如果 AI 不是槓桿而是負擔會怎樣？關於所謂 AI 生產力悖論的最新研究指向一條簡單且令人不舒服的規則：收益歸於精簡的公司；其餘的增加複雜性，並稱之為進步。這也解釋了為何如此多公司說它們陷入僵局。調查顯示多數組織無法衡量回報，員工回報工作量變重，然而預算卻持續擴張。這不是一個技術故事。這是一個組織物理學的故事。
新的分析落在歷史和排隊理論所預測的地方。吸引 AI 人才的公司只有在決策鏈短且交接少時才會獲勝。精簡的公司從相同模型獲得更多，因為它們內部阻力較小。臃腫的公司引入 AI，然後把它埋在治理、權限和「對齊」會議下。信號與噪音比率崩潰。這就是為何 95% 的組織在有支出與試點的情況下仍無法測得可衡量的投資報酬率。這個教訓很古老。軟體領域的 Brooks 定律說在一個已經延遲的專案上增加人手會使其更遲。AI 在另一種服裝下也是如此。你加的層次越多，你花在協調而不是執行的時間就越多。正確的規模不是更大，而是更乾淨。
市場的心理模型把 AI 當成 CPU 升級。但多數企業系統是記憶體受限：它們在存取時停滯，而不是在算術運算上。資料孤島、激勵錯配和流程脆弱。引入 AI 會放大那些限制。想像一間工廠在生產線末端有台更快的機器，但開端卡住了。吞吐量不會改善。排隊理論預測到這點。瓶頸主導效能。實務上，每一次向 legal、risk 與 IT 的 AI 交接都增加延遲。每一次交接都是故障點。與此同時，員工報告生成式工具實際上讓他們變慢。他們花更多時間審查輸出、格式化以及導航新工作流程。工作負荷轉移並擴大。你得不到免費產能，你得到的是情境切換。AI 提供平行化。官僚體制強加爭用。在系統重新設計之前，爭用會獲勝。
如果三分之二的公司在「加速能力」，但一半將 AI 技能塞入既有職務，訊息就是把謹慎包裝成信心。預算追逐敘事。人力避免問責。這就是 Goodhart 定律的作用：一旦 AI 採用成為目標，指標就失去意義。高階主管向董事會展示概念驗證。經理保護既有流程。員工用機器產生的文字填充輸出以顯得忙碌。組織優化的是外觀。投資者將這場戲劇誤讀為牽引力。回報分配不是常態，而是冪次分配。少數公司會顯示真正的收益；多數會漂流。這就是當軍備競賽遇到委託—代理問題時的結果。在博弈論中，這是協調失靈。各方做出局部理性的事，而系統結果卻很糟。解方不是更多 AI，而是更清晰的激勵、較少層級以及較少可被操作的目標。
有些領導者主張回報不是生產力而是成長。從某種意義上他們可能是對的。人口結構是一股逆風。縮減的適齡勞動力迫使公司在其他地方尋找槓桿。AI 可以壓縮訓練、標準化最佳實務，並擴大可執行專業工作的範圍。那是成長故事。但這裡有數學。沒有生產力的成長僅僅是更高的吞吐量伴隨更多成本與風險。如果 AI 幫你放大一個壞掉的流程，你就放大錯誤率與攻擊面。正確的問題不是 AI 是否會推動需求，而是 AI 是否會在你把監督、返工、資安、模型漂移與法規摩擦計入後改善單位經濟。如果答案不明確，你不在生產力循環中。你在一個帶有更好新聞稿的成本加成循環中。
每次 AI 部署都創造新的單點故障。資料管線成為承重樑。一次幻覺事件成為營運風險，而非好奇心。攻擊者會鎖定 prompts、訓練資料與輸出通道。監管者會比工程師慢行動，但會在某一刻一齊行動。公司將網路安全、稀缺人才與合規列為障礙。那些不是障礙。它們是系統在提醒你真實的限制。複雜系統在不透明處失敗。AI 增加不透明性。解方不是寫更多政策，而是減少爆炸半徑。較小的模型連結到較小且治理良好的資料集。當後果真實時採用 human‑in‑the‑loop。設置緊急停機。建立稽核追蹤。做事後檢討。對工作流程做紅隊測試，而不僅是對模型。從故障模式反向構建。塞內卡曾寫道，成長緩慢，但毀滅迅速。AI 加速了這兩條路。選擇一條你的組織設計能夠存活的路。
上一次的生產力悖論持續了數十年。IT 支出上升，產出未上。只有當公司圍繞新能力重建流程時才出現收益。買伺服器不夠，工作必須改變。今天 AI 的基準率類似。早期採用者談論提升。調查顯示大多數找不到它。員工說他們的工作日變長。這些噪音容易解釋：敘事股推高期望，類期權式的回報吸引資本。但在成本結構改變之前，中位數結果會令人失望。投資者應該以基準率為錨，而非示範。期待在那些重接組織架構並刪除整步流程的公司看到不連續、階梯式的回報，而不是在那些把模型釘在一旁的公司。當採用僅是表面功夫時，預期失敗。冪次法則意味著少數幾家會拉動指數。不要假裝那意味著平均公司變得更有生產力。事實並非如此。
抗脆弱不是愛上壓力，而是設計能從壓力中獲益的系統。實務操作手冊是減法式的。在加入演算法前先刪除步驟。標準化資料定義。消滅佇列。減少交接。用明確的護欄把決策推到邊緣。然後在具體瓶頸處插入狹窄工具並衡量吞吐量，而不是投影片。用週期時間與錯誤率激勵團隊，而不是 prompt 數或授權席位。讓使用從被證明的勝利中自然產生，而非由命令強制。為可逆性而建。若模型退化，流程應優雅退化，而不是崩壞。在頭條模型上花少一些，更多投入整合、資料品質與可用性。這很無聊，但回報在此。奧卡姆剃刀勝過炒作周期。
市場在錯誤的一邊擁擠。它給 compute 與頭條定價。它低估時間、複雜性與流程債務。注意那些揭露營運指標如交付前置時間、返工與首輪良率在 AI 採用同時改善的公司。注意因上游品質改善而控制職能人數縮減的情況。注意批准數量變少，而不是卓越中心更多的公司。對於有許多 AI 試點卻很少退休流程的公司要保持警惕。AI 人才的存在不是優勢。協調成本的不存在才是。精簡組織收割回報，因為它們要忘掉的東西較少。官僚主義是波動性放大器。除非領導先大刀闊斧清理，AI 否則會助長它。
悖論在反問時清楚解決。不要問 AI 如何讓你現有系統更快。問你的系統是否夠簡單，以致於速度會有用。如果答案是否定的，模型不是瓶頸，預期回報約為零。這不是悲觀，而是基準率的現實主義。現在面對這點的公司將來會收穫複利。其餘的會不斷在被卡住的生產線上添加工具，然後想不通為何佇列永遠清不掉。
