AI 生产力为何失败

如今，大多数 AI 用户的生产力提升约为 10–20%，无论他们声称其多么“颠覆性改变”，或输出了多少行代码。然而，我仍然认为 2 倍甚至 10 倍以上的提升既是真实存在的，也是合理可期的。真正的变革需要同时实现两项改变：个人实践和组织重构。最终产出是 10 倍的杠杆效应还是 10 倍的垃圾，取决于实践方式及其所处的组织环境。

2026 年至今，我看到产出呈指数级增长，但实际影响力却只是线性增长。本文探讨了我在“调试”这一问题时发现的部分问题。

个人层面的陷阱

你没有左移，因此你不了解自己交付了什么。

AI 消除了过去迫使人们进行规划的阻力。由于没有东西来制衡糟糕的抽象，前期思考就被悄然跳过。你交付了自己无法调试或扩展的系统，其中充满了 AI 悄悄填补的空白。先列大纲：标题、结构、受众、计划、原则、完成的定义，然后让 AI 填充内容。审查要上移到更高层面：审查结果与计划的对比，而非逐行审查。质询应内嵌于规划之中：在让任何东西基于计划生成之前，先派出子代理批评者对计划进行红队测试。最后轻松的审查之所以轻松，是因为开始时严格的审查做得好。如果你觉得审查自己 AI 生成的产出很费力，说明你没有左移。

小任务用 AI 反而更慢，而不是更快。

上下文开销不会随任务规模缩小，而小任务大多是边缘情况。AI 能很好地处理中间 80% 的工作，但在开头和结尾的 10% 上可能很脆弱：设置、边缘情况、最后一公里的审查。使用 AI 时，一个两行的修复往往要付出与完整功能相同的设置成本。因此你花在向代理简报上的时间比直接编写还多。即便如此，它仍缺乏上下文，交付了有细微错误的东西，你得重做。要提升任务的雄心，直到上下文成本变得合理。经验法则：如果它小于一个有意义的工作单元（一个 PR、一个章节、一张图表、一场活动），那它可能太小了。用 AI 从“小”开始，可能正是你无法迈向更大 AI 驱动成果飞跃的原因。

你的并行度太低无关紧要，或太高难以管理。

AI 扩展的是生成能力，而非你受限于人类的工作记忆。并行代理的上限取决于一个人在不丢失上下文或理解的情况下能同时维持多少条线程，而这个数字很小。你要么单线程运行，一边喝咖啡一边看它写代码，要么超出负荷并放弃五条线程。在你的认知窗口内保持大约三个或更少的活跃代理，或者闭环（下一节）并完全退出。如果你一次只运行一个会话，你可能委派得不够。如果你在管理几十个会话时感到吃力，不妨考虑你是否真的需要“管理”它们，会话是否应该迈出更大的步伐（更少的代理做更多的工作），或者在你投入正确的技能和上下文之前，有意保持线性。

本可以闭环的地方，你却留在了回路中。

最后 1% 的收尾靠的是验证基础设施，以及一个定义得极其清晰的“完成”标准：这与生成是不同的学科，所以人们会跳过它，而是在现有的交接流程之上叠加 AI。你成了那个截图的人，成了等待你点击或上传以进行验证的智能体。把闭环端到端打通：测试、查询、沙箱、浏览器工具、类型检查、真实的 API 响应。任何能让智能体看到自己的输出并在没有你的情况下迭代的东西。在自动化周边流程之前，先删掉它。闭环是让你突破约 3 个智能体上限的方式：工作在你的认知窗口之下运行，因为它不需要进入那个窗口。信不信由你，只要预定义的上下文得当，AI 也能很好地处理“模糊”的验证，包括“这从长期系统架构角度真的合理吗”以及“这是不是产品该加的正确功能”这类问题——我常听到有人天真地声称这些只有人类在环中才能做。

