AI 原生，本质是组织的重写
1882 年，爱迪生的珍珠街电站在纽约开始供电。按理说，电动机对工厂的意义是革命性的。可在随后的几十年里，美国制造业的生产率并没有出现人们期待的飞跃。
经济史学家 Paul David 在 1990 年那篇著名的论文《发电机与计算机》里解释了原因。早期工厂用电，通常是把原来那台蒸汽机换成一台大电动机，其余一切照旧：天花板上依然是贯穿整个厂房的传动长轴，皮带从轴上垂下来，带动每一台机器。动力源换了，工厂的组织方式没换。1900 年前后，电动机在美国工厂机械动力中的占比还不到 5%；直到 20 世纪 20 年代初，也才刚刚过半。
真正的变化，发生在工厂被重新设计之后。每台机器装上自己的小电机，长轴和皮带消失了，厂房可以按工序而不是按传动轴来布局，可以建成单层的、更明亮也更灵活的空间。生产率的跃升，是在那之后才出现在统计数据里的。
1987 年，经济学家罗伯特·索洛写过一句后来被反复引用的话：“计算机时代随处可见，唯独不见于生产率统计。”这句话放到今天，几乎可以原样再说一遍。
今天的长轴和皮带
今天企业里的 AI，很多还停留在“把蒸汽机换成电动机”的阶段。
麦肯锡 2025 年的全球调查显示，近九成受访企业已经在常规使用 AI，但能把 5% 以上的息税前利润归因于 AI 的“高绩效者”，只占约 6%。在报告考察的所有因素里，对工作流做根本性的重新设计，是对业务影响贡献最大的因素之一。
MIT NANDA 项目同年的报告说得更直接：企业在生成式 AI 上投入了 300 亿到 400 亿美元，而 95% 的组织没有看到可衡量的回报。报告认为，问题主要不在模型质量，而在于工作流脆弱、系统无法从反馈中学习、与日常运营脱节。这份报告的方法论有争议，作者自己也说它只是方向性的判断。但凡在企业里推过 AI 的人，读到这几条原因，大概都会认同。
买了工具，开了账号，做了几个试点，然后发现一切照旧。这就是今天的长轴和皮带。
只让写代码变快，是不够的
我自己的体会，来自过去一年带的一支 AI 研发团队。
我们用“大模型 + Coding Agent”的方式重做了研发流程，最后把一个系统的交付周期从周级压到了天级。可如果你问我最大的变化来自哪里，答案并不是代码写得更快了。
道理可以用阿姆达尔定律来说明。假设编码只占整个交付周期的 40%，其余是需求澄清、等待、评审、测试、联调和上线。那么即便编码快了 10 倍，整体也只快了约 1.56 倍；就算编码瞬间完成，整体最多也只能快 1.67 倍。
所以真正要动的，是编码之外的那 60%。我们后来做的事，几乎都是在改流程，工具反倒没怎么换。需求要写成 Agent 能理解、也能验证的形式，验收标准在动手之前就写好。批次变小，一次只交付一小块可以独立验证的功能。评审的重心从逐行看代码，转到看设计是否合理、测试是否覆盖了关键路径。角色的边界也跟着变了：产品经理离代码更近，工程师把更多时间花在架构和验证上。
这让我想起当年在华为做个人研发云。那时新员工从入职到第一次提交代码，要 7 到 10 天，我们最后把它压到了 10 分钟。我们并没有换更快的编译器，只是把申请环境、开通权限、配置流水线这些层层流转、反复等待的环节，从头到尾重新设计了一遍。那时候还没有大模型，但道理是一样的：效率的上限，往往卡在交接和等待上，很少卡在某个人干活的速度上。
从业务链条上看
研发之外，在设计、电商运营、内容生产和供应链里，我看到的是同样的模式。
用 AI 批量生成图片和短视频，生产环节的效率可以成倍提升。可很快你会发现，瓶颈挪到了别处：品牌规范谁来把关，素材怎么审核，哪些内容投放效果好，这些反馈又怎么回到下一轮生成里。如果审核还是按原来的节奏一张一张地过，产能的提升就会全部堆在审核队列前面。
供应链也是如此。需求预测模型做得再好，如果生产计划还是每月开一次会来定，预测再准也用不上。我们做智能排产，花在打通数据、调整决策流程上的时间，远远多于花在模型本身上的时间。
AI 最先放大的，往往是一个组织原有的瓶颈。
重写，从哪里开始
如果要给想走向 AI 原生的企业一点建议，我会说：从一条完整的业务流程开始，而不是从一个工具开始。
选一条对业务足够重要、链条足够完整的流程，从头到尾重新设计一遍：哪些环节可以交给 AI，哪些必须由人把关，人和 AI 之间怎么交接，结果怎么衡量。衡量的指标应当是端到端的，比如从提出需求到上线的周期、从下单到交付的时间。至于“AI 生成了多少行代码”“调用了多少次”，参考意义不大。
然后，要允许组织本身跟着变。岗位职责、团队边界、考核方式，都需要随之调整。这一步最难，因为它触及的是人。
最后，把过程中积累下来的东西沉淀好：数据、规范、评估方法、可以复用的流程。这些才是 AI 时代企业真正的资产。模型可以换，这些不会过时。
写在最后
电气化从发明到在生产率上兑现，用了大约四十年。我们大概不会再有那么长的时间，竞争会逼着这个过程大大提速。但顺序很可能还是一样的：先是工具，然后是流程，最后是组织。
当年那些最早把工厂重新画一遍的人，后来定义了整个二十世纪的制造业。
参考资料
- Paul A. David, “The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox”, American Economic Review, 80(2), 1990
- Robert M. Solow, “We’d Better Watch Out”, New York Times Book Review, 1987 年 7 月 12 日
- McKinsey & Company, The State of AI in 2025
- MIT NANDA, The GenAI Divide: State of AI in Business 2025