歡迎您游客 | 登錄 | 免費注冊 | 忘記了密碼 | 社交賬號注冊或登錄

溫哥華資訊

故事 | 移民 | 留學 | 八卦 | 娛樂 | 投資 | 旅游
就業 | 健康 | 文藝 | 情感 | 科技 | 華人 | 海歸

溫西 | 西溫 | 本那比 | 列治文 | 白石 | 市中心
溫東 | 北溫 | 高貴林 | 北素裡 | 素裡 | 滿地寶

大溫 | 玩樂 | 吃喝 | 社團 | 汽車 | 貼圖
生活 | 房屋 | 親子 | 攝影 | 原創 | 投資

專欄 | 視頻
群組 | 圖庫

生活資訊專欄投資理財

個人提效10倍公司顆粒無收:AI時代的"電力悖論"

2026-04-12 | 來源: 神譯局 | 轉到微信 | 有0人參與評論 | 字體: 放大縮小 | 收藏 | 打印

編者按：個人效率提升10倍，公司價值為何紋絲不動？AI時代不缺好工具，缺的是一套像“流水線”一樣的機構化藍圖。文章來自編譯。

AI 剛剛讓每個個體的生產力提升了 10 倍。可是，沒有任何一家公司因此而增值 10 倍。那這些生產力究竟流到哪裡去了呢？

這種情況並非首次發生。19 世紀 90 年代，電力曾許下大幅提升生產力的諾言。當時，新英格蘭地區的紡織廠原本是為利用蒸汽機的轉動力而建的，它們迅速在原位換上了速度更快的電動機。

但在長達三十年的時間裡，這些電氣化工廠的產出幾乎沒有任何增長。技術確實突飛猛進，但組織架構卻止步不前。

直到 20 世紀 20 年代，當工廠再次徹底重新設計——引入了流水線，為每台設備安裝了獨立電機，並讓工人和機器各司其職、執行截然不同的任務時，電氣化才產生了實質性的回報。

圖 1：洛厄爾紡織廠（Lowell Textile Mills）的三次演變。從左至右依次為：1890 年的蒸汽動力工廠、1900 年的電力發動機工廠，以及 1920 年作為電氣化流水線徹底重建的“單元驅動”工廠。

這些回報並非源於技術本身，也不是因為讓單個工人或機器紡紗的速度變快了。只有當我們最終將機構組織與技術同步重新設計時，這種增長收益才真正顯現。

這是科技史上代價最為高昂的一課，而我們現在正重新經歷這一過程。

到 2026 年，AI 正驅動著那些懂得運用它的人實現 10 倍的生產力增長。但這還遠遠不夠。我們只是更換了發動機，卻還沒有重新設計工廠。

原因在於一個簡單的核心事實：個人高產並不等同於企業高產。

絕大多數 AI 產品只是給人一種“我很高效”的錯覺，但在驅動實際價值方面卻收效甚微。目前大多數公開的 AI 應用案例，不過是個人在 Twitter 或公司 Slack 頻道裡自我陶醉式地進行“生產力極限榨取”，對現實業務幾乎沒有任何實質性影響。

這個世界總有那麼一個人：他用 Notion 記筆記、Superhuman 發郵件、Mac Mini 跑 OpenClaw，還配著 Raycast 快捷啟動、400 刀的機械鍵盤和 Wispr Flow 語音輸入——結果每天啥正事都沒幹成。

這一年來被反復提及的“服務即軟件”（services as software）主題雖然方向正確，但並未給出具體藍圖。而且它忽略了一個更大的圖景：真正的轉變不在於從工具轉向服務，而在於將技術與機構（無論是傳統機構還是新興機構）融為一體。一個真正高效的未來需要一類全新的產品——即明天的“流水線”。

高效的組織需要的是“機構化智能”（Institutional Intelligence）。

本文將深入探討區分“機構化 AI”與“個人化 AI”的七大要素。未來十年的整個 B2B AI 領域都將建立在這些差異之上：

機構AI的七大支柱

1. 協同

個人化 AI 制造混亂。機構化 AI 創造協同。

讓我們先做一個思想實驗。假設明天你將公司的員工數量翻倍，而新增的全部是你最優秀員工的克隆體。

這些員工每個人都有細微的差別、偏好、怪癖和視角（如果你最優秀的員工，情況更是如此）。如果他們沒有得到充分的管理，如果沒有充分的溝通，如果他們的業務邊界、OKR、角色和職責沒有明確定義……那麼你制造的就是一場混亂。

