收益才真正显现。
这是科技史上代价最为高昂的一课，而我们现在正重新经历这一过程。
到 2026 年，AI 正驱动着那些懂得运用它的人实现 10 倍的生产力增长。但这还远远不够。我们只是更换了发动机，却还没有重新设计工厂。
原因在于一个简单的核心事实：个人高产并不等同于企业高产。
绝大多数 AI 产品只是给人一种“我很高效”的错觉，但在驱动实际价值方面却收效甚微。目前大多数公开的 AI 应用案例，不过是个人在 Twitter 或公司 Slack 频道里自我陶醉式地进行“生产力极限榨取”，对现实业务几乎没有任何实质性影响。
这个世界总有那么一个人：他用 Notion 记笔记、Superhuman 发邮件、Mac Mini 跑 OpenClaw，还配着 Raycast 快捷启动、400 刀的机械键盘和 Wispr Flow 语音输入——结果每天啥正事都没干成。
这一年来被反复提及的“服务即软件”（services as software）主题虽然方向正确，但并未给出具体蓝图。而且它忽略了一个更大的图景：真正的转变不在于从工具转向服务，而在于将技术与机构（无论是传统机构还是新兴机构）融为一体。一个真正高效的未来需要一类全新的产品——即明天的“流水线”。
高效的组织需要的是“机构化智能”（Institutional Intelligence）。
本文将深入探讨区分“机构化 AI”与“个人化 AI”的七大要素。未来十年的整个 B2B AI 领域都将建立在这些差异之上：
机构AI的七大支柱
1. 协同
个人化 AI 制造混乱。机构化 AI 创造协同。
让我们先做一个思想实验。假设明天你将公司的员工数量翻倍，而新增的全部是你最优秀员工的克隆体。
这些员工每个人都有细微的差别、偏好、怪癖和视角（如果你最优秀的员工，情况更是如此）。如果他们没有得到充分的管理，如果没有充分的沟通，如果他们的业务边界、OKR、角色和职责没有明确定义……那么你制造的就是一场混乱。
从个体层面衡量，组织或许变得更高效了，但成千上万个智能体（或人类）向相反的方向划桨，往好里说会导致停滞不前，往坏里说会彻底破坏组织的和谐。
这并不是假设。目前在每一个引入 AI 但缺乏协同层的组织里，这种情况都在发生。每个员工都有自己的 ChatGPT 使用习惯、自己的提示词风格，以及完全不与其他人的产出接轨的独立成果。组织架构图或许还在，但 AI 生成工作的实际流向却呈现出另一番景象。
图 2：高产的个体（或智能体）各自向不同方向划桨。如果缺乏协同，必然导致混乱。
无论对于人类还是智能体，协同都是绝对的刚需。
机构化智能将演变成一个完整的“智能体管理”（Agentic Management）产业，专注于智能体的角色与职责、智能体与智能体以及智能体与人类之间的沟通，并衡量智能体创造的价值（单纯按量计费已不足以满足需求）。
2. 信号
个人化 AI 制造噪音。机构化 AI 寻找信号。
今天的人类能够创造，或者说生成，任何能想象到的东西：AI 文章、PPT、表格、照片、视频、歌曲、网站乃至软件。这简直是天赋神技。
问题在于，AI 生成的绝大部分内容都是彻头彻尾的废话垃圾。这些 AI 垃圾的泛滥已经严重到让一些组织反应过度，甚至全面禁止 AI 产出。我对此深有感触……我自己经营着一家 AI 公司，但我要求我们的高管团队不要在任何最终书面成果中使用 AI。我实在受不了那些空洞的废话。
想象一下私募股权（PE）领域正在发生的变化。去年，可能有 10 个项目摆在你的桌上。而今年，你下个季度就会收到 50 个机会，每一个都经过 AI 润色得尽善尽美，而你寻找那个真正有价值项目的可用时间却一点没变。
