a16z：AI让每个人效率翻10倍，但真正的赢家还没出现

原文标题：Institutional AI vs Individual AI

原文作者：George Sivulka，a16z

原文编译：深潮 TechFlow

AI 刚刚让每个人的生产力提升了 10 倍。

没有一家公司因此变得 10 倍值钱。

生产力去哪了？

这不是第一次发生。

1890 年代，电力承诺了巨大的生产力提升。

新英格兰的纺织厂，原本是围绕蒸汽机的旋转动力建造的，很快就把蒸汽机换成了更快的电动马达。

但整整三十年，电气化的工厂几乎没有提升产出。技术远远领先了。但组织没跟上。

直到 1920 年代，工厂彻底重新设计了生产线——流水线、每台设备装独立电机、工人和机器执行完全不同的工种——电气化才产生了真正的回报。

图注：洛厄尔纺织厂的三次进化。从左到右：1890 年蒸汽动力工厂、1900 年电力驱动工厂、1920 年「单元驱动」工厂（即从零开始重建为电力流水线）。

回报不是来自技术本身，也不是来自让单个工人或机器纺线更快。而是当我们终于把制度和技术一起重新设计的时候，收益才真正兑现。

这是技术史上最昂贵的教训，而我们现在正在重新上这一课。

2026 年，AI 正在为那些懂得利用它的人带来 10 倍的生产力提升。但这还不够。我们换了电动机，但还没有重新设计工厂。

因为一个简单的事实：高效的个体不等于高效的组织。

绝大多数 AI 产品给人的是「高效」的感觉，但没有真正推动价值。你看到的大部分 AI 使用案例，是个人在 Twitter 或公司 Slack 里自我陶醉式的「效率 max」，实际影响为零。

过去一年反复提及的「服务即软件」说法方向没错，但没给出蓝图。而且它忽略了更大的图景。真正的转变不是从工具到服务，而是把技术和制度一起建设（不管是改造旧的还是从零开始）。一个真正高效的未来需要全新品类的产品——明天的流水线。

高效的组织需要「机构级智能」。

这篇文章会深入分析区分「机构级 AI」和「个人级 AI」的七大维度。未来十年整个 B2B AI 领域的公司都会建立在这些差异之上：

图注：机构级智能的七大支柱对比表

机构级智能的七大支柱

1. 协调

个人级 AI 制造混乱。

机构级 AI 创造协调。

先来一个思想实验。假设你明天把组织的人数翻倍，全部克隆你最优秀的员工。

这些员工每个人都有微小的差异、偏好、怪癖和视角（你最好的员工尤其如此）。如果管理不到位，沟通不充分，职责分工、OKR、角色边界没有定义清楚……你创造的是混乱。

按个人来衡量，组织可能更高效了。但成千上万的 Agent（或人类）各划各的桨、方向相反，好的结果是原地不动，坏的结果是把组织凝聚力拆碎。

这不是假设。每一个在没有协调层的情况下采用 AI 的组织，现在就在经历这件事。每个员工都有自己的 ChatGPT 使用习惯、自己的 prompt 风格、自己的产出——和别人的产出毫无衔接。组织架构图可能还在，但 AI 生成的工作实际上走的是另一条线。

图注：高效的个体（或 Agent）各自朝不同方向划桨。没有协调，就是混乱。

协调是绝对的硬需求，对人类和 Agent 都一样。

机构级智能将催生一个完整的「Agent 管理」行业——聚焦于 Agent 的角色与职责、Agent 之间及 Agent 与人类之间的沟通、以及如何衡量 Agent 的价值（光靠按量计费远远不够）。

2. 信号

个人级 AI 制造噪音。

机构级 AI 找到信号。

今天的人类可以创造——或者说生成——任何能想到的东西：AI 写的文章、演示文稿、电子表格、照片、视频、歌曲、网站、软件。多好的礼物。

问题是，AI 生成的绝大部分内容是彻头彻尾的垃圾。AI 垃圾的泛滥已经严重到一些组织矫枉过正，干脆禁止所有 AI 产出。说实话我自己也有同感——我经营一家 AI 公司，但要求高管团队不要在任何最终文字产品上使用 AI。我受不了那些垃圾。