從個體層面衡量，組織或許變得更高效了，但成千上萬個智能體（或人類）向相反的方向劃槳，往好裡說會導致停滯不前，往壞裡說會徹底破壞組織的和諧。

這並不是假設。目前在每一個引入 AI 但缺乏協同層的組織裡，這種情況都在發生。每個員工都有自己的 ChatGPT 使用習慣、自己的提示詞風格，以及完全不與其他人的產出接軌的獨立成果。組織架構圖或許還在，但 AI 生成工作的實際流向卻呈現出另一番景象。

圖 2：高產的個體（或智能體）各自向不同方向劃槳。如果缺乏協同，必然導致混亂。

無論對於人類還是智能體，協同都是絕對的剛需。

機構化智能將演變成一個完整的“智能體管理”（Agentic Management）產業，專注於智能體的角色與職責、智能體與智能體以及智能體與人類之間的溝通，並衡量智能體創造的價值（單純按量計費已不足以滿足需求）。

2. 信號

個人化 AI 制造噪音。機構化 AI 尋找信號。

今天的人類能夠創造，或者說生成，任何能想象到的東西：AI 文章、PPT、表格、照片、視頻、歌曲、網站乃至軟件。這簡直是天賦神技。

問題在於，AI 生成的絕大部分內容都是徹頭徹尾的廢話垃圾。這些 AI 垃圾的泛濫已經嚴重到讓一些組織反應過度，甚至全面禁止 AI 產出。我對此深有感觸……我自己經營著一家 AI 公司，但我要求我們的高管團隊不要在任何最終書面成果中使用 AI。我實在受不了那些空洞的廢話。

想象一下私募股權（PE）領域正在發生的變化。去年，可能有 10 個項目擺在你的桌上。而今年，你下個季度就會收到 50 個機會，每一個都經過 AI 潤色得盡善盡美，而你尋找那個真正有價值項目的可用時間卻一點沒變。

“生成”已經不再是問題。對於當今任何嚴肅的組織來說，問題在於如何生成並篩選出“正確”的東西。在 AI 驅動的世界裡，在噪音中尋找那一個優秀的成果、那一個優質的項目、那一個關鍵的信號，變得愈發重要。未來十年的核心經濟驅動力，將是在呈指數級增長的垃圾信息大山中挖掘出有價值的信號。

圖 3：來自個人生產力工具的 AI 廢話正以指數級速度擴散。單靠人類無法梳理這些噪音，因此需要機構級別的全新 AI 產品。

機構級智能必須能夠發現信號，必須能夠將噪音結構化以剔除廢話，並且其工作必須是可定義的、確定性的且可審計的。

個人化 AI 可能強調像 Claude 機器人那樣“永不停歇”的生產力，以不可預測的方式滿足各種全天候需求（即非確定性智能體）；而機構化 AI 則依賴於確定性智能體那如同承重牆般的預測性。擁有可預測的檢查點、執行步驟和流程的智能體才能實現規模化，才能發現信號，並通過這些信號為組織驅動收入回報。

圖4：Matrix這個工具可利用生成技術排除噪音，從而打開了確定性智能體的世界大門

3. 偏見

個人化 AI 助長偏見。機構化 AI 創造客觀。

多年來，關於社會政治偏見的擔憂在AI 相關討論中一直占主流位置。基礎模型實驗室最終通過大量的 RLHF（基於人類反饋的強化學習）繞過了這個問題，實際上把所有模型都變成了“馬屁精”。如今，ChatGPT、Claude 等模型由於（過度）對齊，會在“奧弗頓窗口”（社會可接受的言論范圍）內的任何話題上附和你的觀點。雖然社會政治偏見的爭論平息了，但一個新問題隨之而來。

這種在所有事情上都保持一致、過度對齊的程度已經到了滑稽的地步，甚至演變成了一個梗……無論你是否真的正確，Claude 都會條件反射式地回答：“您說得完全正確！”

這聽起來無傷大雅，實則不然。

在許多組織內部，那些叫得最響的 AI 擁護者，可能很快就會成為有史以來表現最差的那批員工。想想這是為什麼。

公司裡表現最差的員工每天幾乎得不到任何正面激勵，但很快他們就會擁有一個對他們百依百順的超級智能（ASI）。他們會喃喃自語：“全世界最聰明的智慧都認同我，那肯定是我的經理錯了。”