“生成”已经不再是问题。对于当今任何严肃的组织来说，问题在于如何生成并筛选出“正确”的东西。在 AI 驱动的世界里，在噪音中寻找那一个优秀的成果、那一个优质的项目、那一个关键的信号，变得愈发重要。未来十年的核心经济驱动力，将是在呈指数级增长的垃圾信息大山中挖掘出有价值的信号。
图 3：来自个人生产力工具的 AI 废话正以指数级速度扩散。单靠人类无法梳理这些噪音，因此需要机构级别的全新 AI 产品。
机构级智能必须能够发现信号，必须能够将噪音结构化以剔除废话，并且其工作必须是可定义的、确定性的且可审计的。
个人化 AI 可能强调像 Claude 机器人那样“永不停歇”的生产力，以不可预测的方式满足各种全天候需求（即非确定性智能体）；而机构化 AI 则依赖于确定性智能体那如同承重墙般的预测性。拥有可预测的检查点、执行步骤和流程的智能体才能实现规模化，才能发现信号，并通过这些信号为组织驱动收入回报。
图4：Matrix这个工具可利用生成技术排除噪音，从而打开了确定性智能体的世界大门
3. 偏见
个人化 AI 助长偏见。机构化 AI 创造客观。
多年来，关于社会政治偏见的担忧在AI 相关讨论中一直占主流位置。基础模型实验室最终通过大量的 RLHF（基于人类反馈的强化学习）绕过了这个问题，实际上把所有模型都变成了“马屁精”。如今，ChatGPT、Claude 等模型由于（过度）对齐，会在“奥弗顿窗口”（社会可接受的言论范围）内的任何话题上附和你的观点。虽然社会政治偏见的争论平息了，但一个新问题随之而来。
这种在所有事情上都保持一致、过度对齐的程度已经到了滑稽的地步，甚至演变成了一个梗……无论你是否真的正确，Claude 都会条件反射式地回答：“您说得完全正确！”
这听起来无伤大雅，实则不然。
在许多组织内部，那些叫得最响的 AI 拥护者，可能很快就会成为有史以来表现最差的那批员工。想想这是为什么。
公司里表现最差的员工每天几乎得不到任何正面激励，但很快他们就会拥有一个对他们百依百顺的超级智能（ASI）。他们会喃喃自语：“全世界最聪明的智慧都认同我，那肯定是我的经理错了。”
这让人陶醉，但对组织来说却是剧毒。
图 5：个人化 AI 信息茧房加剧了分歧，将人们彼此拉开。这种动态在大规模扩展时，会在原本统一的组织内制造派系。
这揭示了一个重要问题：这些个人生产力工具在强化“用户”的观点。而在现实中，最需要被强化的应该是“真相”。
数千年来，组织进化的过程就是建立一套系统来抵消这一问题：比如投资委员会会议、第三方尽调、董事会……
图6：客观性甚至可以缓解协调问题——它能平抑微小的分歧，而非将其放大。
组织极少因为人们缺乏信心而失败。它们的失败往往是因为没有人愿意、或没有能力说“不”。
机构化 AI 必须扮演这个角色。它不应通过 RLHF 被训练成只会讨好用户或复读其信念的工具，而应去挑战用户的偏见。它要在行为高效时给予强化，并在出现低效倾向时划清界限进行纠偏。
因此，组织内部最重要的智能体不应是“唯唯诺诺者”，而应是训练有素的“唱反调者”，负责质询推论、揭示风险并执行标准。未来一些最有影响力的 AI 应用将围绕机构约束而构建：AI 董事会成员、AI 审计师、AI 第三方测试、AI 合规官等等。
4. 优势
个人化 AI 优化使用率。机构化 AI 优化竞争优势（Edge）。
AI 的终点线每周、甚至每天都在移动。基础模型公司为了争夺每一个用户和每一家企业，正在飞速迭代各项功能。
但在经典的创新者窘境下，针对特定应用，深度每次都能战胜广度：Midjourney 的职责是在设计图像上保持领先；ElevenLabs 的职责是在语音模型上稍胜一筹；而 Decagon AI 的职责则是永远在全栈客户服务体验上领跑……
