夜雨聆风前两天跟一个做产品的朋友聊天，他说他现在用AI写PRD，速度大概快了四倍。我说是吗，那评审提前了？他说没有。开发排期缩短了？没有。上线日期变了？也没有。
我就说，那你快了个寂寞啊。
他愣了一下，好像被什么东西击中了。
然后我发现，不止他一个人这样。
个人起飞，组织躺平
你身边一定有这种人——用ChatGPT五分钟写完方案，用Claude Code半天干完原来三天的活，跟你说"现在离了AI不知道怎么干活"。他们不是在吹牛，是真的快了。
但奇怪的事来了。
公司账面上，什么也没变。
营收没涨，人没少招，预算没省下来。老板开会说"我们要All in AI"，到了年底复盘，AI项目砍了一半，剩下的在"继续探索"。
Deloitte去年调查了14个国家1854名高管，85%加码了AI投资，但只有15%说看到了"显著的可衡量ROI"。生成式AI更惨——6%，一年内收回投资的只有6%。
S&P Global的数据更扎心：2025年，42%的公司放弃了大部分AI项目。一年前这个数字是多少呢？17%。
翻了一倍多。
个人起飞了。组织躺平了。这到底是怎么回事呢？
1840年，英国没有一个统一的时间
聊到这个，突然想起一个听起来完全不相关、但其实关系很大的事。
1840年之前，英国没有"全国时间"这个概念。布里斯托比伦敦慢10分钟，利物浦慢12分钟，每个城市用自己的太阳时。没人觉得有问题——船在运河上一天走几十公里，各走各的航道，差10分钟根本无所谓。
但你猜是谁把时间统一的？
不是政府。是铁路公司。
1840年GWR强制推行"铁路时间"，1847年英国所有铁路清算所统一采用格林威治时间。直到1880年，GMT才被法律确认为国家时间。铁路先走，国家后追。
美国更猛——1883年11月18号下午，铁路公司自己在一张会议桌上划出了四个时区。五年后国会才追认。
为啥运河不逼你统一时间，铁路非逼你不可？
因为运河是"一条独立的水道"，把货从A运到B，差10分钟无所谓。但铁路是一张网——一列火车经过一个站点的精度是秒级的，一个调度错了整条线都停。它一上来就逼你做一件事：所有人必须对齐同一个时间，按同一张时刻表，在同一张组织图里有明确的位置。
运河是单点技术——你拿来直接用就行，原来的组织几乎不用动。铁路是网络技术——你不用不行，但用了就得把协调层一起搭出来，不然就出事。
1841年，美国Western Railroad在麻省Westfield撞了两列对向的车。原因不是技术故障，是没人知道另一列车在哪。
出了人命之后，Erie铁路的总工程师Daniel McCallum在1854年画出了第一张现代意义上的组织架构图——一棵从总经理往下分五层的树，配上每天每小时的标准化汇报流程。
历史学家Alfred Chandler在《The Visible Hand》里把这件事讲得很重：美国第一家大型现代商业企业，不是工厂，不是银行，是铁路。
现代管理学，从那张图开始。
电力也一样
Paul David有一篇1990年的论文，被引了2600多次，问了一个问题——电动机1880年代就商业化了，为什么工厂的生产率到1920年代才开始明显上升？
答案你已经猜到了。一开始工厂主就是把一台大电动机装在原来蒸汽机的位置上，保留一根长传动轴带动所有机器。老布局，新动力。
跟铁路之前的运河一样——把新东西塞进老框架，效果接近于零。
直到一代新工厂主想明白了：电动机可以分布式部署，每台机器配自己的小马达，厂房按工序横着铺开，不用再围着动力源转。生产率才真正爆发。
四十年。从商业化到红利释放，四十年。
一个说法后来成了AI圈开场slide的标配：通用目的技术的红利，不来自技术本身，来自围绕技术重构的组织形态。
你现在做的，是"运河模式AI"
回到今天。
大部分公司在做的事，其实特别像运河——在原来的流程里插一个更快的环节。写邮件快了，做PPT快了，查资料快了。
这是真提速，但结构没动。
我那个用AI写PRD快了四倍的朋友，PRD写得快了，但评审没提前，排期没缩短，上线没变。你一个人风驰电掣，整条生产线的速度还是由最慢的环节决定的。