這讓人陶醉，但對組織來說卻是劇毒。

圖 5：個人化 AI 信息繭房加劇了分歧，將人們彼此拉開。這種動態在大規模擴展時，會在原本統一的組織內制造派系。

這揭示了一個重要問題：這些個人生產力工具在強化“用戶”的觀點。而在現實中，最需要被強化的應該是“真相”。

數千年來，組織進化的過程就是建立一套系統來抵消這一問題：比如投資委員會會議、第三方盡調、董事會……

圖6：客觀性甚至可以緩解協調問題——它能平抑微小的分歧，而非將其放大。

組織極少因為人們缺乏信心而失敗。它們的失敗往往是因為沒有人願意、或沒有能力說“不”。

哈佛早申放榜,內地顆粒無收!國內娃輸慘了…

曾經輝煌一時!中國這項目巴黎顆粒無收

出道34次顆粒無收,陪跑10年後,42歲蔣欣終獲白玉蘭獎最佳女配角

機構化 AI 必須扮演這個角色。它不應通過 RLHF 被訓練成只會討好用戶或復讀其信念的工具，而應去挑戰用戶的偏見。它要在行為高效時給予強化，並在出現低效傾向時劃清界限進行糾偏。

因此，組織內部最重要的智能體不應是“唯唯諾諾者”，而應是訓練有素的“唱反調者”，負責質詢推論、揭示風險並執行標准。未來一些最有影響力的 AI 應用將圍繞機構約束而構建：AI 董事會成員、AI 審計師、AI 第三方測試、AI 合規官等等。

4. 優勢

個人化 AI 優化使用率。機構化 AI 優化競爭優勢（Edge）。

AI 的終點線每周、甚至每天都在移動。基礎模型公司為了爭奪每一個用戶和每一家企業，正在飛速迭代各項功能。

但在經典的創新者窘境下，針對特定應用，深度每次都能戰勝廣度：Midjourney 的職責是在設計圖像上保持領先；ElevenLabs 的職責是在語音模型上稍勝一籌；而 Decagon AI 的職責則是永遠在全棧客戶服務體驗上領跑……

雖然基礎模型會不斷逼近，但對於領域專家來說，真正的“微弱優勢”至關重要。只要專業定制的方案也在同步進化，那麼對於商業產出有決定性意義的能力，永遠會掌握在這些專業產品手中。

這一點在金融領域體現得淋漓盡致——這是目前大模型開發最炙手可熱的領域。一旦某項能力變得普及，從定義上講它就無法幫你跑贏市場。但如果前沿技術能帶來哪怕只有 1% 的短暫細分優勢呢？這 1% 的優勢就可以通過杠杆放大成數十億美元的回報。

圖 7：對於任何足夠具體的任務，其競爭優勢（Edge）取決於你在前沿技術（Frontier technology）之上構建的機構化解決方案。

我們的用戶始終在突破前沿技術的極限。在短短四年內，大語言模型（LLM）的上下文窗口已從 4K 增長到了 100 萬 token。目前，我們已有一些用戶在單次任務中處理高達 300 億 token 的數據。今年，我們預計將看到 1000 億 token 級別的任務。每當基礎模型的能力有所提升時，我們往往早已更進一步。

圖 8：上下文窗口與其它模型能力一樣，是一場‘移動球門’的博弈。這是過去三年中，前沿實驗室（Frontier labs）與 Hebbia 在上下文窗口演進上的對比。

讓大眾普及使用 AI 本身就是一個重要且值得追求的目標，特別是在引導員工入門 AI 階段。但未來並非‘人們使用 ChatGPT/Claude 或領域特定解決方案’的二選一，而是‘ChatGPT/Claude 與領域特定解決方案’的協同並進。

機構智能（Institutional Intelligence）必須利用特定領域、甚至特定任務的智能體（Agents）。

我們問了自己一個聽起來荒謬但實則不然的問題：‘通用人工智能（AGI）會選擇使用哪些智能體作為捷徑？即便是超級智能，也會希望針對特定領域使用定制化的工具。

在 AI 領域，‘球門’（衡量標准）總是在不斷移動，而那些能夠利用真正能力優勢（True Edge）的組織，才是最後的贏家。除此之外的其他人，只是在為一種極其昂貴的‘大宗商品’買單。

5. 產出

個人化 AI 節省時間。機構化 AI 擴大營收。

Ma Volpi 曾對我說過一句話，重塑了我對向企業銷售 AI 的認知：“如果你問任何一位 CEO，他們的首要任務是削減成本還是擴大營收，幾乎所有人都會說是營收。”

然而，目前市面上幾乎所有的 AI 產品都在推銷“削減成本”，承諾幫我們節省時間、以少勝多或取代人力。

機構化 AI 必須帶來業務增量。相對於“節省時間”，業務增量想要被商品化則困難得多。

以智能體軟件開發（Agentic Software Development）為例：編程 IDE 是有史以來最出色的‘個人 AI 生產力工具’之一，但它們已經面臨來自 Claude Code（另一種個人 AI 工具）的巨大沖擊。而 Cognition 公司則在玩一場完全不同的游戲——他們增長最穩健的業務是構建‘技術轉型服務’，而非僅僅銷售‘工具’。我更看好這種持久的競爭力。

