陳根：智能瓶頸之迷，為什么AI卡在了“30%天花板”？

文/陳根

在2026年的AI話語體系中，主流敘事已經高度固化，幾乎形成了一種默認共識：算力決定基礎設施上限，模型架構決定智能邊界，數據質量決定能力深度。這套“三位一體”的技術框架看上去邏輯嚴密、論證充分，但它系統性地忽略了一個真正決定成敗的隱形變量——組織是否具備真正的適應能力。

作為全球第一本關于ChatGPT一書的作者，一名長期在前沿科技與前沿醫學領域的觀察者，我在2025年的親身實踐中發現，AI能力的指數級躍升（如從GPT-4到Claude 4.5的迭代）與組織的線性響應形成鮮明不對稱。

技術，已經不是主要瓶頸。真正制約AI潛力的，是一個更深層的組織學命題：AI并非受限于“能做什么”，而是受制于“組織敢不敢讓它做”。

“30%”這個數字，真正暴露了什么？

這個判斷，源于一個在技術團隊中極為常見、卻很少被認真反思的數字——AI 生成代碼占比約 30%。這在行業中不算落后，甚至可視為進步。

但如果把它放入更寬廣的組織心理學視角，就會發現，它并不是技術能力的自然結果，而更像是一種人為設定的安全上限。這里反映的，其實是典型的“現狀偏差”：人類傾向于維持既有分工邊界，即便技術已經具備顛覆條件。

哈佛大學行為經濟學家卡尼曼的“損失厭惡”理論在此尤為貼切：組織往往更害怕“放手 AI”帶來的短期風險，比如錯誤被放大、職責邊界模糊、角色價值被挑戰，而不是去計算長期的系統性收益。這并不是效率問題，而是一種決策惰性，反映出工業時代遺留的路徑依賴如何鉗制AI時代轉型。

從系統論的角度看，組織本身是一個閉環系統。AI 作為強烈的外部擾動，如果沒有同步觸發內部反饋機制的變化——尤其是分工方式和決策結構的變化——系統就會自動回到一個“低效但穩定”的狀態。

于是，AI 被人為限制在一個看似安全、實則低效的區間內。這背后，其實是典型的“范式鎖定”。就像庫恩所說的“正常科學”，工業分工范式已經內化為組織的默認前提。AI 在技術層面挑戰了這些前提，但在制度和認知層面，卻被不斷邊緣化。結果就出現了一種悖論：技術越先進，組織反而越保守。

從制度經濟學的“制度變遷”視角，這種鎖定源于“交易成本”過高：變革需重塑契約與規范，短期內放大不確定性，導致組織偏好漸進式而非顛覆式適應。從哲學層面，這回響了海德格爾的“此在”概念：組織作為“在世存在”，沉淪于“常人”的平均狀態，畏懼“向死而生”的本真躍遷，寧愿固守熟悉的“現成性”，而非擁抱AI帶來的可能性。

于是就來到了第一個探討的問題，決策邊界的“隱形壁壘”——從30%到近100%的實踐啟示與“能力閾值悖論”的思考。

決策邊界，才是真正的隱形壁壘

當我在2025年初調研多支技術團隊時，幾乎都得到了同樣的答案：AI 完成代碼比例約 30%。這個數字本身“合理”，卻掩蓋了一個更重要的問題——為什么不是 70%，不是 90%？如果模型已經具備獨立生成復雜邏輯的能力，那么 30% 并不是技術極限，而是人為邊界。

為了驗證這一點，我和研究小組刻意搭建了一個極簡團隊，從零開始構建產品。在短短兩三周內，首版產品便可以穩定運行。回溯整個過程，代碼幾乎完全由 AI 生成。真正的變化，并不來自模型升級，而來自一個決定：移除人為分工的藩籬，最大程度信任 AI。

在傳統項目管理中，需求、開發、測試層層拆解，協作成本隨著角色增加而指數上升。但在 AI 原生流程中，我們把 AI 視為“整體生成器”：輸入問題框架，輸出可運行模塊，人類只在關鍵節點進行判斷與修正。