写代码一样。37项AI编程助手的实验做了系统梳理：开发者确实在样板代码上省了时间，但质量退化和后续返工经常把明面收益吃掉。高级工程师花大量时间核实AI输出，初级开发者可能完全忽略错误。代码写快了三倍，从提交到部署还是三周。
你知道AI有用，但你在P&L上找不到它的位置。
不是因为AI不行。是因为你还在用运河的方式跑铁路。
人+AI，平均来看还不如单干
这话听着有点反直觉，但数据就是这样。
《自然·人类行为》发了一篇论文，做了106项人机协作实验的元分析，结论是——
平均而言，人和AI一起工作的表现，比两者中更强的那个独自干，还要差。
除非是头脑风暴。一旦涉及判断、决策、需要承担责任的场景，人机组合反而拉胯。要么过度依赖AI建议，要么在"到底听谁的"这个事上浪费精力。
还有一项覆盖8214人的元分析：AI确实能帮人产生更"新颖"的想法，但代价是想法多样性急剧下降。人和AI都收敛到统计意义上的"最可能答案"。
每个人用AI都觉得自己想出了好点子，但十个人用AI想出来的点子，越来越像。
个人觉得好用，一到组织层面：协作没变快，决策没变好，创新反而趋同了。
你有没有发现，这跟"每个城市用自己的太阳时"是一个道理？每个个体在自己的坐标系里都没错，但一旦要协作，坐标系对不上，全乱套。
Solow的幽灵
1987年，诺贝尔经济学奖得主Robert Solow说了句话——
你可以看到计算机时代无处不在，但就是在生产率统计中看不到。
三十多年后，Fortune在报道AI时改了一句——
AI无处不在，除了在增长的收入中。
MIT Sloan追踪AI采用后的效果，发现了一条"J曲线"：上AI之后，生产力先跌再涨。跌多少？平均1.33个百分点。多久回本？四年。
不是AI不好使。是新工具和老流程不兼容。就像把发电机塞进蒸汽机工厂——你先得拆墙改管道，产出反而下降。
能熬过去的，四年后超额回报。熬不过去的，就是那42%的弃案。
铁路模式AI长什么样
说到这，方向就清楚了。
AI转型，不是"用AI干某件事"，而是"为了让AI能稳定干活，我的组织得重建什么"。
铁路逼出来的不只是铁轨，它逼出来的是现代组织结构本身——统一时间、层级管理、标准化报表、调度电报。每一样都不是"火车更好"的附属品，是"火车跑起来"的前提条件。
AI也一样。真正需要建的那一层，大概长这样：
铁路时代的统一时间 → 多个Agent能不能共享同一份上下文和记忆，不是各跑各的。
McCallum的那张组织图 → 人和Agent混编团队里，谁决定让AI做什么、谁验收、出了事谁负责——这张图现在几乎没人画。
铁路调度电报 → 你得知道AI在每个节点干了什么、为什么这么干，不然出错了全链路黑箱。
标准化报表 → Eval和反馈回路。不能只靠"感觉AI挺好用的"，得能量化它在哪一步帮了忙、哪一步帮了倒忙。
不一定每条都严丝合缝，但方向是一样的：AI-native公司的护城河基本都在这一层——不是模型更好，是调度层更好。
McKinsey说88%的组织在用AI，但只有6%真的在赚钱。Deloitte调查里那15%拿到ROI的公司有个共同点：他们不是用AI优化老流程，而是重新想象了商业模式。85%用了不同的ROI衡量框架，40%强制全员AI培训。
不是发个Copilot就叫AI转型。就像给每个工人发个电马达不叫电气化——你得把工厂拆了重新盖。
下一任McCallum还没出现
1854年那张组织图被画出来之前，没人知道"现代公司"长什么样。
今天AI原生组织长什么样，也还没被画出来。
这个空位，就是接下来五到十年最贵的那张图。
下一任McCallum，大概率不会出现在AI最先进的实验室里。更可能出现在某家看起来不起眼、但第一次认真重画了内部权责图的老公司里——或者某家一开始就按这张图搭起来的新公司里。
AI不是给你一个更快的员工。
AI是逼你重建一套调度系统。
谁先建好调度系统，谁才真正拿到这一轮的红利。不见得是跑得最快的，是第一个愿意把时钟拨成铁路时间的那个。
感谢你看到这里。如果喜欢这篇文章，不妨顺手给我
👍点赞｜↩️转发｜❤️喜欢｜💬评论
