ARTICLE · 1351178

AI 热得发烫,Office稳得可怕:技术再牛,也怕最后一公里

发布时间：2026-11-13 16:10:21 最近访问：2026-11-13 16:10:21

最近看了孙立平老师公众号文章里讲了一个 “弧光悖论”，我点开看完，第一反应不是 GDP，也不是什么劳动生产率，而是 Office。对，就是那个被无数系统 “围剿” 了三十年、结果每天早上还是被你打开八百遍的 Word、Excel、PPT。

这事越想越有意思。孙立平说的是，AI 的效率红利像电焊弧光，亮是真亮，热也是真热，但传着传着就散了，最后落不到宏观数据上；我脑子里蹦出来的却是另一幅画面：大数据、ERP、CRM、BI 喊了这么多年，各种系统越上越多，可真到干活的时候，大家还是默默打开 Excel。一个传不到报表里，一个进不了工作流，看着是两件事，骨子里是一个病：技术轰轰烈烈跑完了前半程，最后那一公里没人修路。

所以我想把这两个事放在一起聊聊。AI 今天的热和虚，Office 三十年不倒的稳和硬，说的是同一个道理：技术不是终点，组织能不能接住，才是。

结论先行：AI 当下最要命的，不是模型不够强，而是 “最后一公里” 的组织转化通路系统性缺位。孙立平说的 “弧光悖论”，本质是价值向管理指标的度量通路断裂；Office 三十年未被大数据和业务系统撼动，本质是技术向日常工作流的嵌入通路断裂。一个 “量不到”，一个 “用不上”，病根都在组织制度层的翻译和嵌入失败。麦肯锡的数据把这事说得很直白：80% 的企业说用了生成式 AI，同样比例的企业说利润没啥显著变化；75% 困在 “试点陷阱”，真正实现规模化的只有约 10%。AI 的瓶颈，已经从 “能不能做” 变成了 “组织能不能接”。

第一条通路断裂：价值传不到管理指标

麦肯锡 2025 年的一项调查覆盖了 1719 名高管和从业者，结果很刺眼：80% 的使用者说个人生产力提升了，但只有 37% 的组织能识别出 AI 对营业利润的任何可测量影响。更早的研究里，近八成企业报告使用生成式 AI，同样近八成报告 “对最终利润没有显著影响”。麦肯锡把这叫 “生成式 AI 价值悖论”，还补了一刀：高价值的职能专用场景里，90% 的用例止步于试点。

弧光悖论把这组数据解释得挺透。

孙立平把 AI 效率红利的消散拆成三层：

个体层面，AI 工具近乎零价格提供巨大便利，价值以 “消费者剩余” 的形式游离在价格体系之外，不产生交易流水，自然不进 GDP；

组织层面，员工任务级提速很难自动汇成企业利润，因为利润是客户关系、定价、风控这些系统变量共同决定的，单点省下来的时间，往往被算力、订阅、改造和培训成本吃掉，同行一普及，还会在价格战里往外散；宏观层面，大量 AI 服务零定价运行，消费者福利上去了，GDP 反而可能不好看，通缩压力也跟着来。

这里有个关键推进：它其实修正了传统索洛悖论的隐含假设。索洛悖论的主流解释是 “时滞”--- 红利先藏着，早晚会通过市场交易冒出来。弧光悖论则说，相当一部分 AI 价值从起点就没进价格体系，不是 “等着入场”，是压根没买票。斯坦福 Brynjolfsson 团队搞的 “GDP-B” 补充核算，就是在补这个度量缺口。麦肯锡 2025 年 State of AI 调查里还有个容易被忽略的发现：25 项组织属性中，“工作流重新设计” 与 EBIT 影响的相关性最强，比模型选择、数据基础设施都强。说白了，价值能不能被 “看见”，先取决于组织有没有改变价值产生的方式，不只是换了个更牛的工具。

