第 2 章　富足悖论

一、十四个月，两份公告 #

2024 年 2 月 27 日，瑞典金融科技公司 Klarna 发布了一份让整个客服行业股价抖动的通稿：它与 OpenAI 合作的 AI 客服助手上线一个月，处理了 230 万次对话，占全部客服对话的三分之二，"相当于 700 名全职客服的工作量"；问题解决时长从 11 分钟压到 2 分钟以内，重复咨询下降 25%，预计当年增厚利润 4000 万美元。公司随即暂停招聘一年有余，员工总数从约 5000 人降到约 3500 人。如果执行归零需要一张海报，这就是那张海报。

2025 年 5 月 8 日，同一位 CEO 塞巴斯蒂安·西米亚特科夫斯基对彭博社说了另一句话："成本不幸成了我们组织这件事时过于主导的评估因素，结果就是更低的质量。"Klarna 宣布重新招聘真人客服，保证复杂和高风险的场景永远可以找到人。

把这两份公告并排放好，先排除两个偷懒的解读。第一种解读是 AI 不行。这不成立：回撤的时候，AI 仍在承担约 853 名客服当量的工作，比高调期还多；Klarna 撤掉的不是 AI，而是"只看成本"这把尺子。第二种解读是 Klarna 蠢。这更不成立：它是全球把 AI 用得最猛、最快、执行最彻底的公司之一。

真正的解读藏在 CEO 那句话的语法里。他没有说"模型不够好"，他说的是"评估因素"错了。用本书的语言说，这叫判断标准错置。当"成本"成为唯一的排序依据，AI 以无可挑剔的执行力把公司精确地推向了错误的地方。执行力不是问题，从来不是；给执行力指路的那个东西才是。

这就是本章要处理的悖论：执行工具前所未有地富足，组织的产出却没有数量级的变化。工具的富足，暴露了判断的贫瘠。这把剪刀还会在市场侧再开一次刃：产品的富足制造注意力的贫乏，那笔账记在第 8 章。

二、失败的中位数原因：不在技术侧 #

Klarna 不是孤例，它只是最高调的那个。这个现象有总体数据。

兰德公司（RAND Corporation）2024 年发布的研究《AI 项目失败的根本原因》访谈了 65 名有五年以上经验的数据科学家与工程师，报告的表述是："据一些估计，超过 80% 的 AI 项目失败——是不涉及 AI 的 IT 项目失败率的两倍。"（先交代这组数字的成色：这是一项定性研究，80% 在原文里就带着"据一些估计"的限定语。请把它读作"绝大多数失败"，而不是一个精确到个位的统计量；本章的论证也只需要前者。）针对生成式 AI 的更新数据同向：MIT 的 NANDA 项目 2025 年发现，约 95% 的企业 GenAI 试点没有产生可测量的损益表回报。

比失败率更有价值的是失败原因的排序。RAND 归纳了五大根因：一，利益相关方对"要解决什么问题"理解错位、沟通失真；二，组织缺乏训练模型所需的数据积累；三，追逐最新技术本身，而不是解决真问题；四，对支撑项目的基础设施投入不足；五，把 AI 用在超出其当前能力边界的问题上。逐条看过去：第一、三、四条是纯组织问题，第二条一半是组织问题（数据没积累，是因为过去没有人把"留下可用的数据"当标准），只有第五条勉强算技术边界问题。

换句话说，失败的中位数原因是组织性的，不是技术性的。项目还没有输给模型，就先输给了"我们到底在干什么"这个问题上的各说各话。排在第一位的死因，甚至不是"答错了"，而是"没对齐要答什么题"。

请注意这个结论对一号位意味着什么。你的采购部门可以买来和对手完全相同的工具：模型是公开的，API 是公开的，价格在第 1 章里说过，还在坍塌。技术侧已经没有护城河可言，人人都站在同一条起跑线上。可结果的方差却大得惊人：同样的工具，有的公司拿到数量级的改变，大多数公司拿到的是一地鸡毛。方差不在工具里，方差在组织里。这道鸿沟不在技术侧，在组织侧。