這一實驗揭示了“能力閾值悖論”：AI可將執行從0拉升至85分（高效但非完美），但從85到100分的躍遷，需要人類注入“價值定義”——何為卓越？如何權衡風險？

也就是說，從 85 到 100 分，恰恰是 AI 無法替代的部分——價值判斷、目標選擇、責任承擔。換言之，AI 放大了執行杠桿，同時也放大了對領導力的要求。在這個過程中，真正稀缺的資源，已經不再是編碼能力，而是問題如何被定義、結果由誰負責。

從行為經濟學角度，這涉及“錨定效應”（Anchoring Bias），即，組織往往錨定于“人類主導”的歷史規范，導致決策邊界固化。若組織固守“人必須主導”的心理壁壘，AI潛力將被人為壓縮至“安全區”，錯失指數級回報。

這就給我們帶來了一個更深層思考，也就是“代理問題”（Agency Theory）其在AI時代的變異——代理人（員工）傾向于保護自身角色，而委托人（領導）需重塑激勵機制，以打破“道德風險”循環。

進一步，從認知心理學（Amos Tversky的框架理論）看，這種悖論源于“框架效應”：將AI視為“輔助工具”而非“核心伙伴”，會系統性低估其潛力，導致“閾值鎖定”。未來，若不解決這一悖論，AI將加劇“技能極化”，就會演變為低階執行者邊緣化，高階定義者主導，形成新型組織階層。

這還隱含社會公平隱憂，導致轉型成本高企，弱勢群體易陷“技能陷阱”，放大不平等。從哲學視角，這呼應了薩特的存在主義：組織面臨“自由的焦慮”（Angst of Freedom），必須選擇“壞信仰”（Bad Faith）——假裝AI僅是工具，以逃避責任——還是擁抱“本真性”（Authenticity），通過大膽決策重塑自我。

工業分工的“協作陷阱”，正在吞噬 AI 紅利

工業時代的分工邏輯，源于泰勒制：角色碎片化、流程串聯、局部最優。但在高度不確定的環境中，這種結構會迅速陷入“協作摩擦”。每個人都在優化自己的部分，卻犧牲了整體效率。

從系統論視角，這種高耦合度（Tight Coupling）同時也正在放大風險。尤其是其中的單一節點故障（如溝通延誤）可級聯擴散，導致整體癱瘓。如果更進一步思考，我們就會發現Charles Perrow的“正常事故理論”在此適用——工業分工如“復雜互動系統”，AI擾動易引發不可預測連鎖失效。

反觀AI原生協作，更似“3D打印”：整體成型，邊界模糊。組織主軸從崗位分類轉向雙元互動——一元聚焦“問題理解、定義價值、結果交付”；另一元強調“經驗固化、可復用系統構建”。在代碼的生成場景中，團隊對AI評分從50分升至85分，便源于此，也就是AI處理標準化邏輯，人類介入抽象創新。

這一范式遷移并非零和博弈，而是“互補放大”。麥肯錫2025年報告顯示，AI嵌入工作流的企業，生產率提升25%以上，但前提是重構分工。否則，協作陷阱將吞噬AI紅利。

比如多角色會議紀要，這本可由AI一鍵生成，根本不需要人為記錄，卻因對AI的不信任，所謂的“邊界保護”而拖沓。這就讓我們看到，AI并不是取代人，而是重塑角色生態，提升效率。對于當前的組織而言，扮演著協調型中層的角色，將面臨邊緣化，而戰略型領導者更顯稀缺。這挑戰了傳統層級結構，預示“扁平化+責任擴散”將會是未來的組織形態。