很多搞 AI 副业的朋友应该深有体会，自己用 AI 写方案、整理资料快到飞起，可这份省下来的时间，老板不会直接折算成奖金。红利飘在空中，抓不住，也统计不上。就像现在很多物联网、RFID 项目，设备布了一大堆，数据哗哗采集，可最后算 ROI 的时候，一堆说不清的隐性收益，财务不认账，白忙活。

第二条通路断裂：技术进不了日常动作

如果弧光悖论解释的是 “价值为何量不到”，那 Office 现象解释的就是 “技术为何用不上”。两件事看着不搭界，卡住的地方却像同一个模子刻出来的。

大数据、ERP、CRM、BI 在中国企业推了二十年，控制领域至今 79% 的企业仍拿 Excel 和 Access 当核心报表工具。M365 全球商业席位约 4.3 亿，差不多每 10 个白领里就有 4 个用公司付费的微软账号上班。AI 时代也没把这事翻篇：发布会上 Agent 满天飞，会议室里 Excel 照样开着，两个平行世界。不是 AI 或业务系统 “不够先进”，而是企业成熟后形成的 “制度轨道” 太排他 --- 财务有财务的流程，销售有销售的 SOP，供应链有供应链的系统，这些流程磨了多年，已经成了组织的肌肉记忆，外来工具想在既有 “高铁网络” 上找入口，难。

麦肯锡的数据从另一头印证了同一判断：全球 75% 的企业困在 “试点陷阱”，长期停在零散、点状的试点项目上，进不了生产环境和核心业务流程；90% 的企业启动了 AI 转型，真正规模化应用的只有 10%。一项 2026 年的合成研究把这概括成 “AI 价值的最后一公里”：技术能力必须跟组织设计碰上，交接失败，转型就停摆。BCG 配套的发现是，约 70% 的实施挑战来自 “人与流程”，不是技术本身。

Office 难撼动，不是功能不可替代，是它嵌在默认工作流最深处：格式兼容、学习成本趋零、网络效应锁死、责任链条清楚。大数据系统和 AI 应用常犯的错，是想在默认工作流外面再开一个入口，却要求用户改打开文件的习惯、改协作方式、改对输出结果的信任方式。AI Agent 现在也撞这堵墙：哪怕它能直接读写.docx/.xlsx，绕过 Office 界面，Office 作为 “文件格式” 和 “协作默认项” 的地位，仍然是一道巨大的迁移成本护城河。

见过太多公司，砸钱上一套光鲜的智能平台，最后员工私下导出数据，丢 Excel 里调格式做汇报。不是新系统不行，是大家怕出错、怕担责，旧路子熟，稳当。就像不少毕业生刚进大厂，公司推各种智能工作台，转头还是偷偷存表格。裁员风声紧的时候，没人愿意碰一个出错了说不清责任的新工具。

共享的瓶颈：组织制度层的 “翻译” 失败

弧光悖论和 Office 现象，统一解释不是修辞类比，是结构同构：技术效用必须经过一层 “组织翻译器”，才能变成可管理的指标或可日常使用的动作。这层翻译器有四条通路，缺一条，最后一公里就断：

入口通路 --- 技术有没有变成默认入口，而不是多一个要打开的系统；

流程通路 --- 任务提效后，审批、复核、交付、协作方式有没有重构；

责任通路 --- 输出错了谁复核、谁担责、怎么留痕；

度量与激励通路 --- 省下来的时间归谁，绩效标准会不会水涨船高，价值能不能被核算和分配。

麦肯锡强调 “一把手工程”，指向的就是这四层同时改造。75% 的企业卡在试点，不是模型不够强，是试点项目常由技术部门主导，目标偏向 “完成样板落地”，不是锚定增收控本，最后容易变成 “观赏性强、财务价值模糊的盆景”。领先的 10% 跟其余企业最大的区别，不在技术选型，而在能不能选中一两个关键业务领域做端到端流程重塑，而不是 “百花齐放” 式浅尝辄止。

