夜雨聆风📚 系列导读本篇讲清楚一件事：为什么每个人都在用AI、都觉得自己效率翻倍了，公司这个「大盘子」却纹丝不动？以及——四个从下周就可以开始试的做法。
前阵子听了一场分享，主讲人讲到一个很有意思的观察：她帮很多企业做过AI培训，发现一个特别普遍的现象——培训结束后的头两周，大家热情高涨，都在用，都觉得自己效率翻倍了。但两个月之后回访，问公司负责人「团队整体产出有没有明显变化」，答案大多是「好像也没有」。
这不是她一个人的感受。过去一年里，类似的困惑在越来越多的组织中出现：明明每个人都觉得自己变快了，为什么公司这个「大盘子」纹丝不动？
这个问题值得认真拆一拆。因为它指向的，可能不是AI工具好不好用的问题，而是AI时代组织的信息组织形式。
先看几组数字。
Glean 在 2026 年发布的工作 AI 指数调查了 6000 名知识工作者，结果很有意思：87% 的人在工作中使用 AI，75% 的人认为 AI 让自己更高效了。但问到「你的公司是否因为 AI 表现明显更好了」，只有 13% 的人点头。
Atlassian 同年的团队状态报告覆盖了超过 12000 名员工和 170 名高管，数据更扎心：89% 的高管承认 AI 加快了工作速度，但只有 6% 的人能说出 AI 到底帮公司省了多少钱、多赚了多少钱。
波士顿咨询的对照实验也印证了这一点：使用 GPT-4 的顾问完成任务的速度提升了 25% 以上，质量评分提高了 40% 以上——个人层面的提升是实打实的。但麻省理工学院和 BCG 的联合追踪报告同时指出，在全球范围内，只有大约 一成 企业从 AI 中获得了显著的财务回报。
个人在变快，组织却在原地。这个落差到底从哪里来的？
87% 用 AI 的人却仅 13% 觉得公司更好 | 89% 高管说提速了仅 6% 算得清省多少 | +25% 个人速度↑质量↑仅约 1 成企业获回报 |
⏳ 摩擦力一：审核瓶颈
产出变多了，但审的人没变多。
Glean 的调查里有两个词很有意思：「botsitting」和「botshitting」。前者指的是人花大量时间盯着 AI 的输出，检查、纠错、返工——你让 AI 写了一封邮件，看起来不错，但你还是得逐字逐句检查一遍，因为你吃过它「一本正经胡说八道」的亏。调查显示，员工平均每周靠 AI 节省了 11 个小时，但又在「盯 AI 干活」上花了 6.4 个小时。净省下来的时间，其实只有不到一半。
更麻烦的是后者——当员工被「盯 AI」搞得筋疲力尽，就会开始「botshitting」：懒得检查了，直接把 AI 的输出往外发。结果就是下游的同事收到一堆看起来像模像样、实际上埋着错误的东西，然后花更多时间去修正。一个人的效率，变成了另一个人的负担。69% 的 AI 用户承认自己至少有过一次这样的行为。
🏝️ 摩擦力二：信息孤岛
每个人都在和 AI 私聊，团队反而更散了。
涛思数据创始人陶建辉说过一句话：不在线、不结构化、不能被 AI 访问的数据，本质上等同于不存在。但当每个人都关起门来跟自己的 AI 助手对话时，知识就停在个人的聊天记录里。你的提示词、你的工作流、你对 AI 的调教成果，隔壁工位的同事一概不知。新人入职之后，公司没有给他留下任何「这个团队怎么跟 AI 协作」的可复用资产。
出门问问 CEO 李志飞说得更直接——超级个体在组织里就是一场灾难。他有一个公式：超级个体的能力 × 协同机制 = 超级组织。协同机制要是零，个体再强，结果还是零。但偏偏，AI 工具现在的设计几乎是清一色的「单人模式」：一人一 AI，轮流交换信息。你用你的 Cursor，我用我的 ChatGPT，咱俩各干各的，谁也不看谁的。个人效率越高，组织就越像一盘散沙。
🌊 摩擦力三：节奏撕裂
跑得快的人等着，跑得慢的人堵着。
