为什么编码之外的 AI 采用，远比我们任何人预期的更慢
Sam Altman 上个月上了 David Senra 的播客，头条纷纷写成某种版本的「Altman 承认 AI 比承诺的更慢」。
那并不是他真正说的，而真正的版本更有意思。
他说自己把时间线弄错了，原因很无聊：「经济就是有太多惯性。」人们继续向同一批供应商采购。他们继续以同样方式使用工具。他的类比是：Netflix 上线多年后，仍有不少人开车去 Blockbuster。
然后他说了那句我一直回来想的话。他说这种慢是好事，他对此心存感激。
这对 OpenAI CEO 来说是不寻常的公开表态（尤其当其他 AI 公司声称 AI 进化如此之快，可能在十年内杀死全人类时……）。
我认为 Sam 是对的，但我也认为这个推理值得比耸肩更多的东西，因为我们正在花费的与我们实际得到的之间的缺口，是当下市场最大的开放问题。
经济有两种增长率
从去年秋天传开的那个数字开始。
哈佛经济学家 Jason Furman 对 2025 年上半年做了算术，发现信息处理设备与软件投资——约占 GDP 的 4%——贡献了 GDP 增长的 92%。剥掉这些类别，经济年化增长 0.1%。基本停摆。
公允地说，Furman 谨慎表示这不是反事实（若没有 AI 繁荣，我们大概会有更低利率与更便宜电力，他猜测能收回大约一半）。公平。这仍然令人震惊。
Renaissance Macro 做了相关切片，发现在 2025 年某时点，AI 数据中心建设对 GDP 增长的美元贡献，超过了全部美国消费支出：而消费大约是整个经济的三分之二。
2026 年没有打破这一模式。Q1 实际 GDP 年化增长约 2.1%，按你信任的分项算法，其中一半到四分之三来自计算机、外设与软件。高盛现在预期全球 AI 投资今年突破 1 万亿美元（约 5800 亿在美国，约占 GDP 的 1.8%，明年走向 2.5%），自 2022 年以来累计支出接近 1.8 万亿美元。
好。那是投入。现在去看产出。
BLS 显示非农商业劳动生产率在本轮商业周期年化增长 2.1%。听起来不错，直到你注意到自 1987 年以来的长期速率是……2.1%。2025 全年为 2.1%，低于 2024 年的 3.0%。2026 年 Q1 打印 0.8%。
我们花了大约 1.8 万亿美元，生产率统计却跑在战后平均值上。不是低迷。不是崩溃。只是完全、无聊、历史上正常。
采用数据比任一阵营愿意承认的更乱，而乱才是重点。人口普查局的商业趋势与展望调查覆盖全部美国企业，把 AI 使用放在大约 20%。McKinsey 全新企业调查则有 89% 在至少一个业务职能中使用 AI。两者都真。他们在抽样不同的经济。
McKinsey 自己的数字显示分裂：收入超过 10 亿美元的组织中 54% 在全企业扩展 AI，较小组织约三分之一。大企业中 agent 采用一年内从 27% 跳到 40%，较小公司则死死停在 22%。
即便在企业样本内部，越过「你是否使用」再往下一层，图景迅速收紧。只有 44% 说 AI 正在全企业扩展——其余 56% 仍在实验或试点。在任一业务职能内扩展 agent 的上限是 12%，在 IT。
于是我们有两个同时运行的经济：一个以媲美九十年代末电信建设的规模在建造这东西，另一个慢得多的经济才在真正使用它。
我们在把投入资本化，仍在等待产出。显而易见的问题是什么挡在路上——而一段时间以来，已经不是模型能力。
题外话：为什么编码是容易的那个
在谈失败模式之前，值得精确说明为什么软件工程率先突破，因为标准解释略有偏差。
通常说法是代码是确定性的。更有用的框架是：代码验证便宜。编译器在几秒内告诉你输出是否错，测试在几分钟内告诉你是否以更微妙的方式错，回滚告诉你爆炸半径是一次部署。在软件里检查 AI 的工作几乎零成本，且出错可恢复。
公司里没有任何其他东西像这样运作。
当分析师做出市场规模，或律师助理做出尽职摘要，或运营经理做出预测，验证意味着另一个人仔细读完整份东西。生成变便宜时，这笔成本不会下降。在多数知识工作流里，它从一开始就是两笔成本里更大的那笔。