这也说明 Office 类比不能简单推成 “AI 也会像 Office 一样最终胜出”。Office 是确定性逻辑 --- 格式、规则、结果可控；AI 是概率性逻辑 --- 生成、需验证、责任模糊。AI 落地比 Office 多三道制度门槛：可信度坎，输出对不对、谁负责；流程坎，提效后审批和交付怎么改；制度坎，省下的时间归谁、绩效标准会不会水涨船高。这三道坎不在模型内部，在组织的责任结构和激励结构里。

说句实在的，很多老板想的很美，上 AI 之后大家少加班，省出来的人力拿去别的项目。现实往往是，活没变少，速度变快，KPI 直接往上调，员工白忙活一场，谁还愿意主动用？安全这块更是头疼，AI 生成内容一不小心漏敏感信息，追责链条捋不明白，谁都不敢随便放开权限。

转向：从 “部署技术” 转向 “改造组织”

把两条断裂放一起看，AI 投资高热度与低回报之间的张力就有了解释，行动重心也该挪一挪。

第一，度量要更新，但它是滞后的伴随变量，不是前置条件。GDP-B 这类补充核算，意义是让 “看不见的增长” 变得可见，但组织不能等统计体系改完再动。Brynjolfsson 等人的工作提示了一个方向：当免费、低价服务创造的价值越来越大，拿交易价格量产出的尺子本身就得校准。对企业来说，更急的不是等新尺子，而是在旧尺子还主导资源配置时，主动在组织内部建立任务级价值到系统级收益的翻译机制 --- 把 AI 省下的时间明确映射到产能、质量、交付周期或客户体验的可观测变化上，别停在 “大家觉得快了”。

第二，流程重构的优先级高于工具部署。麦肯锡的发现很明确：工作流重新设计是解释 AI 能否转化为利润的最强单一变量。有效的 AI 战略不是 “给每个人配个助手”，而是选一个端到端流程，追问：哪些环节判断权重低、规则清晰、数据可得，AI 可以真正接管；哪些环节涉及隐性知识、高风险决策和跨部门责任，得保留人工并重新设计交接点；接管之后，绩效标准、审批层级、岗位边界怎么调。不回答这些，试点就只能是试点。

第三，Office 的教训提示了 AI 最可能的成功形态：不是取代默认入口，而是成为默认入口内部的能力层。真正可能改变格局的，不是又一个独立 AI 应用，而是嵌进 Word、Excel、浏览器、IDE、CRM 和协作平台内部的 AI 能力 --- 用户不用 “打开 AI”，AI 就在他们本来就在做的事情里。微软把 Copilot 塞进 M365，Anthropic 把 Claude 放进 Office 侧边栏，都是这个逻辑。但嵌入本身不解决弧光悖论：AI 再无处不在，价值仍可能大量沉淀为消费者剩余和流程节省，不会自动变成利润和 GDP。所以嵌入必须跟度量翻译、流程重构同步发生，否则只是把 “用不上” 变成 “用了但量不到”。

网上刷直播刷八卦的时候，你也能看见这个趋势，很多主播直接把 AI 工具嵌进剪辑、后台表单里，而不是单独开一个 AI 网页来回切。道理放到企业里一模一样，换汤不换药。

最后说句不太好听但得说的话：技术红利不会自动惠及所有人。孙立平在其他论述里反复提示，AI 收益可能加速向算力和模型所有者集中，普通劳动者的议价能力持续承压。弧光悖论从效率传导角度给了底层机制：价值大量游离在价格体系之外时，既难被统计捕捉，也难被制度化的分配渠道承接。这意味着 “最后一公里” 不只是管理效率问题，也是制度设计问题 --- 谁来为流程重构的效率增益定价，谁承担转型期成本，谁确保省下来的时间不被单向变成更高的绩效基线。石油涨价、行业收缩的时候，这种矛盾会被放得更大，机器人、AI 越普及，失业、裁员的焦虑就越压在打工人头顶。

一句话：弧光悖论和 Office 现象，共同指向一个判断 ---AI 的瓶颈已经从 “能不能做” 转移到 “组织能不能接”。技术的前半程跑完了，后半程的入口、流程、责任和度量四条通路，才是决定这轮生产力革命能不能从体感走向报表、从试点走向系统的真正战场。