再开一局

AI 潮局 · 编辑部

我是潮局。

Sam Altman 在一条 56 秒的视频里承认：自己曾以为 GPT-4 之后，软件世界会很快进入“重新洗牌”，但现实没有按这个速度发生。模型变强了，消费者和企业却仍然沿着旧路径做决定。[1]

这条判断最值得停留的地方，在于它没有把“AI 没有立刻颠覆一切”解释成技术失灵。恰恰相反，Altman 认为 AI 可能是人类历史上最令人难以置信的技术之一，只是社会和经济的适应速度，比技术迭代慢得多。[1]

这也是理解 AI 的一个关键转向：别只盯着模型排行榜、融资额和芯片供给，还要看工作流、采购习惯、组织责任、监管边界与人的信任，究竟把一项新技术拖进现实需要多久。

原文图：Fireside Alpha 视频关键帧，00:53 附近

01

先承认速度差

Altman 原来设想的时间线很直接：GPT-4 在 2023 年出现后，软件开发会迅速被重新分配，许多软件企业会立刻陷入被替代或被重做的压力。实际结果是，经济表现出了很强的惯性：人们继续从同一家公司买东西，继续用熟悉的方式使用工具，旧流程也没有因为一个新模型出现就自动消失。[1]

这并不说明 AI 的影响小。它只说明，影响从来不是“模型发布”与“现实改变”之间的一根直线。中间隔着迁移成本：数据是否能被调用，员工是否知道该把什么交给模型，结果出错时谁负责，组织是否有能力把一次演示变成一套稳定流程。

02

组织摩擦决定采用速度

工作场景里的 AI 采用，确实在加速。Gallup 2025 年的调查显示，美国员工中表示自己至少每年使用几次 AI 的人，从 2023 年的 21% 上升到 2025 年的 40%；每周使用几次的高频用户，从 11% 上升到 19%；过去一年每天使用 AI 的比例，则从 4% 上升到 8%。[2]

但同一份调查也指出了采用瓶颈：员工最常提到的困难是“用例或价值主张不清晰”；即使已经在使用 AI，也只有 16% 的人强烈认同组织提供的工具对自己的工作有用。[2]

这两组数字放在一起，画面比“AI 会不会替代人”更具体：工具在扩散，价值却没有同步被定义。真正的分水岭往往不在员工愿不愿意尝试，而在于组织能不能把“偶尔打开一个聊天框”改造成“知道什么时候该调用、结果如何验收、出错如何回退”的工作单元。

所以，判断一家公司是否真正进入 AI 阶段，不能只问采购了多少账号。更有用的指标是：它是否重新分配了任务、改变了审批、减少了等待，并把结果写进了日常决策。

03

先改写任务，再改写工作

把视线从岗位移到任务，会更接近现实。Anthropic Economic Index 基于约 100 万条 Claude 对话进行分析，发现 AI 使用主要集中在软件开发和技术写作；约 36% 的职业，其关联任务中至少四分之一出现了 AI 使用，只有约 4% 的职业在四分之三以上的任务中都出现了 AI 使用。[3]

这组数据给出了一个比“替代”更细的结论：AI 的第一波影响通常落在任务层面。代码可以先被解释、测试和重构，写作可以先被拆成提纲、素材核验和版本迭代，会议可以先被转成行动项与负责人清单。

同一份 Index 还把 AI 使用区分为增强与自动化：在被分析的 Claude 对话中，约 57% 属于人与 AI 协作的增强，约 43% 属于 AI 直接执行任务的自动化。[3] 这更像一条“逐步迁移”的路径：模型先进入任务，再进入流程，最后才可能改变岗位的组织边界。

补充图：服务器机房。AI 基础设施的扩张速度，明显快于普通企业流程的迁移速度

04

基础设施已经按下快进键

现实采用偏慢，不代表基础设施没有加速。Dell’Oro Group 在 2026 年 8 月发布的预测称，全球数据中心资本开支将在 2030 年前超过 3 万亿美元；面向 AI 的高端加速器将占据最大份额，并继续成为数据中心资本开支增长的主要驱动力。[4]

这份预测还提到，AI 专用云细分市场，包括模型开发商和新型云服务商，预计将以接近 60% 的年复合增长率增长；与此同时，企业级 AI 投资仍然受到回报不确定性的约束。[4]

这两句话放在一起，恰好构成了 AI 时代的张力：供给侧已经在按指数曲线建设，经济系统却仍然在问“什么时候回本”。基础设施可以把能力快速推高，却不能单独完成组织迁移。电力、网络、芯片、机房解决了算力问题，流程、责任和信任仍然要靠企业自己解决。

原文数据图：Claude 对话如何被映射到任务与职业，来源 Anthropic Economic Index

05

现实路线不是等风口

如果 AI 能力与社会采用之间确实存在时间差，企业的应对方式就不该是把所有流程一次性推倒重来。更现实的路径，是先找到那些高频、低风险、结果可检查的任务，让 AI 先成为工作流里的一名协作者。

这条路线有三个动作。

先把任务说清楚。不要从“部署一个模型”开始，而从“哪一种等待、重复、检索、校验工作最值得被减少”开始。任务越具体，AI 的价值越容易被验证。

再把责任边界写下来。谁能调用，谁来复核，什么结果可以自动流转，什么情况必须回到人手里。一个可靠的 AI 工作流，通常比一个看起来很聪明的 demo 更接近真正的生产力。

最后才谈组织重写。当大量任务开始共享同一套模型、同一份知识和同一种审核逻辑，岗位之间的边界才有条件发生变化。组织重构更像一次流程、权限、激励和责任的整体迁移。

Altman 的修正，不是给 AI 时代踩刹车。他修正的是人们对时间线的想象：技术奇点也许会在某个时刻突然出现，但经济不会在一个季度里完成自我重写。软件公司不会因为模型更强就自动消失，企业也不会因为采购了工具就自动获得新的生产力。

真正值得关注的，是那些缓慢但持续发生的变化：员工开始用 AI 处理一部分任务，团队开始用 AI 验证另一部分任务，组织开始为 AI 重新定义责任。变化不喧哗，却会在每一次流程重写里留下痕迹。

原文数据图：增强与自动化，来源 Anthropic Economic Index

原文图：Fireside Alpha 视频关键帧，00:28 附近