一个团队里，总会有人先用起 AI，有人后知后觉。Asana 的工作创新实验室调查了 9000 多名知识工作者，发现了一个「超级高效」群体——大约 10% 的人，靠 AI 每周能省下 20 个小时以上。但同一个调查里，这 10% 的人中有 90% 反映，AI 让他们需要跟同事做的协调沟通更多了，而不是更少了。原因不复杂：你把你的部分用 AI 十分钟做完了，然后你等着同事三天的产出才能对接；你做了一个很漂亮的自动化流程，但协作节点上的那个人还停留在手动模式，你俩之间的「接口」就对不上了。组织不是一条流水线，是一条河——某一段流速再快，瓶颈处照样积水。
云从科技董事长周曦做过一个很精妙的类比。他说，ChatGPT 和各类大模型，就像是当年的电灯泡——它让所有人看到了「这东西有用」。Claude Code、Cursor、Copilot 这些单工位上的 AI 工具，就像是工厂里的小电机——在局部替代了蒸汽动力，让某一台机器的效率大幅提升。
但历史告诉我们，电力真正改变制造业，不是靠单个电机的替换。而是靠亨利·福特这样的人，重新设计了一整条生产线——把工序重新排列，把物料的流转重新设计，把每个工位上人和机器的协作关系重新定义，然后配上全新的管理方式。那才是生产力革命的完成形态。
对照今天：大多数企业还处在「每个工位换小电机」的阶段——给研发配上代码助手，给市场配上文案工具，给设计配上生图插件。每个人的单点效率确实上去了。但那条「生产线」——任务怎么分配、信息怎么流转、谁审核什么、一个东西从想法到交付要经过几道手——还跟二十年前一模一样。
这就是为什么「个人提效」和「组织提效」之间有一道鸿沟。工具升级了，流程没升级。提速发生在旧流程的每个节点上，但节点之间的摩擦力一点没减。
💡 一句话记住
通电是最简单的一步。真正的改变，来自你重新想象了「工作」这件事本身。
不过，已经有一些先行者在尝试回答这个问题了。
宝洁公司在 2025 年做了一项涉及 776 名专业人士的实地实验，由 NBER 发布的研究报告证实了一个有趣的发现：在没有 AI 辅助的情况下，研发背景的人天然倾向于技术方案，商业背景的人天然倾向于商业方案——这很正常，每个人的思维都有惯性。但引入 AI 之后，无论什么背景的人，产出的方案都变得更加均衡了。更重要的是，一个人加上 AI 的表现，可以媲美一个没有 AI 的多人团队。这说明 AI 不只是「加速器」，它有能力扮演「翻译官」的角色——帮不同职能的人理解彼此的语言，打破那些因为专业壁垒而天然形成的隔阂。
DeepSeek 在 2025 年的横空出世也让人重新思考组织形态的可能性。据公开报道，这家做出震动硅谷模型的公司只有百余人，没有森严的层级，没有繁琐的 KPI 考核链条，研究员可以围绕问题临时组队，年轻人可以直接调用核心算力。硅谷甚至把这种组织方式本身当成了研究对象。当然，不是每家公司都能或都应该学 DeepSeek，但它至少证明了一件事：不同的流程设计，释放出来的能量天差地别。
还有一个常被提起的例子是 Cursor。估值约 90 亿美元，团队大约 30 人。他们做对了什么？其中一个关键选择是：先不急着定岗位架构，先找对人，让对的人在 AI 工具的加持下自然生长出工作方式，再反向沉淀为组织规则。这个顺序跟传统企业完全相反——传统企业是先画组织图，再往格子里填人。
所以，回到那个最开始的问题：每个人都在用 AI，公司为什么没有变快？
答案或许在于，我们混淆了两件事——「让工作变快」和「让组织变快」不是一回事。前者只需要每个人都有一个好用的 AI 工具。后者需要重新设计工作流经的路径：谁来发起？谁来把关？AI 在哪一步介入？人的判断在哪一步不可替代？不同环节之间如何交接？出错了谁兜底？
这些问题没有一个能被「换个更好的模型」解决。
在飞书的「AI 绝活大会」上，AI 领域知名博主张咋啦从她的团队实践中，提炼出了四个非常具体的做法。这些方法不涉及组织架构的大动干戈，不需要预算审批，甚至不需要技术团队配合——但它们的共同指向，恰恰是上面说的那个核心问题：怎么让 AI 不只是提效个人的工具，而成为减少组织摩擦力的基础设施。
🧠 方法一：把每场会议变成组织的「记忆」
张咋啦的第一个建议是：所有会议默认录制，但这跟「留个记录以备查阅」完全不是一个思路。她的做法是，把每一场会议的纪要直接推送给长期配置好的 AI 助手，让 AI 去理解会议内容、提取关键信息、更新团队的知识库，甚至自动生成产品需求文档的初稿。