你并没有从使用 AI 中建立起杠杆。

我们的聊天界面通常把每次会话都当作一次性的。品味是一种可复用的资产，但界面没有给你存放它的地方。于是编码从未开始，或者你矫枉过正，为每个任务写一个技能，最后得到一个别人谁也用不了的一次性文件目录。为任务的类别构建技能，而不是为单个实例。有些是规范（如何做某件事）；另一些是原则（如何思考某一类事物）。持久的资产是技能（通常就是某个 markdown 文件），而不是提示词。识别信号很具体：每当你发现自己在编辑或“逼迫”输出以获得更好的答案时，那就是一条你可以一次性固化下来、从此不再逼迫的规则。甚至可以考虑元技能，定期接收反馈（来自你或流程中的各个用户），并根据积累的学习做出正确的技能或上下文修改。拒绝手动编辑 AI 的输出（即直接在上面打字），或以不为下次学习提供反馈的方式编辑。告诉它为什么它很蠢，你是怎么想的，并确保下次能记住。

你唯一在提升的技能是向 Claude 提问。

技能来自认知上的挣扎，而 AI 在你还没想完之前就替你完成了思考，从而消除了这种挣扎。学习闭环从未闭合——你无法判断模型何时出错，你离不开它，领域技能悄然萎缩。你通过阻力成长：编辑、质询、覆盖。引导期要使用 AI 处理你是领域所有者的任务，这样摩擦是真实的，你推回去的纠正是正确的。初级员工受创最重：他们在建立起评估输出的能力之前就把认知卸载了。能够评估的人（有品味的人、领域所有者）才应该是编码技能和质量标准的人，即使传统上超级资深 IC 和管理者过去不碰代码库。没有任何任务应该对 AI 系统来说永远太难，随着它学习，人类的努力会上移到为 AI 构建的系统进行架构设计：一个 AI 确实更差、摩擦存在的地方。AI 也会在那方面变好，所以你只需不断上移到越来越难的元派生技能构建。

感谢阅读 Shrivu 的 Substack！免费订阅以接收新文章并支持我的工作。

组织层面的陷阱

上面的个人陷阱和下面的组织陷阱是同一问题的两个尺度。AI优化了个人角色，却让约束这些角色的流程原封不动。个人实践是你压缩步骤的地方；组织设计是你压缩交接的地方。只有当存在足够大的共同雄心同时做到这两点时，收益才会显现。

推广使用量而非成果。

使用量容易衡量；影响力却很难。管理者和领导层往往承受着文化压力，更看重可见的使用而非不可见的价值。Token数进了绩效考核，于是下个周期里Claude循环被留着跑来刷数。团队发布新的AI形态系统，而不是修复现有的、真正重要的系统。奖励发布了什么，而不是被用了什么。把使用量作为赋能与阻力的先行指标来追踪（即该把培训和工具投入放在哪里，尤其是在推广早期），但绝不要把它当作长期目标。关键在于——这也是我见过最多困惑的地方——没有可持续AI杠杆的纯短期影响力，（往往）并不能最大化长期业务目标。要按成果留下的可复用杠杆来加权：闭环、AI友好的架构系统、成文的技能、共享的上下文，这些让下一次发布比这一次便宜指数级。

在自建、采购和供应商之间的工具泛滥。

构建成本过去是事实上的策展人。只有值得的工具才会被构建。AI移除了这个过滤器却没有取而代之，人们不断发布，而并非人人都有正确的品味过滤。发现一个新工具比再构建一个工具还难，上下文在团队和角色之间被不一致地复制。顶层的架构负责人应对你自建的、你采购的、以及你标准化采用的供应商之间的分类体系负责。底层的试点——小范围、有界定、不提前大肆宣传——是新工具赢得毕业资格的方式，同时要有遥测数据和明确的退役标准，以便淘汰废弃工具。尽可能整合工具，并强制使用一个维护良好的共享上下文层供其拉取。

