随着生成式 AI 普及，许多员工通过 AI 工具大幅提升个人生产力，然而企业整体价值与产出却未同步成长。AI 数据分析公司 Hebbia 创始人 George Sivulka 近日发表长文《高产出的个人并不代表能成就高产出的公司》指出，问题不在于技术，而在于企业组织未随 AI 重新设计。他对此提出「组织级人工智能 (Institutional AI)」概念，认为未来企业竞争力将取决于能否将 AI 深度嵌入流程、决策与治理架构，而不仅仅是作为个人效率工具。
AI 生产力悖论：个人效率提升，企业价值却未同步成长
近年来生成式 AI 快速普及，工具如 ChatGPT 与 Claude 已被大量企业员工用于写作、程序开发与数据分析等任务。从媒体到创作者都强调，AI 能让个人工作效率提升数倍甚至十倍。
然而 Sivulka 指出，企业整体产出与价值并未因此出现同等幅度的提升：「换句话说，AI 所带来的生产力红利，并没有在组织层面真正转化为商业价值。」
他认为原因在于，目前多数企业只是让员工各自使用 AI 工具，但组织架构、流程与决策机制并未随之改变，因此「高效率的个人，并不等于高效率的企业」。
(AI 辅助写程序酿祸？亚马逊一周四起系统故障，高层紧急召开检讨会)
从电气化工厂历史看 AI 时代的组织转型
Sivulka 在文章中引用 19 世纪末工业革命的案例作为类比。当电力开始取代蒸汽机时，许多纺织工厂仅将蒸汽动力改为电动马达，但工厂结构与生产流程仍维持原有设计。结果是在接近 30 年的时间里，工厂产能几乎没有显著提升。
直到 1920 年代，工厂全面重新设计生产系统，例如引入流水线、为每台设备配置独立马达并重新规划工作流程后，电力才真正带来巨大的生产力增长。
Sivulka 认为，当前 AI 发展正处于类似阶段：企业只是「换上新的马达」，却尚未「重新设计整个工厂」。
从「个人 AI」走向「组织 AI」：如何让效率最大化？
他对此当前的 AI 模型与应用称作「个人 AI (Individual AI)」，并由此提出「组织 AI (Institutional AI)」的概念，并说明两者差别。
个人 AI：提升个人效率的工具
Sivulka 表示，目前多数 AI 应用属于「个人 AI (Individual AI)」，也就是仅限于个人层级的生产力工具。例如员工使用 AI 撰写报告、整理资料或产出简报：
这种工具确实能提升个人效率，但往往缺乏统一流程与协作机制，导致 AI 产出的内容彼此无法整合，甚至增加组织内部的混乱与信息噪音。
组织 AI：嵌入组织流程的智慧系统
他对此提出另一种形式「组织 AI (Institutional AI)」。这类 AI 不只是单一工具，而能深度嵌入企业的决策、流程与治理架构中，协助企业在组织层面产生实际价值。
在此架构下，AI 可能扮演多种角色，例如分析风险、协调不同部门信息、或主动发现新的商业机会。
「组织智慧」的七大支柱：企业 AI 的真正蓝图
Sivulka 进一步提出「组织智慧 (Institutional Intelligence)」的七个核心要素，认为这些能力将构成未来企业 AI 系统的核心。
协调：避免 AI 造成组织混乱
首先，若每位员工各自使用 AI 工具，产出的内容与流程可能彼此冲突。组织级 AI 的任务之一，是建立协作与管理机制，使人类与 AI 代理 (AI Agents) 能在明确分工下协同运作。
个人 AI 造成组织混乱，组织级 AI 则能统一工作流程并协助任务分配。讯号：在 AI 垃圾中找出价值
生成式 AI 让内容产生的成本大幅降低，也导致大量品质参差不齐的资讯。组织级 AI 的重要功能之一，是在海量资料与 AI 生成内容中辨识并筛选出真正具有价值的「讯号」。
个人 AI 无法筛选资讯，组织级 AI 则能找出讯号。客观：避免 AI 强化使用者偏见
Sivulka 指出，目前许多 AI 模型倾向迎合使用者意见，可能加剧组织内部的认知偏差。未来企业 AI 系统需要扮演更客观、更接近审计或监督定位的角色，对决策提出质疑并指出潜在风险。
个人 AI 会强化「回音室效应 (Echo chambers diverge)」与偏见 (Bias)，组织级 AI 则能聚焦在真相。竞争优势：结合通用模型与垂直应用
他援引创新者两难的概念指出，现今的通用大型模型仅提供基础能力，但尚未普及的垂直应用往往存在巨大的边际效益。例如图像生成平台 Midjourney 或语音 AI 公司 ElevenLabs，都通过专注特定领域建立技术护城河。
他认为，对于企业而言，通用 AI 加上组织级专业 AI，才是真正能建立企业竞争优势的关键方法。
成果导向：从节省成本转向创造收入
Sivulka 强调，目前许多 AI 产品主打「节省时间或人力成本」，但企业真正关心的是「能否增加收入」，因此未来 AI 系统的价值应体现在发现新商机或提升营收能力：
真正有护城河的组织级 AI，必须能直接带动收入。例如从数千个潜在对象中识别出唯一值得参与的并购标的，而不只是让分析师把财务模型做得更快。
导入能力：AI 整合进入企业流程
AI 的实际落地往往需要重新设计企业流程与管理制度。Sivulka 指出，像 Palantir (PLTR) 这类公司之所以受到市场关注，部分原因在于其能协助企业将 AI 系统与既有业务流程整合，并推动内部变革管理。
主动行动：不再依赖人类提示
目前多数 AI 系统需要人类输入指令才能运作。但 Sivulka 认为，未来更重要的能力是 AI 能主动监控数据、侦测异常并预先示警。例如在基金经理尚未打开财报之前，就已发现某家被投资公司的营运资金恶化趋势，并对照贷款协议中的财务条款，自动发出风险预警。
AI 时代的企业竞争：谁能率先「重建工厂」成关键
文末，Sivulka 强调，个人 AI 工具仍将是企业接触 AI 的主要入口，但真正能拉开差距并创造竞争优势将需要整合组织级 AI 系统。他认为，未来企业很可能同时使用通用 AI 助手与专门设计的组织 AI 系统。前者提升员工效率，后者则负责整合信息、推动决策并创造商业价值。
他最后以工业革命历史作结，强调企业们在这个 AI 时代，也同样面临如何重新打造组织运作的挑战：
那些最早导入电气化设备的工厂，最终输给了重新设计生产线的工厂。我们已经有了电力，现在是时候重建工厂了。
这篇文章 AI 提高员工 10 倍产能并不等于提高公司 10 倍价值：生产力到哪里去了？ 最早出现在 链新闻 ABMedia。
