如果人工智能不是一个杠杆而是一种负担，会怎样？关于所谓 AI 生产率悖论的最新研究指向一个简单且令人不适的法则：收益归于精简的公司；其余公司增加复杂性却称之为进步。这解释了为什么那么多公司声称陷入停滞。调查显示大多数组织无法衡量回报，员工报告工作量加重，然而预算却持续扩大。这不是一个技术故事，而是组织物理学的故事。
新的分析落在历史和排队论所预言的地方。吸引 AI 人才的公司只有在决策链短且交接少的情况下才会获胜。精简公司从同一模型中获得更多收益，因为它们的内部阻力更小。臃肿的公司引入 AI 后把它埋在治理、权限和“对齐”会议之下。信号与噪音比崩溃。这就是为何 95% 的组织在花费和试点之后仍然没有可衡量的 ROI。这个教训很古老。软件领域的布鲁克斯法则说：往一个已经延期的项目里加人只会让它更晚。AI 只是换了个外衣，情况相同。你增加的层级越多，花在协调而非执行的时间越多。正确的规模不是更大，而是更清晰。
市场的心理模型把 AI 当作 CPU 升级。但大多数企业系统受限于“内存”：它们在访问上阻塞，而不是在算术上。数据孤岛、激励错位和脆弱的流程存在。引入 AI 会放大这些约束。想象一条生产线末端有更快的机器，但开头有堵塞。吞吐量不会改善。排队论会预测这一点。瓶颈主导性能。在实践中，每一次把 AI 交给法律、风险和 IT 的交接都会增加延迟。每一次交接都是潜在的失效点。与此同时，员工报告生成式工具实际上拖慢了他们。他们花更多时间审查输出、格式化并应对新的工作流。工作量转移并扩大。你不会获得免费的产能，得到的是上下文切换。AI 提供并行化，官僚体制施加争用。在系统重新设计前，争用会获胜。
如果三分之二的公司在“加速能力”，但一半把 AI 技能塞进现有岗位，信息就是小心伪装成自信。预算追随叙事。编制避免问责。这就是古德哈特法则在起作用：一旦 AI 采用成为目标，指标就失去意义。高管向董事会展示概念验证。经理们保护遗留流程。员工用机器生成文本填充产出以显得忙碌。组织为表象优化。投资者将戏剧误读为实 traction。回报分布不是正态的，而是幂律的。少数公司会显示真正的收益；大多数会漂移。这是在军备竞赛遇到委托-代理问题时的常态。在博弈论里，这是协调失败。每方做出局部理性的选择，而系统结果却很糟。解决办法不是更多 AI，而是更清晰的激励、更少的层级和更少可被操纵的目标。
一些领导者认为回报不是生产率而是增长。从某种意义上他们可能是对的。人口结构是阻力。劳动力中关键年龄段的缩减迫使公司在别处寻找杠杆。AI 能压缩入职时间、标准化最佳实践、并扩大能做专业工作的人群。这是一个增长故事。但这里有数学。没有生产率的增长只是更多的吞吐，伴随更多成本和更多风险。如果 AI 帮你扩展一个有缺陷的流程，你就是在放大错误率和攻击面。正确的问题不是 AI 是否会推动需求，而是扣除监管摩擦、监督、返工、安全、模型漂移等成本后，AI 是否会改善单位经济学。如果答案不明确，那你不在生产率循环中，而是在一个带更好新闻稿的成本加成循环里。
每一次 AI 部署都会创造新的单点故障。数据管道成为承重梁。一次幻觉事件不再是好奇心而是运营风险。攻击者会瞄准提示、训练数据和输出通道。监管者会比工程师动作慢，然后突然集中行动。公司把网络安全、稀缺人才和合规列为障碍。这些不是障碍，而是系统在提醒你其真实的限制。复杂系统在不透明处失效。AI 增加了不透明性。解决办法不是写更多政策，而是缩小爆炸半径。使用与较小、受良好治理的数据集绑定的更小模型。在后果严重处保留人类介入。设置断路器。建立审计链。做事后复盘。对工作流做红队，不仅仅是对模型。逆向从失效模式构建。塞涅卡写道：增长缓慢，但灭亡迅速。AI 加速了这两条路径。选择你有能力生存的那条。
上一次生产率悖论持续了几十年。IT 支出上升，但产出未增。只有在公司围绕新能力重建流程后才出现收益。买服务器并不足够，工作必须改变。今天 AI 的基准率类似。早期采用者谈论提升，调查显示大多数找不到提升，员工说他们的工作日更长。噪音容易解释：叙事股推动期望上升，期权式回报吸引资本。但在成本结构改变之前，中位数结果会令人失望。投资者应以基准率为锚，而不是演示。预期在那些重接线组织结构并去掉整段流程步骤的公司出现跳跃式、阶梯式回报，而不是在那些把模型附在一旁的公司。美容式采用会失败。幂律意味着少数名字会承载指数。不要假装这意味着平均公司变得更高效。事实并非如此。
反脆弱不是热爱压力，而是设计出能从压力中获益的系统。实用的操作手册是减法。在添加算法之前先删除步骤。标准化数据定义。消除队列。减少交接。把决策推向边缘，并设定清晰的防护栏。然后在特定瓶颈处插入狭窄工具，并衡量吞吐量，而不是演示文稿。用周期时间和错误率来激励团队，而不是提示次数或许可证座位数。让使用从经验证的胜利中自然出现，而不是强制下达。构建可逆性。如果模型退化，流程应优雅退化而非崩溃。少花在招摇的模型上，多花在集成、数据质量和运行时间上。这很无聊，但回报就在这里。奥卡姆剃刀战胜炒作周期。
市场在错误的一边拥挤。它为算力和头条定价，却低估了时间、复杂性和流程债务。关注那些在 AI 采用同时披露运营指标改善的公司，比如交付周期、返工率和一次通过率。寻找因为上游质量改善而在控制职能上裁员的迹象。寻找审批减少，而不是更多卓越中心。对拥有许多 AI 试点但很少废弃流程的公司保持警惕。AI 人才的存在并不是优势，协调税的缺乏才是。精简组织能收集收益，因为它们需要“去学”的东西更少。官僚主义是波动性的放大器。除非领导层先把层级砍到底，否则 AI 会滋养它。
悖论在反问时清晰解决。别问 AI 如何让你当前的系统更快，而是问你的系统是否足够简单以致速度能带来帮助。如果答案是否定的，模型就不是瓶颈，预期回报近似于零。这不是悲观，而是基准率的现实。现在面对这一点的公司将来会收获复利，其余的将继续在堵塞的生产线上添加工具，纳闷为何队列永远不清。