开发者也恰好是已经生活在工具里的重度用户。其他所有人得到的是一个聊天框和一封全公司邮件。
下面每一个障碍都由此下游而来：没有编译器，没有廉价验证，以及一长串各自需要被说服的人。
可理解性税
人人都说阻塞是信任，人人都对了一半。人类确实比信任模型更信任人类，远超过模型可测地更准确的那个点。但这不是迷信。而是我们围绕人类错误建了一整套制度装置，围绕机器错误则恰好为零。
当分析师在模型里按错一个单元格，组织精确知道该做什么。有名字附着，有失败的审查流程，有负责的经理，有一次尴尬谈话，有修复。错误是可理解的（legible）。
当模型在董事会材料里幻觉出一个数字，没人知道如何推理。那是偶然吗？它是否在其他十一份材料里？谁拥有这个？于是整份输出被打折，通常整个系统一并被打折。
这就是为什么「信任」论证与「要有人可骂」论证其实是同一个论证。企业想要一个可问责的喉咙，不是因为高管报复心重。他们想要它，因为问责是错误变成流程变革的机制。
部署一个无人拥有的系统，你不只是增加了风险，你删除了公司代谢自身错误的能力。
这意味着针对非人类决策者的治理框架，不是拖慢好事的红带。它们是好事的前提。
记住「可理解」这个词。它还会回来。
高产的个人不会造就高产的公司
Hebbia 创始人兼 CEO George Sivulka 今年早些时候写下了这一论证的最佳版本，他的框架一直留在我脑中：AI 让每个个人大约 10 倍高产，却没有一家公司因此变得 10 倍更有价值。
McKinsey 刚给它钉上硬数字。在其 2026 年 8 月调查中：80% 受访者说 AI 提高了自己的生产力。37% 说它贡献了组织的 EBIT——与一年前基本不变。
消化后半句。同一十二个月里，全企业扩展 AI 的组织份额从 38% 到 44%，在三个或更多职能使用的份额从 51% 到 56%，企业财务影响精确地原地不动。更多部署，同样结果。他们的「高绩效者」——将 5% 或更多 EBIT 归因于 AI 的公司——连续两年冻在受访者的 6%。
机制简单且有点残酷。
一个 associate 用二十分钟而不是三小时起草备忘录。很好。备忘录仍要等四天让合伙人阅读、合规放行、以及周四开会的委员会。公司吞吐：不变。
你优化了从来不是约束的步骤。瓶颈只是移到了更不可见之处，现在你有一个非常快的人在等一个非常慢的流程。
获得公司级收益需要重新设计流程。这需要一家有能力购买「它尚未拥有品类」之物的公司。
这就带到一个进行中的例子。
一笔交易，所有问题
我们一家组合公司最近推出一款企业产品，按我们能跑的任何度量，比它替换的工作流好一个数量级。客户喜爱它。试点能落地。而交易仍要六个月，因为买方没人知道如何为它付费。
预算从谁那儿出？不清楚，因为它映射不到已有的科目。
按效果定价没人谈，因为客户一算发现他们会付比现任工具贵 10 倍以上的钱。同一套数学显示创造的价值远超价格，但这没有说服力，因为那个房间里没人按创造的价值被考核。
采购按支出被考核，而这个团队有控制 AI 成本的任务。（他们不是唯一——McKinsey 调查中五分之一组织说 AI 相关运营成本，含 token，已经约束了使用。科技行业是四分之一。）于是采购负责人想要无浮动的固定费用，我们会给他们，大部分上行留在桌上。
然后是泄露整个游戏的部分。
我们会给交易配上前线部署工程师团队，客户会毫不眨眼地为他们慷慨付费。不是因为 FDE 更便宜（他们贵得多得多！）。因为服务是他们已经知道如何采购的形状，而与结果挂钩的科目不是。
这就是咨询公司数十年来吞噬企业预算的原因：会计容易，且没人真正拥有这笔支出（更别说那一行作为「一次性费用」被加回 PF Adjusted EBITDA，却不知为何每年都出现！）。
这又是可理解性税，只是换了身衣服。买方并不怀疑技术。他们无法把它装进过去十年采购软件与配置团队的方式里，他们宁愿放弃上行，也不愿重构那一套。
长话短说：这笔交易并不特殊。我认为它就是 2026 年企业 AI 销售的大多数样子。
没人知道该买什么，也没人帮他们搞清楚