三、一具更传统的样本：六千两百万美元买来的审计报告 #

Klarna 至少高调地成功过。更多组织的版本，是钱花完了，故事都没开始。

2012 年，全球顶尖的癌症研究机构、得克萨斯大学 MD 安德森癌症中心与 IBM 签约，用 Watson 打造"肿瘤专家顾问"，教 AI 辅助癌症治疗决策、匹配临床试验。这是那个年代最豪华的"买齐工具"：顶级机构、顶级供应商、顶级咨询（普华永道负责商业计划）。

2017 年 2 月，得州大学系统的审计报告为项目收了尸。数字如下：合同未经竞争性重新招标续签了 12 次；累计支出约 6210 万美元，其中约 3900 万给 IBM、约 2300 万给普华永道；捐赠资金出现 1159 万美元赤字，因为花掉了还没到账的捐款。多笔费用恰好设定在无需董事会审批的金额阈值之下；IT 治理流程被整体绕开。系统从未进入临床使用，从未在院外试点。院长因此辞职。

这具样本身上有两个细节，值得裱起来挂在每个转型项目的会议室里。

第一，审计报告特意声明："本结果不应被解读为对系统科学基础或功能能力的评价。"这句话等于审计员亲自把锅从技术头上摘了下来。他们的意思是：我们审的不是 Watson 行不行，而是你们这个组织怎么花钱、怎么决策、怎么治理。组织性失败，由审计师盖章认证。

第二，压垮项目的最后一根技术稻草：2016 年，医院把电子病历系统从 ClinicStation 换成 Epic，Watson 始终没有学会读新格式。一个花了六千万美元的 AI，死因是它和组织不共享同一套上下文。字面意义上的"上下文不统一"杀死了这个项目。本书第二部会反复讲"统一上下文"这个词，MD 安德森用最贵的方式演示了它的反面。

把两具样本放进同一个显微镜：Klarna 死于判断标准错置（把成本当唯一的评估标准），MD 安德森死于标准与上下文的双重缺失（治理标准被绕开、机器与组织不共享上下文）。两家机构一个激进一个传统、一个金融一个医疗、一个成功过一个从未跑通；但病理切片是同一张。这不是巧合，这是基因病。

四、为什么是"没有数量级变化"，而不是"没有变化" #

在解剖基因之前，先精确一下悖论的形状。买了 AI 工具的公司通常并非毫无收获：一线员工写周报快了、客服回复快了、程序员写样板代码快了，个体层面百分之二三十的提速随处可见。悖论在于，这些局部提速加在一起，公司整体的产出没有数量级的变化。钱花了，提速的体感也有，报表上却找不到。

原因是一条朴素的系统定律：链条的速度由最慢的一环决定，而执行往往早就不是最慢的一环。一家公司的价值产出是一条链：判断要做什么 → 对齐大家的理解 → 执行 → 根据反馈修正。AI 把第三环提速十倍，如果第一、二、四环纹丝不动，整条链的提速会小得令人尴尬，就像把高速公路某一段的限速从 120 提到 1200，全程时间几乎不变，因为你堵在收费站。

更糟的是，局部提效不只是被瓶颈稀释，还会被三种方式吃掉：

• 返工吃掉：方向错的活干得越快，返工越多。以前用两周做一个错误的方案，现在两天做五个错误的方案，纠错的负担反而重了。
• 等待吃掉：执行提速了，决策没提速。产出物在老板的待办清单里排队的时间，取代了过去做这个产出物的时间。瓶颈从"做得慢"迁移到"定得慢"，总时长不变，只是排队地点换了。
• 对齐吃掉：每个人的产出都翻倍，而口径没有统一，需要互相核对、拉会对齐的东西也翻倍。会议不减反增。大家都有这个体感：用了 AI 之后，会议反而更多了。

这三张账单加起来，就是"人人都快了，公司没快"的完整对账单。它也解释了为什么悖论无法靠"再买点工具"解决：工具只作用于执行环，而账单产生在判断、对齐、反馈三个环上。卡住那三个环的，是组织的默认行为。这就要看基因了。