“純軟件正‘迅速變得失去投資價值’。而純服務則無法實現規模化。真正的持久價值，積聚在將技術與成果相結合的‘解決方案層’（Solution layer）。

以並購（M&A）為例。個人化 AI 幫助分析師更快地建立模型；而機構化 AI 則能從一百個候選者中識別出那一個值得追求的交易對手，並將潛在目標范圍擴大到一千個。前者省了時間，後者創造了真金白銀。

圖 9：基礎模型公司正在向垂直應用層延伸；而垂直應用層公司則正在向解決方案層攀升。

向“上游”移動是目前市場的自然引力。基礎模型正在進入應用層，而應用層公司正在進入方案層。機構化智能就是方案層。在方案層這個直接決定產出的地方，將積累長久的價值並捕獲最大的增長紅利。

6.賦能

個人化 AI 給你工具。機構化 AI 教你如何使用工具。

人類雖然充滿智慧，但本質上是拒絕改變的。信不信由你，紐約(专题)現在依然有一些不收信用卡卻經營得風生水起的生意。他們知道自己在虧錢，但依然在慣性中不為所動。同樣，在可預見的未來，某些組織的某些員工仍會拒絕使用 AI。

從純人工組織向 AI 優先的混合型組織轉型，將是未來十年持久且具有定義意義的挑戰。而在很多情況下，組織中級別最高、最重要的那幫人往往采納新技術最慢。

圖 10：組織中的最高層——那些離具體的‘生產力工具活動’最遠的人，往往是對新技術落地最慢、卻也最重要的決策者。

在過去兩個月科技股數萬億美元規模的拋售潮中，Palantir 是唯一一家估值倍數依然高得驚人的‘軟件’公司，這絕非偶然。Palantir 是首批真正的‘流程工程（Process Engineering）’公司之一。無論你稱之為‘流程工程’還是‘編寫 Claude 技能文件’，未來的機構級 AI 都會誕生一個專門的行業，致力於將企業流程編碼進智能體中，並實現將這些智能體投入運行所需的變革管理。

圖 11：要實現全組織的全面采用，需要跨越重重鴻溝，每一道鴻溝都伴隨著各自的挑戰。將全組織的各項流程上線並接入 AI，將成為核心驅動力。

我敢斷言，流程工程在短期內將成為可以說最重要的‘技術’。而在流程工程中，商業和行業專長——而非軟件技術專長——才是最重要的。領域特定的解決方案，其核心價值源於那些負責前線工程、部署以及變革管理的專業人員所具備的深厚經驗。

一家選擇了 Hebbia 進行全面部署的前三強全球性投行（Bulge Bracket Bank）對此總結得最為精辟：他們之所以拒絕與某家大模型實驗室合作，是因為他們竟然‘還得向對方的團隊解釋什麼是 CIM（機密信息備忘錄）’。雖然 Claude 或 GPT 模型本身肯定知道這個領域的知識，但負責架構部署方案的實驗室團隊卻一竅不通……

而這，便是成敗的關鍵所在。

7. 主動性

個人化 AI 響應人類指令。機構化 AI 自動采取行動。

現在關於智能體之間通信，以及未來的商業、軟件和機構是否還需要人類的討論很多。

然而，一個更好的問題是：未來的 AI 智能體是否還需要“提示詞”（prompting）？

給通用人工智能（AGI）發指令，就像把電動機掛在舊式動力織布機上一樣。它從根本上、無可挽回地受限於組織供應鏈中最薄弱的一環——也就是我們。人類很難知道該問什麼正確的問題，更不用說知道什麼時候該問了。

AI 能做的最有價值的工作，是那些沒人想到去要求它做的工作。AI 應該發現沒人標記的風險、沒人想到的交易對手，以及沒人察覺的銷售渠道。

當你消除了人類向 AI 發指令的需求時，全新的交互界面和工作方式就會應運而生。

結語

以上這些都並不是要否定聊天機器人、智能體以及整個個人化 AI 的必要性。個人化 AI 是這個世界上大多數企業首次體驗 AI 變革魔力的媒介。

但與此同時，對於機構化智能的需求也顯而易見，是很迫切且很巨大的。未來每個組織都會擁有來自大型實驗室的聊天機器人，同時也都會擁有專為特定領域問題設計的機構化 AI。

機構化 AI 與個人化 AI “雙劍合璧”的故事是必然趨勢。

但請記住 19 世紀 90 年代紡織廠的教訓：那些只是率先通電的工廠，最終輸給了那些重新設計了整個生產車間的工廠。

我們已經擁有了“電力”，現在是時候重新設計我們的“工廠”了。

譯者：boxi。