从那笔交易拉远，你得到一般状况。企业买方冻结了，而诚实说，冻结是理性的：
- 鞭打是真的。 每隔几个月落地一个新前沿模型。开源权重追上去年的基准。三家创业公司同一季度推销同一个楔子，其中一家在合同续约前被收购。在这种环境签多年、全组织协议，感觉像发布会前一周买笔记本。
- 市场严重低配实施。 多数 AI 工具做成自助，面向会自己搞明白的技术型用户。但一家 400 人的保险经纪不需要更好的模型。它需要有人与理赔团队坐六周，重建自 2009 年以来结构未变的工作流。那工作不光鲜、高接触，且压不进免费试用——这正是几乎没人做它的原因。
- 做这件事的公司正在赢下它们单靠产品不该赢的单。 Harvey 连续三年被贬为套壳，同时为律所做现场培训工作坊。Cohere 直攻其他人都避开的最乱的受监管买方。Palantir 整家公司建立在「部署即产品」的前提上。这些都不是产品优势。它们是伪装成服务的分发优势。
- 没有人的激励指向上行。 采购按支出考核。合规按敞口考核。跑试点的一线经理按本季度考核，而不是按三年后才回报的工作流。这些人如此行事都没有错——但他们完全理性的激励之和，是一个永远到不了生产的试点、一个没有供应商能满足的评估标准、以及十八个月只铺一个团队的上线。每个卖进企业的 AI 公司都恰好以这种方式丢过单，并在 CRM 里写成产品缺口。
若你在这个市场投资，我会说这是其中定价最错误的东西。
对服务型重公司的反射性贬低是它们无法扩展。但回到那些 FDE。企业很高兴为人类开大支票，拒绝开与结果挂钩的较小支票。当客户的真正问题是工作流再设计而非能力，实施就是产品，也是他们唯一知道如何费用化的东西。
拥有那个的公司最终拥有客户。
明显的反驳，且是真实的：McKinsey 32% 的受访者说其组织决定不购买至少一款软件产品或功能，因为他们能用 agentic 编码工具内建。科技行业 41%，医疗 39%。若买方日益能自己构建软件，某些看起来耐久的供应商位置将会蒸发。
我的解读是：这让论证更强而非更弱——企业无法为自己 vibe-code 的，是某人花六周重建其理赔工作流——但若你按「构建 vs 购买已有定论」来承保企业 SaaS，这个数字应当让你不安。
结论：慢的部分就是工作本身
对这一切不耐烦的解读是：生产率收益不会来了。我认为这恰好说反了。
George Sivulka 的文章以电动机开篇，类比正确。新英格兰纺织厂在 1890 年代用电力替换蒸汽，三十年几乎看不到产出收益，因为工厂仍按中央传动轴布局。技术更好。建筑是错的。收益只有在有人围绕新技术使可能之物重建工厂时才出现。
我们正深深处在「建筑是错的」那一段。
让我有信心这是正确框架而非方便框架的是：McKinsey 去寻找是什么把真正获得 EBIT 影响的 6% 公司与其他人分开，答案不是预算、不是模型选择、不是供应商。近四分之三的高绩效者报告因 AI 从根本上重新设计工作流，高于去年的 55%。其他人中，是四分之一。
这就是被度量的电动机。一小群人重建了工厂。其他人把电机拧上旧传动轴，然后奇怪为什么数字不动。
上面每一个障碍描述的，都是形状为完全不同的投入成本而设计的公司。摩擦不是技术被拒绝。是组织被迫缓慢且昂贵地围绕它重新设计自己。
也值得注意慢的部分在建造什么：自动化决策的问责结构、真正严格的评估、由理解它们的人重新设计而不是由供应商改装的工作流。若 AI 在十八个月内横扫经济，我们不会有这些，而第一次严重的公开失败会让整件事倒退十年。
所以 Sam Altman 感激惯性是对的。我只是比他说得更直白：滞后不是转型上的税，它就是转型本身。
这十年的赢家不会是拥有最好模型的人。他们会是愿意做无聊部分的人——治理、实施、工作流手术、六个月采购拉锯——而其他人坐着等待采用发生在自己身上。
模型已准备好。建筑还没有。去重建一座。
本文由 RecodeX 编译自 The Legibility Tax（作者：Ryan Shannon），首发于 SandHill.io #301 推荐阅读。译文仅供学习交流，观点不代表本站立场，版权归原作者所有。