五、旧组织的五个默认基因 #

现在给这个基因病做测序。

先定义术语。本书说的"组织基因"是隐喻，指的是：组织成员在没有人监督时，仍会自动采用的默认判断和默认行为。它不写在制度里，写在肌肉里。新人入职三个月就会被它同化，老板不在场时它照常运转，它才是组织真正的操作系统。

旧组织的默认基因至少有五条。每条基因下面，附一张它被 AI 放大之后的样子。你大概率已经在自己公司里见过其中几张。

认知惰性：优先采用最熟悉、最省思考的解释。销量跌了归因给市场大盘，项目黄了归因给执行不力。第一个想到的解释省力，所以它总是赢。被 AI 放大后：AI 是史上最高效的"证据供应商"，你想论证什么，它就能给你找来什么。过去给一个错误归因找支撑材料要翻两天数据，现在两分钟生成一份图文并茂的分析报告。惰性从"懒得深想"升级成了"深想的样子都有了"，错误的结论第一次穿上了严谨的外衣。

经验权威："我一直这么做"可以替代可验证的标准。资历最深的人自动拥有最终解释权，无论他的经验是否验证过、边界在哪里。被 AI 放大后：权威的经验被喂给 AI，批量生成培训材料、话术库、SOP，错误经验从"口口相传"升级为"系统级部署"。过去一个错误的销售话术靠培训慢慢扩散，一个季度污染一个大区；现在一个 prompt，一夜之间部署到全部客户触点。

信息私有：把上下文留在个人脑中，以信息差维持位置。"这事只有老王知道"不是组织的疏漏，是老王的护城河。被 AI 放大后：过去部门墙里囤的是文档，现在囤的是各自调教的 AI。市场部的 AI 和销售部的 AI 对"我们的核心客户是谁"给出不同答案，每个都自信满满，每个的口径都不一样。信息孤岛升级成了判断孤岛，而且每座孤岛都有了自动化的城防。MD 安德森那台读不懂新病历系统的 Watson，就是这条基因的六千万美元标本。

执行崇拜：用忙碌、速度和工作量代替价值判断。日程满是勋章，加班是忠诚；至于跑的方向对不对，没人问，问就是不敬业。被 AI 放大后：产出数字全面井喷，内容条数、代码行数、方案版本数，仪表盘一片飘红，全员都在"用 AI 提效"。只是没有人能回答：这些产出里，有多少通过了任何一条价值标准的检验？Klarna 就是这条基因的顶配版本：230 万次对话、11 分钟压到 2 分钟，每个执行指标都完美，唯独评估标准本身没人校准。

反馈逃避：把错误归因于人和运气，而不是修正标准。复盘会开成批斗会或者表彰会，唯独不产出一条修订过的标准。被 AI 放大后：这条最隐蔽。AI 让"把事情糊弄过去"的成本也归零了：写一份漂亮的复盘报告、给失败找一个体面的叙事，从没像今天这么容易。错误标准得不到修正，还获得了更精美的包装，于是带着完整的执行力进入下一个循环。

五条基因排在一起，值得多看一眼：它们不是五种互不相干的毛病，而是同一种底层力量在五个方向上的表达：省能。认知惰性省思考，经验权威省验证，信息私有省共享的麻烦，执行崇拜省判断（动手比动脑省电），反馈逃避省直面错误的痛。这不奇怪：大脑约占体重的 2%，却消耗约 20% 的静息能量，进化把"能不动脑就不动脑"写进了人的出厂设置。所以本章的诊断可以再压缩一层：人的本质是惰性的，组织进化的本质，是对抗惰性。但对抗的姿势决定成败。靠道德动员和意志力去对抗出厂设置，赢不了几个回合。能赢的打法只有一种，后面的章节会反复出现它的变体：把正确的路修得比错误的路更省力，让惰性替你干活。标准让"不用重新聪明一遍"成为最省力的选项（第 6 章），共享上下文让"问机器"比"问老王"更快（第 9 章）。人一定会滑向省力的方向，组织进化不是堵住这个滑坡，而是把滑坡的出口修到对的地方。