虽然基础模型会不断逼近，但对于领域专家来说，真正的“微弱优势”至关重要。只要专业定制的方案也在同步进化，那么对于商业产出有决定性意义的能力，永远会掌握在这些专业产品手中。
这一点在金融领域体现得淋漓尽致——这是目前大模型开发最炙手可热的领域。一旦某项能力变得普及，从定义上讲它就无法帮你跑赢市场。但如果前沿技术能带来哪怕只有 1% 的短暂细分优势呢？这 1% 的优势就可以通过杠杆放大成数十亿美元的回报。
图 7：对于任何足够具体的任务，其竞争优势（Edge）取决于你在前沿技术（Frontier technology）之上构建的机构化解决方案。
我们的用户始终在突破前沿技术的极限。在短短四年内，大语言模型（LLM）的上下文窗口已从 4K 增长到了 100 万 token。目前，我们已有一些用户在单次任务中处理高达 300 亿 token 的数据。今年，我们预计将看到 1000 亿 token 级别的任务。每当基础模型的能力有所提升时，我们往往早已更进一步。
图 8：上下文窗口与其它模型能力一样，是一场‘移动球门’的博弈。这是过去三年中，前沿实验室（Frontier labs）与 Hebbia 在上下文窗口演进上的对比。
让大众普及使用 AI 本身就是一个重要且值得追求的目标，特别是在引导员工入门 AI 阶段。但未来并非‘人们使用 ChatGPT/Claude 或 领域特定解决方案’的二选一，而是‘ChatGPT/Claude 与 领域特定解决方案’的协同并进。
机构智能（Institutional Intelligence）必须利用特定领域、甚至特定任务的智能体（Agents）。
我们问了自己一个听起来荒谬但实则不然的问题：‘通用人工智能（AGI）会选择使用哪些智能体作为捷径？即便是超级智能，也会希望针对特定领域使用定制化的工具。
在 AI 领域，‘球门’（衡量标准）总是在不断移动，而那些能够利用真正能力优势（True Edge）的组织，才是最后的赢家。除此之外的其他人，只是在为一种极其昂贵的‘大宗商品’买单。
5. 产出
个人化 AI 节省时间。机构化 AI 扩大营收。
Ma Volpi 曾对我说过一句话，重塑了我对向企业销售 AI 的认知：“如果你问任何一位 CEO，他们的首要任务是削减成本还是扩大营收，几乎所有人都会说是营收。”
然而，目前市面上几乎所有的 AI 产品都在推销“削减成本”，承诺帮我们节省时间、以少胜多或取代人力。
机构化 AI 必须带来业务增量。相对于“节省时间”，业务增量想要被商品化则困难得多。
以智能体软件开发（Agentic Software Development）为例：编程 IDE 是有史以来最出色的‘个人 AI 生产力工具’之一，但它们已经面临来自 Claude Code（另一种个人 AI 工具）的巨大冲击。而 Cognition 公司则在玩一场完全不同的游戏——他们增长最稳健的业务是构建‘技术转型服务’，而非仅仅销售‘工具’。我更看好这种持久的竞争力。
“纯软件正‘迅速变得失去投资价值’。而纯服务则无法实现规模化。真正的持久价值，积聚在将技术与成果相结合的‘解决方案层’（Solution layer）。
以并购（M&A）为例。个人化 AI 帮助分析师更快地建立模型；而机构化 AI 则能从一百个候选者中识别出那一个值得追求的交易对手，并将潜在目标范围扩大到一千个。前者省了时间，后者创造了真金白银。
图 9：基础模型公司正在向垂直应用层延伸；而垂直应用层公司则正在向解决方案层攀升。
