2026年4月，旧金山。红杉资本把150个AI行业最核心的人关在一间屋子里六小时，抛了个问题：你们公司投了AI，回报在哪？
全场只有6%的人能回答这个问题。
这不是一个修辞。它是一个数据点，来自红杉第四届AI Ascent闭门峰会。而就在同一个4月，斯坦福HAI发布的年度AI指数报告显示，2025年全球AI私人投资超过了5810亿美元，美国独占3440亿以上。投资在翻倍，回报在缺席。
这种错位不是第一次发生。甚至不是第二次。
一、两段历史，一个剧本
1987年，计算机无处不在，唯独不在生产率统计里。
罗伯特·索洛在《纽约书评》写了一句话，后来被人引了快四十年："You can see the computer age everywhere but in the productivity statistics."
他说这话的时候，PC已经全面铺开。文字处理软件替代了打字机，电子表格干掉了纸面账本，IT投资占GDP比重连年攀升。但美国全要素生产率增速陷在一片漫长的低地。1949到1973年，非农劳动生产率年均增2.9%，TFP年均1.9%。1973到1997年，这两个数字分别掉到1.1%和0.2%。技术在大步走，生产率在原地坐。
再往前推。电力在19世纪末就已成熟。但美国工厂的生产率等到20世纪20年代才爆发。中间空了三十年。电去哪了？
经济史学家保罗·戴维1990年发了篇论文《计算机与发电机》，画出了三个阶段。第一阶段：工厂主把中央蒸汽机换成一台中央电动机。传动轴没动，皮带没动，车间布局一寸没改。第二阶段：拆成几台中型电机，分别驱动不同车间，布局松了些，但底层逻辑没变。第三阶段：每台机器装上自己的小电动机，那根贯穿全厂的主传动轴被扔掉了。机器不再围着动力源转，而是按生产流程排列。流水线成为可能。工厂变成单层宽敞大厂房。
1913年，福特第一个吃透了这套。机器按装配顺序排开，车在传送带上流过每道工序。一台T型车组装时间从十二个多小时压到一个半小时。他没造出更强的电机，他只是第一个想明白：有了电，工厂该长什么样。
从电力成熟到这一跳，整整一代人。
二、今天的裂缝
2025年，全球企业在生成式AI上花了300到400亿美元。MIT一份名为"GenAI Divide"的报告追踪了300多个公开AI项目，做了52场高管深度访谈。结论：95%的企业AI项目没有产生任何可衡量的财务回报。真正从中获益的只有5%。
这份报告的负责人Aditya Challapally说，大多数试点项目死于三样东西：脆弱的工作流程、缺乏情境学习、与日常运营脱节。
另一组数字来自科技七巨头。微软、谷歌、亚马逊、苹果、Meta、特斯拉、英伟达，2025年底在AI资本支出上砸了超过5600亿美元。AI营收加起来大概350亿。投入产出比大概16:1。
再往深处看。一项覆盖2444家公司的研究发现，企业每花1美元在AI token上，0.44美元用来修复AI生成的bug，0.27美元用来重写AI产出的代码，0.11美元消耗在审查和合并延迟上。1块钱的采购成本后面，藏着将近80%的隐性损耗。摩根大通发了一份措辞不客气的报告：《AI Token成本正在吞噬互联网利润》。Shopify、Spotify、ServiceNow、Roku在财报电话会上把AI列为运营支出的主要压力来源。
代码领域的现象更反直觉：工程师用AI生成代码速度翻倍，但代码"流失率"，即被抛弃或重写的比例，涨了800%。
沃顿教授Ethan Mollick联合MIT和哈佛对宝洁776名员工做了对照实验。结果：独自使用AI的个体，绩效等同于两人团队。AI让单人做到了双人产出。
但这根效率的丝线在汇入多人协作的复杂流程时，当场就被冲散。审批、对齐、跨部门沟通，每一个环节都是过滤器。个体的"快"在组织的"慢"里被稀释干净。
Uber COO Andrew Macdonald在一个播客里说了句坦诚的话：他们很难把员工个人生产力的提升跟公司整体业务影响连起来。"如果你看不出AI帮你向用户推了多少有价值的功能，token成本就更难为自己辩护。"
