[AI未來已來-1] 電動機裝好了，傳動軸沒動

這兩年，你要是說自己公司還沒用AI，大概跟十年前說公司還沒用智慧型手機一樣，不太說得出口。

大模型買了，API接上了，內部搞了好幾輪培訓，甚至讓IT部門搭了一個內部AI平台。從外面看，該做的都做了。但如果你是那個負責推動這件事的人，你心裡大概有一個不敢大聲說的困惑：AI到底帶來了多少成果？

你發現自己很難給出一個像樣的數字。

不是因為你沒做。恰恰相反，你做了很多。但那些事情散落在各處，有的提高了某個環節的效率，有的讓某個員工的工作變輕鬆了，卻沒有任何一項足以改變公司的核心指標。

這不是你一個人的困境。麥肯錫2025年的報告說，88%的企業已經在用AI，但只有6%的企業認為AI對EBIT（息稅前利潤）的貢獻超過了5%。MIT的一個研究項目調查了大量使用生成式AI的企業，發現95%的組織沒有從中獲得可衡量的財務回報（不過這個數字後來被匯豐銀行的反駁報告質疑，他們引用另一項研究稱74%的公司報告了正向回報）。

RAND Corporation做過一項元分析，發現超過80%的AI項目未能交付預期的業務價值。Gartner的數據也印證了類似的判斷，只有不到三成的AI應用場景能達到預期的投資回報。

AI的能力到位了，成本也崩了，但絕大多數企業就是搞不出成果。

問題出在哪？

答案可能跟你想的不一樣。不是AI不夠強，不是你沒花夠錢，甚至不是你用錯了方法。問題出在一個更底層的地方：AI變便宜之後，發生的第一件事不是工作變少，而是工作變多。而那些多出來的工作，大部分不是在「做事」，是在跟舊流程打架。

要理解這件事，我們得先看一個反直覺的現象。

李開復在《AI未來已來》裡算了一筆賬。在相同的智能水平下，AI的推理成本在兩年內下降了大約99.4%。他做了一個類比：2026年一輛特斯拉Model Y大約25萬，如果也經歷同樣幅度的降價，一輛車只要1428塊錢。

成本崩了，用量就爆了。根據谷歌披露的數據計算，從2024年4月到2026年，旗下產品每月處理的Token量增長了大約330倍。中國日均Token調用量兩年增長超過1000倍。

這不是什麼新鮮事。經濟學裡有一個老概念叫「傑文斯悖論」（Jevons Paradox），說的是技術進步不會讓需求收縮，反而會炸開被壓抑的需求。19世紀的英國，蒸汽機效率提高導致煤炭價格下降，結果煤炭消耗量不降反升。因為以前用不起蒸汽機的場景，現在全都用得起了。

傑文斯悖論正在AI身上重演，而且可能是歷史上摩擦力最低的一次。蒸汽機變便宜，你還得買設備、裝管道、培訓工人。AI推理變便宜，可能只需要在程式碼裡改一個參數。釋放需求的摩擦力，遠低於以往任何一次技術革命。

所以你會發現一個很違反直覺的現象：AI越強、越便宜，你反而可能越忙。

因為以前「太貴了、不值得做」的事情，現在全都值得做了。以前只在年底做一次的分析報告，現在可以每天做。以前只給VIP客戶用的個性化服務，現在可以覆蓋所有人。能做的事變多了，你的工作量不是減少了，而是增加了。

下次有人跟你說AI會讓工作變輕鬆，你可以用一個問題檢驗：這件事變便宜之後，會不會有十倍的人開始做？

如果會，你不會更閒，只會更忙。

但這裡有一個更深的問題。AI越便宜越忙，忙的是什麼？

如果你的忙，是在做以前做不了的事，那叫增長。但如果你的忙，是在跟舊流程打架，那叫內耗。

我自己的經歷正好能說明這件事。

我是一個CDO，過去幾個月一直在開發一套AI驅動的CMO行銷工具。這套工具做的事情說起來不複雜：讓多個AI角色分工協作，有的負責分析廣告數據，有的負責對照宏觀經濟趨勢，有的負責模擬消費者調研，最後由一個「主席」角色匯總所有分析，生成行銷建議。整個架構設計了300個功能模組，第一階段實際只用20個，但工程師堅持先建50個基礎共用模組，因為其他模組未來要用。

在這個開發過程中，我發現一件有趣的事：開發流程本身已經被AI徹底改變了。

傳統的軟體開發流程是這樣的：產品經理寫需求文件，交給前端和後端工程師，工程師根據規格書開發，測試上線。需求從提出到變成產品，中間隔著一堵規格書的牆。工程師拿到規格書，得從文字裡猜你到底要什麼。猜對了皆大歡喜，猜偏了就是一輪返工。

現在我們的流程是這樣的：我跟AI先完成初版，把想法直接寫成可執行的程式碼，上傳到GitHub。後端工程師拿到GitHub上的版本，再去看怎麼重新拆解、建構各項工具模組。工程師用他對GitHub的專業經驗做版本控管和安全設定，甚至為我的Claude Code寫了MD檔案，記錄每次發布後的更新。

翻譯成人話就是：以前是產品經理寫需求，工程師寫程式碼。現在是產品經理直接寫程式碼，工程師做架構。

這不是微調，是流程的翻轉。需求從「寫成規格書再交由工程師」變成了「產品經理先做出可運行的初版，工程師再做拆解重構」。溝通成本大幅下降，因為工程師不需要從文字規格書裡猜你的意思了，他直接看程式碼。

但問題來了。

當這套新流程撞上組織裡的舊機制，阻力就開始出現。工程師做版本控管，是因為他熟悉GitHub的專業操作，但這套機制在組織裡沒有對應的流程規範。安全審查怎麼過？誰來審？審什麼？分工邏輯怎麼定？產品經理寫的程式碼算不算正式產出？出了問題誰負責？