向“上游”移动是目前市场的自然引力。基础模型正在进入应用层，而应用层公司正在进入方案层。机构化智能就是方案层。在方案层这个直接决定产出的地方，将积累长久的价值并捕获最大的增长红利。
6.赋能
个人化 AI 给你工具。机构化 AI 教你如何使用工具。
人类虽然充满智慧，但本质上是拒绝改变的。信不信由你，纽约现在依然有一些不收信用卡却经营得风生水起的生意。他们知道自己在亏钱，但依然在惯性中不为所动。同样，在可预见的未来，某些组织的某些员工仍会拒绝使用 AI。
从纯人工组织向 AI 优先的混合型组织转型，将是未来十年持久且具有定义意义的挑战。而在很多情况下，组织中级别最高、最重要的那帮人往往采纳新技术最慢。
图 10：组织中的最高层——那些离具体的‘生产力工具活动’最远的人，往往是对新技术落地最慢、却也最重要的决策者。
在过去两个月科技股数万亿美元规模的抛售潮中，Palantir 是唯一一家估值倍数依然高得惊人的‘软件’公司，这绝非偶然。Palantir 是首批真正的‘流程工程（Process Engineering）’公司之一。无论你称之为‘流程工程’还是‘编写 Claude 技能文件’，未来的机构级 AI 都会诞生一个专门的行业，致力于将企业流程编码进智能体中，并实现将这些智能体投入运行所需的变革管理。
图 11：要实现全组织的全面采用，需要跨越重重鸿沟，每一道鸿沟都伴随着各自的挑战。将全组织的各项流程上线并接入 AI，将成为核心驱动力。
我敢断言，流程工程在短期内将成为可以说最重要的‘技术’。而在流程工程中，商业和行业专长——而非软件技术专长——才是最重要的。领域特定的解决方案，其核心价值源于那些负责前线工程、部署以及变革管理的专业人员所具备的深厚经验。
一家选择了 Hebbia 进行全面部署的前三强全球性投行（Bulge Bracket Bank）对此总结得最为精辟：他们之所以拒绝与某家大模型实验室合作，是因为他们竟然‘还得向对方的团队解释什么是 CIM（机密信息备忘录）’。虽然 Claude 或 GPT 模型本身肯定知道这个领域的知识，但负责架构部署方案的实验室团队却一窍不通……
而这，便是成败的关键所在。
7. 主动性
个人化 AI 响应人类指令。机构化 AI 自动采取行动。
现在关于智能体之间通信，以及未来的商业、软件和机构是否还需要人类的讨论很多。
然而，一个更好的问题是：未来的 AI 智能体是否还需要“提示词”（prompting）？
给通用人工智能（AGI）发指令，就像把电动机挂在旧式动力织布机上一样。它从根本上、无可挽回地受限于组织供应链中最薄弱的一环——也就是我们。人类很难知道该问什么正确的问题，更不用说知道什么时候该问了。
AI 能做的最有价值的工作，是那些没人想到去要求它做的工作。AI 应该发现没人标记的风险、没人想到的交易对手，以及没人察觉的销售渠道。
当你消除了人类向 AI 发指令的需求时，全新的交互界面和工作方式就会应运而生。
结语
以上这些都并不是要否定聊天机器人、智能体以及整个个人化 AI 的必要性。个人化 AI 是这个世界上大多数企业首次体验 AI 变革魔力的媒介。
但与此同时，对于机构化智能的需求也显而易见，是很迫切且很巨大的。未来每个组织都会拥有来自大型实验室的聊天机器人，同时也都会拥有专为特定领域问题设计的机构化 AI。
机构化 AI 与个人化 AI “双剑合璧”的故事是必然趋势。
但请记住 19 世纪 90 年代纺织厂的教训：那些只是率先通电的工厂，最终输给了那些重新设计了整个生产车间的工厂。
我们已经拥有了“电力”，现在是时候重新设计我们的“工厂”了。
译者：boxi。