想想 PE（私募股权）行业正在变成什么样。去年，你桌上可能收到 10 个交易机会。今年，下个季度你会收到 50 个机会，每一个都被 AI 打磨得无可挑剔，而你判断的时间还是一样多——得从里面找到那一个真正靠谱的。

生成任何东西已经不是问题了。对任何正经组织来说，现在的问题是生成并筛选出正确的东西。在一个 AI 驱动的世界里，找到那一个好的成果物、那一笔好的交易、噪音中的信号，变得越来越关键。未来十年的核心经济驱动力，就是从指数级增长的垃圾山中挖出信号。

图注：个人生产力工具产生的 AI 垃圾正在以指数速度增殖。人类自己已经没法从噪音中分拣，需要一类新的机构级 AI 产品。

机构级智能必须找到信号，必须结构化噪音以穿透垃圾，而且在工作中必须是可定义、确定性、可审计的。

个人级 AI 可能强调 Clawdbot 那种「永远在线」的生产力，以不可预测的方式 24/7 满足你的需求——本质上是非确定性 Agent。机构级 AI 则依赖确定性 Agent 的可靠性。有可预测检查点、步骤和流程的 Agent 才能规模化、才能发现信号，并通过这些信号为组织驱动收入回报。

图注：Matrix 是一款利用生成式技术穿透噪音的工具，由此打开了一个确定性 Agent 和检查点的世界。

3. 偏见

个人级 AI 喂养偏见。

机构级 AI 创造客观性。

围绕社会政治偏见的讨论主导了好几年的 AI 话语。基础模型实验室最终通过足够多的 RLHF 绕过了这个问题，把所有模型调成了谄媚者。今天，ChatGPT、Claude 等模型对齐得过了头，在奥弗顿窗口内的任何话题上都会赞同你（有时候还会稍微越界，说的就是你 @Grok）。社会政治偏见的讨论消退了。但一个新问题取而代之。

这种对一切事情的过度附和已经荒谬到可笑。它本身成了一个 meme——Claude 那句条件反射般的「你说得完全对！」，不管你说的是不是真的完全对。

这听起来无害。不是的。

很多组织里最卖力推 AI 的人，可能很快就会是历史上表现最差的员工。想想为什么。

组织里表现最差的员工，每天几乎得不到任何正面反馈，很快就会有一个 ASI 全程赞同他们。他们会在心里说：「有史以来最聪明的智能体都同意我。是我的经理搞错了。」

这令人上瘾。也对组织有毒。

图注：个人级 AI 的回音室加剧分裂，让两个人渐行渐远，这种动态在规模化后会在原本一致的组织内制造派系。

这揭示了一件重要的事。个人生产力工具强化的是用户。但真正最该强化的是事实。

人类组织经过数千年的进化，建立了专门对抗这个问题的体系：

· 投资委员会会议

· 第三方尽职调

· 查董事会

· 美国政府的行政、立法、司法三权分立

· 代议制民主，以及民主制度本身

图注：客观性甚至能缓解协调问题——把小分歧抑制而非放大。

组织很少因为员工缺乏信心而失败。它们失败是因为没有人愿意或能够说「不」。

机构级 AI 必须扮演这个角色。它不会被 RLHF 调教成讨好用户或附和他们的信念，而是要挑战他们的偏见。行为高效时给予正向反馈，偏离正轨时画出硬线、强制纠偏。

因此，组织内部最重要的 Agent 不会是「应声虫」，而是有纪律的「否决者」——质疑推理、暴露风险、执行标准。未来一些最有影响力的 AI 应用将围绕制度性约束来建设：AI 董事会成员、AI 审计师、AI 第三方测试、AI 合规……