從變革管理理論（John Kotter的八步模型）看，這促使我們從“緊迫感建立”入手，面對AI引發的實實在在的組織變革的挑戰。

可以從AI實驗入手，比如在組織內建立最小團隊項目，便是嘗試，并推動成為組織變革的催化劑，幫助組織跨越“變革谷底”。對于傳統組織而言，面對AI的挑戰，最大的隱憂在于，若耦合度未降，AI將放大“熵增”（系統無序），導致創新停滯，釀成“技術-組織失配”的結構性危機。

更進一步，從動態能力理論（David Teece）看，AI時代組織需培養“感知-抓住-轉型”的動態能力。也就是要具備，感知AI潛力，抓住重構機會，轉型為“學習型系統”。

否則，路徑依賴將演變為“能力陷阱”，鎖定于低效均衡。從哲學維度，這呼應了馬克思的“異化”理論：工業分工導致勞動者與勞動產品的疏離，AI原生模式則提供“去異化”潛力——通過整體生成，恢復人類對價值的掌控；但若固守舊范式，則異化加劇，人類淪為AI的“附屬”。

AI最終的瓶頸，其實在與人

我們必須要明白一個嚴肅的問題，那就是AI轉型的核心，非過去的信息化，或者IT升級與技能培訓，也不是簡單的效率提升，而是范式重塑。基于我在2025年的一些嘗試、觀察與思考，我想給大家提供以下幾點思考：

1、管理會轉型“AI推動會”：傳統會議聚焦KPI的評價與批評，我們可以定義為工業式“鞭策”。借助于AI，當我幫助一些企業開始轉向雙周AI會，強制聚焦業務價值（如客戶創新、新品研發）時。結果是新品周期從季度壓縮至月度。心理學上，這利用“錨定效應”——AI作為“中性錨點”，繞開變革阻力，轉化為共識工具。管理者從“監督者”變“杠桿使用者”，這就揭示出了AI的隱形價值。即AI并非單純的技術，而是催化組織活力催化劑。從資源依賴理論（Resource Dependence Theory）看，這減少外部依賴（跨部門協調），增強內部創新與韌性。同時，這也帶給了我們新的思考，就是AI的引入，本質上是體現了“社會構建主義”（Berger & Luckmann）。

也就是說，AI共識通過實踐重構“現實”，從工具演變為文化規范。從福柯的“權力-知識”理論看，這重塑的是組織的權力動態，即AI會作為“話語實踐”，顛覆層級權力，賦權于價值定義者。

2、培訓推動組織轉型：針對非技術人員，組織成員，引入培訓，比如對Cursor、Lovable、Dify、Claude等工具的使用培訓，來提升AI在工作中的使用深度。其實這種AI工具的培訓，不僅是技能傳授，更是“意愿篩查”。通過這種AI工具的培訓，愿意接受變革的主動學習者脫穎而出，成為潛在領導。

從組織行為學視角來看，這借鑒了“自我效能理論”（Bandura）。即借助于新的知識培訓，提升個體自信，從而放大集體適應。并從中篩出“變革先鋒”，避免全員強推的阻力反彈。

更深層的含義，就在于這隱含“社會資本理論”（Putnam）。培訓不止技能，而是構建“信任網絡”，緩解AI引入的“角色焦慮”。這就類似于“選擇性激勵”機制（Olson的集體行動邏輯），通過培訓，以及讓組織成員掌握這種新的工具，激勵個體參與變革。從德里達的“解構”哲學看，培訓解構“技術-人類”二元對立，揭示AI作為“補充”（Supplement），既取代又增強人類能力。

3、Non-Tech黑客松：比如，非技術組（如銷售+市場）用AI將300-600份PRD濃縮為一頁客戶語言，并在幾十秒內就完成的時候。所帶來的益處是顯而易見的，不僅快速的消除了翻譯層，還讓這種成果轉變為獲客“子彈”，是一種接近于零人力負擔的高效成果。