三、三个解释，一个核心
经济学家围绕索洛悖论争论了近四十年，形成了三种解释路径。每一种在AI时代都被放大了。
第一条：技术没那么厉害。历史上确实多的是没兑现的技术狂热。明斯基1970年预测三到八年内出现人类平均智能的机器。可控核聚变永远需要30年。但这条解释在2026年越来越站不住。个体层面的效率提升被反复验证。丹麦全国调查显示65%的市场人员、64%的记者、30%的律师已经在工作中用AI。这不是假设，这是已经发生的事。
第二条：统计工具捕捉不到。宾大沃顿预算模型测算，AI对美国整体生产力的贡献只有0.01个百分点。不是因为AI没用，是因为传统统计工具面向工业经济时代设计。它称量实物的数量和质量，但称不出数字经济的质量改进和消费者剩余。免费的互联网服务、越来越便宜性能越来越好的科技产品，在GDP统计里很难体现。这条解释有道理，但它更像是一个安慰剂：你说价值存在，只是看不见。问题是，看不见的价值对财报没有意义。
第三条：时间滞后。这才是核心。索洛发出那句感叹之后，美国等了整整十年，才在1995到2005年间迎来IT驱动的生产率爆发。那十年TFP年均增速超过2.5%，是之前二十年年均1%的两倍多。斯坦福的Erik Brynjolfsson把这种机制叫做"J型曲线"：初期企业为适应新技术投入巨大成本，生产率甚至暂时下降，只有越过某个临界点才开始加速增长。有量化研究认为，AI采纳与生产力效应之间至少差三年。
四、为什么"快"加不起来
三种解释给了宏观框架。但要理解个体的快为什么等于不了公司的赚，得往组织内部看。
Mollick的判断很冷：企业搞组织创新的肌肉已经萎缩了。过去二十年，公司把组织变革外包给了SAP、Oracle、Salesforce这些标准化模板。买来适配。绝大多数企业丢了自主重新想"这件事本来该怎么干"的能力。
现有的组织结构图诞生于1855年，当初是为了协调铁路运输。后来的福特流水线、打卡制、敏捷开发，所有管理创新都基于同一个前提：唯一的智能形式就是人类智能。人类管理跨度通常五到七人，这个约束决定了层级、审批和会议的存在。当一个人加AI能做过去一个团队的事，层级式协调结构不再是必要设施，它变成了纯粹的摩擦。
这才是红杉峰会上反复出现的那个发现：个人的AI效率提升，在组织层面不可累加。一个Fortune 500零售公司的VP说得更直白："你以为快了20%，然后你发现质量出了问题，那20%又吐回去了。"
McKinsey的分析从另一个方向指出了同一堵墙：当所有企业都能用AI提高执行效率，效率本身就构不成竞争优势。利润池不会因为效率提高而扩大。竞争会通过价格和成本把效率红利转移给客户，留不到企业手里。
五、三种活法
Block在2026年2月裁了约40%，大概四千人。CEO Jack Dorsey在致股东信里只给了一个理由：智能工具让更小团队能做更多事。这不是经营困境导致的被动收缩，是主动拥抱AI的组织重构。Block同期上调了全年利润指引，调整后每股收益3.66美元，远超分析师预期的3.22美元。
短期财务确实改善。但Mollick对此有警告：在生产力爆发的临界点收缩组织规模，可能会错失福特借蒸汽动力扩张到十万人的那种跃迁。裁人不是增长策略，是防守。
快手是另一种路径。CFO金秉在2025年Q2业绩电话会上说，AI在公司内部已显著提质增效。可灵AI全年收入预计比年初目标翻倍，推理算力环节毛利率转正。集团AI整体投入对全年利润率的影响控制在1-2%。不追求一步推倒，在核心业务里逐个嵌入AI，让回报在现有框架内逐步兑现。
还有第三条路。红杉合伙人Roelof Botha和Dorsey在2026年3月联名发了万字长文《From Hierarchy to Intelligence》，提了一个激进的说法：AI可以取代两千年以来人类唯一的大规模协调机制，层级管理。Block裁40%不是终点，是一个更大实验的起点：测试一个假设，如果AI能取代中间管理层的协调功能，公司究竟需要多少人？