4. 边缘优势

个人级 AI 优化使用量。

机构级 AI 优化边缘优势。

AI 的能力边界每周甚至每天都在移动。基础模型公司为了争夺每个人和每个组织，在快速迭代能力。

但经典的创新者困境告诉我们，在具体应用上，深度永远打败广度：

· @Midjourney 的工作是在设计图像上保持微弱领先。

· @Elevenlabsio 的工作是在语音模型上保持微弱领先。

· @DecagonAI 的工作是在全栈客服体验上永远领先。

虽然基础模型会越来越接近，但对各领域专家来说，真正的边缘优势才是关键。

很多最好的设计师用 @Midjourney，很多最好的语音 AI 公司用 @Elevenlabsio——因为即使基础模型在进步，专用应用对推动其特定边缘优势的不懈聚焦，本身就定义了优势。

只要专用解决方案也在进化，对经济成果真正关键的能力——对企业关键的能力——永远在专用产品这边。

这在金融领域体现得淋漓尽致——目前 LLM 开发最火热的领域。一旦某种能力普及了，按定义它就不会帮你跑赢市场。但如果前沿技术能产生一个短暂的 1% 小众优势？这 1% 可以撬动十亿美元级的回报。

图注：对于任何足够具体的任务，边缘优势由你在前沿技术之上搭建的机构级解决方案来定义。

我们的用户一直在超越前沿。LLM 的上下文窗口在四年里从 4K 增长到 100 万 token。我们有些用户在单次任务中处理 300 亿 token。今年我们已经看到了处理 1000 亿 token 任务的路径。每次基础模型能力提升，我们已经走得更远了。

图注：上下文窗口和其他能力一样是个移动靶。过去三年前沿实验室和 Hebbia 的上下文窗口演进对比。

面向广泛用户的通用性当然重要，尤其在让员工入门 AI 的阶段。但未来不会是人们使用 ChatGPT/Claude 或者垂直解决方案，而是 ChatGPT/Claude 加上垂直解决方案。

机构级智能必须利用领域专用的、甚至任务专用的 Agent。

我们会问自己一个听起来荒谬但并不荒谬的问题：

「AGI 会选择使用哪些 Agent 作为捷径？即使是超级智能也会想要针对特定领域的专用工具。」

AI 的能力边界永远在移动，那些利用真正边缘优势的组织才是赢家。其他人都在为一个非常昂贵的通用商品买单。

5. 结果

个人级 AI 节省时间。

机构级 AI 扩大收入。

@MaVolpi 曾经跟我说过一句话，重塑了我对向企业卖 AI 的认知：「如果你问任何 CEO 优先削减成本还是扩大收入，几乎所有人都会说收入。」

但今天市场上几乎每一个 AI 产品交付的都是降本——承诺帮你省时间、用更少的人做更多的事、或者替代人力。

机构级 AI 必须交付增量收益。而增量收益比省下的时间难被商品化得多。

拿 AI 辅助软件开发举例。代码 IDE 是有史以来最好的个人 AI 生产力工具之一，但它们已经面临来自 Claude Code（另一个个人级 AI 工具）的巨大冲击。Cognition 在玩一个完全不同的游戏。他们增长最稳的业务是用技术卖转型，而不是卖工具。我押注这种模式会有持久力。

纯软件「正在迅速变得不可投」。纯服务不可规模化。解决方案层——把技术和结果绑定在一起——才是持久价值沉淀的地方。

再看 M&A。个人级 AI 帮分析师更快地建模。机构级 AI 从一百个目标中识别出那一个值得追的交易对手，然后把搜索范围扩展到一千个。一个省时间，另一个创造收入。