这五条基因在旧时代是可以带病生存的，因为执行昂贵是一副天然的减震器：错误的判断要经过漫长的执行才能变成后果，中途有的是时间刹车、修正、甩锅、遗忘。

AI 把减震器拆了。AI 不放大效率，AI 放大你组织里已经存在的东西——包括混乱。回到 Klarna：成本导向的评估标准早就存在于大多数客服部门，AI 只是让这个标准第一次以每月 230 万次对话的规模被完美执行。于是一个平时藏在阈值以下的基因缺陷，十四个月内长成了 CEO 必须公开承认的肿瘤。

AI 不会消灭人的惰性，只会让惰性拥有更强的执行力。

六、基因进化：这个词的第一次完整亮相 #

诊断完了，说治疗方案的名字。

构建 AI 原生组织，不是给旧组织安装一套新工具（工具 Klarna 和 MD 安德森都不缺），而是完成一次组织基因进化：把五条旧基因逐一替换为新基因。

经验权威 → 显性标准｜信息私有 → 共享上下文｜认知惰性 → 向外借用｜反馈逃避 → 持续纠偏｜执行崇拜 → 以价值判断

新基因同样要满足"没人监督时自动运转"的定义：遇到没有标准的事，默认动作是停下来找标准，而不是"先干起来再说"；遇到判断分歧，默认动作是回到价值排序，而不是比资历嗓门；犯了错，默认动作是修订标准，而不是寻找责任人。这五条新基因怎么写入组织，是第三部整整四章的内容；这里先立一个判断：AI 原生不是工具升级，是组织默认行为的基因重写。

顺便用这把尺子重新量一次 Klarna：它的病是判断标准错置，但它的纠偏动作值得单独记一笔：十四个月内公开承认、指名病因（评估标准错了）、当即校准（改标准而不是撤工具）。对照一下你见过的多少组织，宁可让错误标准再跑三年，也不肯让一号位说一句"我们的尺子错了"。持续纠偏这条新基因，Klarna 反而是个正面示范。转型路上摔跤不可耻，可耻的是躺着不认。

七、同一个人，两种基因 #

基因的差别有多大，最干净的对照是同一个人在两种组织里的样子。

刘威做过多年在线教育，在高途负责过大规模的业务。2023 年 5 月，他与张怀亭等人联合创立 AI 教育公司"与爱为舞"，一家从第一天起就按 AI 原生逻辑设计的公司：产品、研发、设计、市场运营、销售五个核心岗位全部围绕人机协同重构，跨部门共享数据池。两年多，四轮融资约 1.5 亿美元，估值接近 10 亿美元（创始人对媒体披露的公司口径，非审计数据）。

数字不是这个案例的重点，重点是刘威自己对两段经历的描述。在高途，他"天天琢磨组织建设，天天做培训"，遇到业务问题，思考的是怎么堆人力、拼师资、压方差。在与爱为舞，他"天天打磨产品、讨论技术，怎么用技术和产品把业务问题解了"。他的总结精确得像是为本章写的："原来的在线教育本质上是教育行业，其次才是用了工具；AI 教育本质上是 AI 行业，只是落地在教育领域。"他还有个更狠的比喻：传统在线教育是"农业模式"，有多少人，耕多少田。

同一个人，同样的行业认知，同样的勤奋。变的不是人，是组织的默认基因：一个组织遇到问题默认"加人"，另一个默认"改系统"。前者的规模由人数决定，后者的规模由标准和上下文的质量决定。不是人的差别，是基因的差别。这也顺手回答了很多一号位最爱问的问题："我是不是该换一批人？"答案是大概率不用。换基因比换人便宜，而且换人不换基因，新人三个月后和旧人一模一样。