这里面的逻辑翻转很有意思。过去开会的终点是「散会」，顶多再加一步「看一眼纪要」。但在这个新流程里，散会才是工作的起点——会议产生的大量上下文信息，不再是被人草草浏览一遍然后遗忘，而是被 AI 消化、结构化、跟已有的项目信息关联起来，变成可以持续调用的组织记忆。她把这叫做「开会即生产」——会议不再是离散的事件，而是知识积累的持续过程。
放大来看，这个方法解决的正是「信息孤岛」的问题。一个组织里绝大多数的信息交换发生在会议上，但这些信息如果不被结构化地保存下来，就永远停留在参会者的脑子里。AI 的价值不是记录会议，而是把会议变成可检索、可关联、可复用的组织资产。
💬 方法二：让团队 AI 在公开空间里「生长」
第二个方法参考了 Shopify 的实践：团队共用的 AI 助手，只能在公开群聊里使用，不设私聊入口。
这听起来有点反常识。AI 助手难道不是个人效率工具吗？我自己安安静静地用它，不打扰别人，有什么问题？
张咋啦的观察是：问题在于「不打扰别人」恰恰就是问题本身。当每个人关起门来跟 AI 私聊，你会发现组织里同时发生着几十种互不相通的 AI 使用方式——有人用它写代码，有人用它润色文案，有人用它查资料。每个人的用法不一样，积累的提示词和上下文也互不相通。短期看个体效率确实提高了，长期看团队没有沉淀下任何可复用的东西。
但如果 AI 助手出现在群聊里，情况就完全不同了。你在群里向 AI 提问，同事能看到你问了什么、AI 怎么回答的、你是如何纠正它的、最终产出了什么结果。这个过程本身就是一场持续的「现场教学」。新人加入团队后翻一翻群里的对话记录，就能迅速了解团队的工作方式和 AI 使用习惯。更重要的是，当所有上下文都留在公开空间里，AI 本身也能持续学习这个团队的沟通模式、业务逻辑和决策偏好。
这个方法对抗的，正是前面说的「单人模式」困境。AI 工具的使用不该是每个人的私事，而应该是一个团队共同训练、共同调校、共同受益的公共品。
🔗 方法三：为你上下游的人写「技能」
第三个方法最有组织感。张咋啦提出，当你给自己打造一套 AI 工作流（所谓「技能」或「Skill」）的时候，不要只想着解决自己的问题。换个思路：想想你的上游和下游。
什么是上游？就是那些需要给你提供信息、交付物或确认的人。他们拖了，你就得等；他们给的东西不完整，你就得反复追问。什么是下游？就是那些等着你输出的人。你晚一天给，他们就晚一天开工。一个组织里绝大多数的时间损耗，都发生在这些交接点上。
所以她的建议很具体：做一个技能，帮上游的人把给你的信息自动整理成你需要的格式——他们不用专门花时间「伺候」你；再做一个技能，帮下游的人把你给他们的东西自动转化成他们马上能用的状态——你不用每次都附一段文字说明。如果每个人都能这样为上下游多想一步，组织里那种「等来等去、问了又问」的摩擦力就会大幅下降。
这个思路背后其实是一个更大的组织命题：公司的分工方式要不要变？传统的按职能分工——设计归设计、开发归开发、运营归运营——天然制造了大量交接点。张咋啦的提议是，在 AI 时代，更适合的组织方式是按「闭环」来重组：一个人端到端地负责一个完整的业务闭环，用 AI 工具打通原本需要多人协作才能完成的步骤。你不必等别人，因为你手里有 AI 这个「万能搭子」。
🎨 方法四：用「好看」降低沟通成本
最后一个方法最轻量，但触及了一个被很多人忽视的问题。张咋啦的观察很直白：People don't read。大家不看文档。你费尽心思写了一份详尽的数据分析报告，发到群里，大部分人划两下就关掉了。不是你的内容不好，是呈现方式让人不想看。
她的解法是，把排版和可视化交给 AI，用网页来做报告和看板——因为 HTML 是当前 AI 模型最擅长的输出格式之一，你不需要会写代码，只需要用自然语言告诉 AI「帮我把这些数据做成一个简洁的看板页面」，它就能生成一份直观、可交互的成果物。