在系統論上，這減少“耦合度”——從高依賴轉向低摩擦閉環。黑客松不僅是創新，而是“剩余價值釋放”。AI最小化交付單元（如從數月項目縮至周級），解放人力用于更高階的創造。從創新擴散理論（Everett Rogers）看，這如“早期采用者”機制，即黑客松傳播AI規范，加速組織級擴散。進一步，從知識管理理論（Nonaka的SECI模型）看，這促進“隱性知識顯性化”。當AI濃縮PRD，將個體洞察轉化為可簡單、高效的復用資產。這種“超人”能力，就超越了當前的工業規范，擁抱的力量驅動AI，釋放創造潛力。

這些實踐都讓我們看到，AI加速最小閉環，形成“高內聚、低耦合”生態。協調成本下降，中層“尷尬癥”凸顯——他們需轉型為“AI賦能者”，否則被邊緣。領導力則獲得了升華，從“分配任務”到“定義邊界與負責”。

放眼全球，類似瓶頸普遍：OpenAI 2025年調研顯示，Fortune 500企業AI利用率平均35%，遠低于技術潛力。原因在于“路徑依賴”與“文化慣性”——發達國家如美歐，易陷“精英保守”；新興市場如中國，則需平衡速度與風險。從制度經濟學（Douglass North）看，這源于“制度粘性”。

也就是舊規范如“隱形契約”，阻礙新范式嵌入。但更深層次的思考，Acemoglu & Robinson的“包容性制度”理論在此適用——AI紅利依賴制度包容性。比如更加包容的國家（如硅谷生態）加速轉型，提取國家（如官僚體系）則放大鎖定。

從列維納斯的“他者倫理”看，全球分化隱含道德危機，AI若僅惠及強勢者，便忽略“他者”臉龐，釀成倫理異化，這也是目前正在發生的情況，AI將加速全球競爭力分化。

而這種分化的加速過程中，必然伴隨新的機遇。AI可作為“變革共識”起點，推動長期滯后的組織優化。麥肯錫預測，到2030年，適應AI的企業增長率將高出3倍。但隱憂是“兩極分化”：小企業敏捷轉型，大企業官僚拖累；發達國放大領先，新興國放大鴻溝。

這可能引發“馬太效應”——AI紅利集中于已強者，加劇全球不平等。從社會資本理論看，這破壞“橋接資本”（跨國網絡），放大地緣斷層。

因此，從政府層面來看，政府應推動“AI組織評估框架”，如歐盟AI法案擴展，評估企業適應度，提供轉型補貼。企業內部，則需“責任文化”重塑，激勵定義“100分”的勇氣，而非固守85分的舒適區。從可持續發展視角，這要求AI轉型融入ESG框架，以確保公平，避免“數字鴻溝”演變為社會斷層。而進一步，從全球治理理論（Keohane的制度主義）看，需國際框架（如聯合國AI公約）協調制度嵌入，防范AI成“地緣武器”。

AI瓶頸已非技術：算力充裕、模型成熟、數據海量。真正桎梏，是組織“勇氣閾值”——敢不敢移除邊界、重新設計分工？AI從0到85分易如反掌，但從85到100，需要人類回答：何為價值？為何值得？誰來負責？

這一命題不止于企業，而是人性鏡像：技術落地難在工具，重塑難在自我。從存在主義哲學（Jean-Paul Sartre的“自由與責任”）看，AI時代迫使我們直面“選擇的焦慮”——拒絕變革，便是自縛于工業遺影。更深層次的思考，則在于尼采的“權力意志”在此回響——AI放大人類意志，但需超越“奴隸道德”（保守規范），擁抱“主人道德”（大膽定義）。

2026年，AI時代已至；但唯有跨越心理壁壘，組織才能從“30%天花板”躍向無限可能。否則，再強的AI，也僅是工業遺物的裝飾。最終，瓶頸在人，而解鎖亦在人——這不僅是管理學命題，更是人類適應力的終極考驗，呼應海德格爾的“此在”（Dasein）：在技術時代，我們必須“向死而生”，主動重塑存在以面對不確定性。從柏拉圖的“洞穴寓言”看，AI如陽光，照亮范式牢籠；但唯有哲人般的勇氣，方能走出陰影，擁抱真實。