低品味的技能和上下文大量繁殖。

过去，创作需要具备所创作内容的专业知识。AI打破了这种耦合，于是产出不再代表权威。你得到了十种可调用的方式去做任何一件事，知识在wiki和CLAUDE.mds之间碎片化，个人技能在没有质量标准的情况下渗入共享技能。顶层的架构师或领域专家应决定核心技能集，并将所有权分配给那些会去构建它的、有品味的人。如果那些知道什么是好的人不写这些技能，这些技能默认就是平庸的。个人与共享上下文是明确的划分：个人技能可以松散，共享技能是操作实践，必须像操作实践那样构建，要有评审和真正的质量标准。

AI产出的发布速度超过任何人能吸收或拥有的速度。

生成速度超过审核速度，AI 不会逐步披露信息，而当“提示词”代笔时，作者身份也变得模糊。冗长的文档无人阅读，评审者跟不上节奏的 PR 层出不穷，垃圾内容不断上线，因为没人想牺牲“生产力”。即使产出由 AI 生成，也要让人为最终产物负责；当输出沦为垃圾时，用严厉而具体的反馈建立敢于反驳的文化。使用 AI，同时要假定最终所有内容都将由 AI 生成。尽管如此，你必须对自己交付的东西足够了解，以便在质询时为其辩护。评审者应拒绝成为最终的调试者。交付 AI 产出的人需要自身具备领域所有权，持续依赖由领域所有者构建和维护的技能。

交接吞噬了收益。

大多数组织按职能划分，因此完成任何事情都意味着交接。编码一直只占周期的约 20%1，其余 80%（审批、评审、同步会议）是其余部分。AI（如果你用得正确）把这 20% 压缩到接近零，使 80% 成为整个瓶颈。一个 5 分钟的修复在评审中搁置 3 天；同步会议纷纷涌现，只为解锁 AI 已经完成的工作。应以循环所有权取代职能所有权：由一个人从问题到部署闭环负责，并配备适当的护栏，使其在不牺牲职能级品味的前提下推进。专家转向平台——将他们的品味编码进循环所有者智能体所使用的系统、提示词和上下文中。仅靠自下而上的速度在这里会撞墙；组织必须围绕循环重新定向，以吸收这种加速。我称之为对你的组织进行转调。

缺乏清晰度的自上而下。

指令传递的是行为，而非品味或判断力。如果顶层缺乏真实依据，每一层在向下传递时都会剥离意图。工程师被推去审核 AI 垃圾内容，而不是被提升为其架构师——工作变成了下游清理，而非上游设计，替代恐惧在底层滋生。指令仍然是强大的杠杆。通常缺失的是清晰度：明确的期望、更新的角色定义，以及 AI 采用为何重要且紧迫的原因。要有意识地判断何时自上而下是正确的杠杆，何时自下而上才是。不要扼杀构建的乐趣。人们喜欢构建东西，你希望人们喜欢他们所做之事——自上而下的职责是确保他们构建的是有用的东西。

缺乏期望设定的自下而上。

自下而上的能量需要一个目标来复利增长。如果没有对回报的共同定义，每个团队都在局部优化，收益永远无法汇聚。使用量看起来很棒，而 token 支出却与业务成果脱钩，蔓延也无人遏制。让 ROI 可读：每个团队都要阐述其 AI 投资的回报，哪怕很粗糙。将有效行为——闭环、编码化的技能、与成果对齐的支出——纳入职业发展路径，使正确的行为在结构上（而不仅仅是文化上）获得奖励。

所以……

2 倍版本的你并不只是一个 token 之遥。AI 放大你已经做得好的事情，以及你的组织已经赋能的一切。如果你的实践松散，AI 会放大这种松散。如果你的组织靠交接运转，AI 会加速交接的频率。两者必须同时改变，否则任何改变都无关紧要。

此时这 10–20% 是免费的。超出的部分就是重建：一边是个人实践，另一边是组织设计。我认为大多数人还剩下相当多令人不安的自我重构工作要做。

感谢阅读 Shrivu 的 Substack！免费订阅即可接收新文章并支持我的工作。

1

这是 Claude 提出的一个虚构的稻草人数字。你可以为任何你关心的 AI 增强任务随意选择 x% 和 1-x%。