但这不只是个工具技巧。她真正想说的是：审美不是装饰，是沟通效率。一份经过认真排版、配色舒服、信息层级清晰的报告，别人愿意看，看了能记住，记住了能行动——这是实打实的工作成果。过去把东西「做漂亮」需要专业的设计技能或大把时间，很多人因此放弃了。现在 AI 把这个门槛拉到了地面。把「变好看」交给 AI，把精力留给思考「要表达什么」——这才是重点。
这个方法看起来是四个方法里最「软」的，但它实际上在解决一个非常「硬」的问题：组织里大量高质量的分析和判断之所以没有产生应有的影响力，不是因为内容不行，而是因为「送达率」太低。信息的最终价值 = 内容质量 × 被接收的程度——后一个乘数，往往被严重低估了。
🧭 四个方法的共同主线
它们都不是在教你怎么「更会用 AI」，而是在教你怎么「用 AI 改变你跟别人协作的方式」。会议纪要推给 AI，减少了信息衰减；AI 放在群聊里，消除了知识私有化；为上下游做技能，降低了交接损耗；用可视化替代纯文字，提高了信息的送达率——每一项都在削减组织的摩擦力，而不是单纯地让某个人跑得更快。
📌 写在最后
如果只记住一句话，我希望是这句：模型给了 AI 智力，但组织才给了 AI 生产力。
过去两年，关于 AI 的讨论大多集中在模型能力上——参数规模从千亿到万亿，推理速度又提高了多少倍。这些当然重要，但它们是一个工程师关心的问题。对于一个组织的管理者、一个团队的负责人、一个想要把事情做得更好的普通人来说，更应该关心的问题其实是另一个：
AI 该如何从员工的「个人提效」工具，转化成真正的组织效率？
回到那个电力革命的比喻。通电是最简单的一步。真正的改变，来自你重新想象了「工作」这件事本身。而这件事，谁也替代不了你。
💬 互动
你们团队里，最让你头疼的「组织摩擦力」是哪一块？是审核瓶颈、信息孤岛，还是节奏撕裂？欢迎留言丢一个场景，高频坑我们写进下一篇。
📚 参考来源
· 张咋啦（Zara）在飞书「AI 绝活大会」上的主题分享：《四个可以立刻落地的 AI-native 工作方式》
· 云从科技董事长周曦：《AI 让个人提速，公司为什么没变快？》，2026年7月
· Glean, Work AI Index 2026: Survey of 6,000 knowledge workers on AI adoption and organizational impact
· Atlassian, State of Teams 2026: Survey of 12,000+ workers and 170+ executives on AI ROI perception gaps
· Asana Work Innovation Lab, The AI Super Productivity Paradox, 2025
· BCG & MIT, Experimental evidence on GPT-4 consulting task performance and organizational financial returns
· 出门问问 CEO 李志飞：《超级个体在组织里就是一场灾难》，2025年
· 清华大学李宁：《如何用 AI 撬动组织管理变革？》，2025年
· 涛思数据 CEO 陶建辉：关于 AI 时代数据可用性与组织知识沉淀的观点
· NBER Working Paper: A Field Experiment on Generative AI Reshaping Teamwork and Expertise (P&G study), 2025
· 钛媒体：《AI Native 组织转型：岗位，不再以人为单位》，2026年
· Forbes Technology Council, The AI-Native Organization: Individual Transformation Is Not Enough, June 2026
· Berkeley Haas Research: Does AI Actually Free Up Workers' Time?, 2026
Servi-Pedia · 智服汇（ISS COO AI Transformation Office）编辑团队编译整理 · 2026 年 7 月