图注：基础模型公司正在向垂直应用层移动。垂直应用层公司正在向解决方案层移动。

「向上游移动」是市场当前的自然引力。基础模型在向应用层走，应用层公司在向解决方案层走。

机构级智能就是解决方案层。而解决方案层——结果在的地方——将沉淀持久价值，捕获最大的收益空间。

6. 赋能

个人级 AI 给你一个工具。

机构级 AI 教你怎么用。

人类再聪明，也抗拒改变。

信不信由你，纽约现在还有成功的店铺不收信用卡。他们知道自己在亏钱，知道不收信用卡会亏钱，但就是不动。同样，在可预见的未来，某些组织里的某些员工，就是会拒绝使用 AI。

从纯人工组织转型为 AI 优先的混合组织，将是未来十年最持久、最具定义性的挑战。而且很多时候，组织中最高层、最重要的人，反而是最晚采用的。

图注：组织最高层——离「生产力工具操作」最远的人——往往是采用新技术最慢但最关键的群体。

Palantir 是唯一一家在过去两个月万亿美元科技股抛售潮中，还维持着超高估值倍数的「软件」公司。这是有原因的。Palantir 是第一批真正的「流程工程」公司之一。不管你叫它「流程工程」还是「编写 Claude 技能文件」，未来的机构级 AI 将催生一个行业：把企业流程编码进 Agent，并落地推行所需的变革管理。

图注：组织全面采用 AI 将跨越多个鸿沟，每一个都有自己的挑战。把流程上线 AI 将是主要推动力。

我敢说，流程工程将成为近期最重要的「技术」。

而在流程工程中，业务和行业专长——而非软件专长——才最关键。垂直解决方案会培养出在前线部署工程、实施和变革管理方面拥有专业知识的人才。

一家选择了 Hebbia 做全面部署的头部投行（前三名大行）说得最到位：他们之所以不跟某家大模型实验室合作，是因为「我们得给他们的团队解释什么是 CIM（保密信息备忘录）」。Claude 或 GPT 当然了解这个领域，但负责落地推广的团队不了解……

这个差别决定了一切。

7. 无需提示

个人级 AI 响应人类的 prompt。

机构级 AI 主动行动，不需要 prompt。

关于 Agent 之间通信、未来的企业和制度是否还需要人类，讨论很多。

但更好的问题是：未来的 AI Agent 是否还需要 prompt？

给 AGI 写 prompt，就像把电动机接到手工织布机上。它从根本上、不可逆转地受限于组织供应链中最薄弱的环节——我们自己。人类根本不知道该问什么正确的问题，更别说什么时候问。

AI 能做的最有价值的工作，是那些没人想到要问的工作。AI 应该找到没人发现的风险、没人想到的交易对手、没人知道存在的销售管线。

这将彻底打开 AI 用例的边界。

一个无需提示的系统持续监控整个投资组合的数据流。它发现某家被投公司的运营资本周期已经连续三个月悄悄恶化，与信贷协议中的契约条款做交叉比对，在基金里任何人打开那份 PDF 之前就通知了运营合伙人。

当你不再需要人类来给 AI 写 prompt，新的界面和新的工作方式就出现了。我们 @Hebbia 在这方面有很强的想法。后续再聊。

结语

以上这些并不否定聊天机器人、Agent 和个人级 AI 的价值。

个人级 AI 将是全球大多数企业第一次体验 AI 变革魔力的载体。推动使用量、推动易用性，是建设 AI 优先经济所需的变革管理的关键第一步。

但与此同时，对机构级智能的需求是明确的、紧迫的、巨大的。

未来每个组织都会有一个来自大模型实验室的聊天机器人。每个组织也会有为特定领域问题专门打造的机构级 AI——而个人级 AI 会把机构级 AI 当作自己工具箱里最关键的工具来使用。

机构级 AI 和个人级 AI「更好地结合」是必然趋势。

但请记住 1890 年代纺织厂的教训。最先通电的工厂，输给了重新设计车间的工厂。

我们已经有了电力。是时候重新设计我们的工厂了。

感谢 @aleximm 和 @WillManidis 的审阅，以及 Will 的「工具形状的物体」一文对本文的启发。

原文链接