Dorsey把Block的未来角色简化为三种：IC（执行者）、DRI（结果负责人）、Player-Coach（教练型管理者）。他目标让6000人的公司架构层级不超过两到三层。裁员40%的决策仅用三周从论证到执行。
三条路的ROI差距巨大。第一种最快见效但天花板最低。第二种回报稳健但需要耐心。第三种潜在回报最大但风险最高，它甚至需要一代管理者的更替。
六、锯齿状的现实
Karpathy在红杉AI Ascent上提了"锯齿状智能"这个概念。最先进的大模型可以一口气重构十万行代码库，也会在你想洗车的时候建议你走路去五十米外的洗车店。同一个模型一会儿像超级工程师，一会儿像刚毕业的实习生。
普林斯顿的认知科学家后来对这一现象做了更深的研究。他们把AI能力的形状描述成一个奇怪的几何体：某些方向上突出极远，某些方向上有令人意外的深坑，而且你很难提前预测哪里会是坑。他们给这些坑起了个名字叫"认知暗物质"。
这对企业AI部署意味着什么？你可以信任AI加速那些有明确标准答案的任务。但你还不能信任AI独立承担端到端的业务决策流程。这让"推倒重来"更危险。你可能会在AI够不到的地方狠狠摔一跤。
七、电换的是空间，AI换的是权力
一百年前，赢家不是最早买到电动机的工厂，是最早想明白"有了电，工厂本该长什么样"的福特。一百年后，把电换成AI，把电动机换成机房里的GPU，逻辑似乎相通。
但有一个本质的差异。
电力改变的是物理布局。工厂可以从多层拥挤昏暗变成单层宽敞明亮，机器可以按流程排列而不是围着传动轴转。这是工程问题。可以画图纸、拆墙、重装机器。
AI改变的是认知分工。它意味着重新定义每个岗位：谁思考、谁执行、谁负责。而且没有人见过那个"之后"的样子。所有模型都在进步，但没有任何一个能告诉你你的公司五年后该怎么运转。
工业时代的组织变革改的是空间。AI时代的组织变革改的是权力。前者有人能画图，后者没人见过答案。
Mollick的观察在这里格外冷：现代企业已经把组织创新外包给了Salesforce和咨询公司。当标准化的ERP和CRM流程就是你的组织架构，推倒重来等于推翻过去二十年的IT投资。没人会在看不见确定回报之前做这个决定。
八、没有答案的问题
会比电力更快吗？
乐观的理由是信息传播速度和竞争压力远超一百年前。1910年代，一个工厂主可能花十年才听说福特在干什么。今天一篇关于Block裁人重构的文章，三天之内就会被每个CEO的投喂算法推到面前。
谨慎的理由是：改变物理空间和改变权力结构是两类完全不同的事。前者是工程问题，后者是政治问题。工厂主可以拆墙，CEO拆的是汇报线。墙拆了可以重建，汇报线拆了，权力就回不去了。
所以也许更现实的问题不是"敢不敢拆了重来"，而是"在不得不拆的那一天到来之前，能不能活下来"。
MIT那份报告里有一个容易被忽略的数据：从OpenAI、Perplexity这类第三方购买AI工具的企业，成功率三分之二；内部自研AI工具的企业，成功率三分之一。这个结果看起来反直觉。它说的是，AI价值实现的关键不是技术自主，是你能不能把技术嵌进一条被验证过的工作流。
也许答案不在"推倒"或"不推倒"这两个极端之间。而在一个更具体的问题上：你的公司里，有没有人在问"如果AI的能力随处可得、近乎免费，这件事本来该怎么干"？
那些以前因为人力太贵根本不做的业务，给每个客户做深度尽调、每份合同做全条款比对、每个长尾客诉做根因分析，现在突然变得可行了。这不是效率提升，这是可能性边界的移动。
但可能性边界移动了，不代表你会走到新的边界上去。一百年前，大多数工厂主走到的地方是：把蒸汽机换成电动机，然后继续围着传动轴排机器。
Block裁掉四千人之后还在摸索。快手的可灵AI做到了毛利率转正，但AI整体投入对利润率的影响还控制在1-2%。Karpathy的锯齿还在，模型能重构十万行代码，也会建议你走路去洗车。
5810亿美元砸下去了。95%的人还在等回报。6%的人说看到了。索洛1987年等了十年。电力等了三十年。AI要等多久，没人知道。但有一个问题是确定的：你等的那段时间里，不是什么都没发生，而是成本在积累，J曲线的底部在加深。
等到曲线抬头的那一天，能在场的人，才有资格收获。
相关文章