八、背景板：鸿沟这个词的原产地 #

本章反复在用"鸿沟"这个词。这个词不是我的发明，它有明确的原产地，值得专门交代一次。这既是给概念还债，也是给第 12 章埋一条线。

埃弗雷特·罗杰斯的创新扩散理论把一项新技术的采用者分为五类：创新者（约 2.5%）→ 早期采用者（约 13.5%）→ 早期大众（约 34%）→ 后期大众（约 34%）→ 落后者（约 16%）。杰弗里·摩尔把它用于高科技市场，并指出关键断裂带在早期采用者与早期大众之间，这就是原版的"鸿沟"（the Chasm）。断裂的原因是：早期采用者购买愿景，早期大众购买确定性，这两种共识之间不会自然过渡。（比例是理论近似值，不是每个市场的固定配额；用户分类必须围绕具体创新和场景判断。）

本章的"鸿沟"是这个概念的组织侧版本：从"买了 AI 工具的公司"到"AI 原生公司"之间，隔着的不是预算和技术选型，而是五条基因的替换。工具跨得过采购流程，跨不过组织基因。这就是为什么 80% 的项目掉在沟里。这条采用曲线本身，第 12 章还会以完全出乎意料的方式再用一次：到时候我们会把它倒过来读。

本章的框架图现在可以完整画出了：两家公司，同样的工具箱。A 公司一百支箭射向一百个方向，每支箭都带着 AI 的推力，朝着各自的判断狂奔；B 公司一百支箭射向同一个靶。中间一条裂缝，裂缝下方写着五组基因替换。一百个人拿着一百倍的执行力，朝一百个方向狂奔，这不叫转型，叫加速解体。

九、论断边界 #

每个论断都应该说清自己不包含什么，这个论断尤其需要，因为它太顺口，顺口的论断最容易被用过头。

第一，本章不是反工具论。"鸿沟在组织侧"不意味着工具选型不重要，也不意味着可以拿最差的模型凑合。工具决定你的天花板，组织决定你能摸到天花板的百分之几。本章只是指出：当下绝大多数组织的瓶颈是后者。如果有人拿这一章论证"先不买工具"，他读反了。

第二，不要把 80% 读成精确刻度。RAND 的数字带着"据一些估计"的限定语，MIT 的 95% 统计的是"未产生可测量的损益表回报"而非"血本无归"。本章的论断只依赖一个弱得多、也硬得多的事实：失败是大多数，且失败原因的第一位是组织性的。数字可以争论，排序很难推翻。

第三，基因可以换，这正是本书存在的理由。"基因"这个隐喻有个危险的副作用：听起来像宿命。生物基因你没得选，组织基因是人定的默认值，默认值可以重设。Klarna 十四个月完成一次公开纠偏，传神这家二十年的老公司给自己装上 CAIO 和能量金机制（第 9 章细讲），都是活的反例。如果基因不可改，这本书到这一页就该结束了；正因为可改，还有十一章。

第四，五条基因不是道德指控。认知惰性是人脑的节能机制，信息私有是个体理性的选择，执行崇拜在执行昂贵的年代确实是美德。它们不是恶，而是过时，是为旧成本结构优化出的最优解，只是那个成本结构在第 1 章里已经死了。转型动员时骂人是没用的，换掉让这些行为成为"个体最优"的环境设定才有用。

周一早上怎么做（一号位视角） #

做一次同题测试，四十分钟，不用请咨询公司：

1. 抽样：选三个正在用 AI 的团队，别提前打招呼。
2. 同题：分别问同一个问题："你们用 AI 产出的东西，什么样算合格？"
3. 判卷：拿到三份答案，对照：如果三个团队给出三套标准（或者答不上来），你已经站在鸿沟边上，工具在放大三套互相矛盾的判断。
4. 验尺：再问每个团队第二个问题："这个合格标准，是谁定的、上次修订是什么时候？"答案如果是"一直这样"或"各自把握"，恭喜你完成了本公司的基因测序，经验权威和信息私有都取到样了。

测试结果不用于问责（那是反馈逃避的旧反射），而用于回答一个问题：我们该先补的是工具，还是标准？附注（个人与团队视角）：把同样两问问自己的团队，答不上来的人不是不合格，而是组织还没给他可执行的标准，这笔账记在系统上，不记在人头上。