這些問題在傳統開發流程裡都有現成的答案，因為那套流程已經運轉了幾十年。但在新流程裡，每一個問題都是新的，每一個答案都需要重新設計。

你會發現，你花在「跟舊流程打架」上的時間，比花在「做新東西」上的時間還多。

這就是傑文斯悖論在組織層面的真實面貌：AI釋放了大量新的可能性，但每一種可能性都需要穿過組織的舊流程才能落地。而舊流程不是壞流程，它讓組織穩定運轉了多年。你要動它，就得面對「安全、分工、控管」這三道關卡，每一道都在問你同一個問題：這跟傳統流程不一樣，你確定嗎？

這種「技術到位了但組織沒跟上」的困境，其實在一百年前就上演過一次。

電動機早在19世紀80年代就進了工廠。1882年，愛迪生在紐約建了第一座發電站。但工廠的生產率直到20世紀20年代才真正提升，中間隔了整整40年。

電又不貴，工廠也早早通了電，為什麼效率上不去？

斯坦福大學的經濟學家保羅·戴維（Paul David）研究了這段歷史，在1990年發表了一篇論文，標題叫《計算機和發電機》（Computer and Dynamo）。這篇論文後來成了技術經濟學的經典，因為它回答了一個看似簡單卻極其深刻的問題。

戴維的答案是這樣的：當時的工廠只做了一件事，把蒸汽機換成了電動機。但廠房裡那套蒸汽時代的傳動軸和皮帶系統，原封沒動。

蒸汽時代的工廠是什麼樣的？一個大型蒸汽機放在工廠中央，所有機器通過複雜的傳動軸和皮帶連接到這個中央動力源。你如果要加一台機器，就得從中央傳動軸拉一根皮帶過來。工廠的布局圍繞「動力傳輸」這個邏輯設計，機器擺在哪裡，取決於皮帶能拉多遠。

換成電動機之後，每台機器可以裝獨立的馬達，不再需要中央傳動軸了。但工廠老闆沒有重新設計廠房。生產線的布局沒變，工人的分工沒變，管理方式沒變。就是換了個動力來源，其他一切照舊。

結果就是：電動機的好處完全發揮不出來。你有了更便宜、更靈活的動力，但你的工廠還是按照蒸汽時代的邏輯運轉。就像你給一輛馬車裝上了引擎，但還是用韁繩轉向。

真正的轉變是什麼時候發生的？是工廠徹底重組之後。每台機器裝上了獨立電機，廠房布局圍繞新的邏輯從頭設計，工人的職責也跟著變了。完成這次重組之後，美國製造業的年均生產率增速才超過5%。

40年。就是為了把一項技術從「接上了」變成「真正用起來」。

今天大部分企業用AI的狀態，跟一百年前那些換了電動機但沒改廠房的工廠，幾乎一模一樣。

大模型買了，API接上了，內部也搞了幾輪培訓。但組織沒動，流程沒動，人的分工沒動。

李開復在書裡說了一句我覺得很準的話：Token就像當年的電，便宜、易得、能驅動一切，但便宜的電在工廠裡發揮作用，需要的遠不止一根電線。

回到我自己的經歷。CMO工具的開發流程已經變了，我跟AI先做初版，工程師再拆解重構，這套新形態比傳統流程高效得多。但當我把這套工具推到組織內部使用的時候，撞上了另一堵牆。

工具的MVP版本做出來了，部門人員始終沒有登錄使用。他們的說法是「拿到新客戶後再驗證工具效果」。

員工對AI的使用狀態差異極大。能力強的人拿AI當助手，把繁雜事務甩出去，自己專注判斷。能力弱的人拿AI當拐杖，靠它拼出自己做不到的東西。抗拒的人最直接，覺得自己寫的比AI好，不碰。

還有一種更隱蔽的阻力，跟個人能力無關，跟權力有關。主管把手下人數多寡視為權力地位的象徵，一個人帶一群AI能完成的事，他寧可用人堆。

你看，技術到位了，工具做出來了，開發流程都變了。但組織沒跟上。業務部門的慣性、人員能力的缺口、預算結構的制約、管理觀念的滯後，每一項都不是技術能解決的問題。

這就是「電動機裝好了，傳動軸沒動」的組織版本。你換了動力來源，但廠房布局、工人分工、管理方式，全沒變。

這種事不是第一次發生。1960年代計算機就進了企業，經濟學家索洛在1987年吐槽：你到處都能看到計算機時代，就是在生產率統計數據裡看不到。跟電動機的故事一模一樣。

現在輪到AI了。

AI會不會也等40年？大概不會那麼久。但「接上了」到「用起來」之間的距離，遠比大多數人想像的要長。因為這段距離不是技術距離，而是組織距離。

組織距離意味著什麼？意味著你要拆掉的不是某個工具、某個流程，而是一整套讓組織穩定運轉了多年的「配套系統」。這套系統包括分工邏輯、信任機制、控管方式、激勵結構，它們彼此咬合，像蒸汽工廠裡的傳動軸和皮帶一樣環環相扣。你動一個，就得動一串。

這就是這個系列要回答的問題：AI和業務之間那套配套系統為什麼這麼難建？卡點到底長什麼樣？怎麼拆？

在接下來的三篇裡，我會用《權力與預測》的理論框架拆解「規則為什麼是系統的黏合劑」，用FDE案例100的實戰觀察分析「恐懼、邊界、斷層」三道人關，最後回到一個更具體的問題：廠房重組到底要重組什麼。

不是換工具。是重建分工邏輯、信任機制和控管方式。

這件事，我正在裡面。不是作為觀察者，是作為當事人。