事件
一家知名科技公司的主管觀察到詭異現象:幾乎全體工程師都用 Claude Code 提升寫程式效率,個人生產力清晰可測——更多程式碼、更快完成任務、更高提交頻率。但企業層級卻沒看到等比例的投資報酬率(ROI)增長。一千個人效率 2 倍,公司產出卻只增加 50%。
Uber 營運長 Andrew Macdonald 也坦承,雖然新功能上線速度加快,但難以量化 AI 對企業營收或市場地位的實際貢獻。
為什麼會這樣?
表面答案:可能是衡量工具有問題、或 AI 的邊際價值遞減。
真實答案:組織協調成本(organizational friction)吃掉了個人效率的紅利。
### 機制 1:決策流程瓶頸
工程師寫得快,但產品決策靠「定期會議」、「跨部門同意」。 - 工程師 5 天做完的功能,仍需等 2 週的產品評審 - 決策層沒變快,所以快的工程師就堆在決策前的隊伍裡 - 這不是技術瓶頸、是流程瓶頸
### 機制 2:溝通成本陡增
每個工程師產出增加、程式碼複雜度提升,代碼審查、測試、跨團隊整合的協調成本也跟著增加。 - 一個工程師的改動可能波及 3 個相依系統 - AI 讓寫程式快,但「釐清互動邏輯」的人工成本沒降 - 最後反而花更多時間在「確保協調正確」
### 機制 3:資源分配沒同步重組
個人效率升級不代表「整體系統能吞下這些產出」。 - 如果 QA 團隊沒擴編,快速提交就堆成測試瓶頸 - 如果基礎設施沒升級,程式碼再多也部署不出去 - 組織的短板(木桶效應)決定整體吞吐量
### 機制 4:目標函數錯位
組織的獎勵系統仍在衡量「個人產出」(提交數、程式碼行數),而非「組織成果」(功能上線數、使用者價值)。 - 工程師受鼓勵交更多程式碼 - 但企業真正在乎的是「用戶成長」、「營收」 - 系統被優化錯了維度
這不是 AI 問題,是組織設計問題
Simon(Herbert Simon)在 1956 年的《行政行為》(Administrative Behavior)裡就指出:組織的產出受限於「協調成本」和「決策品質」,不是個人能力。當一個人變 10 倍聰明、但決策還是要開委員會,那個 10 倍就白費。
Conway 定律也說:組織設計會映射到系統設計。如果公司的組織圖是部門林立、跨部門協調成本高,那做出來的產品架構也會是高耦合、難整合的。反過來說,加入 AI 工具,但不重組組織和決策流程,就像給堵車的高速公路加一條車道——根本瓶頸移不了。
真正的 ROI 在「決策流程」
提升 AI 企業 ROI 的關鍵不在買更好的模型,而在:
1. 決策去中心化:把「批准」的權力下沉,讓工程師小隊可以獨立決定功能上線 2. 協調自動化:用 AI 來做「理解跨系統相依性」的工作(這反而是 AI 擅長的) 3. 目標重新對齊:從「程式碼產出」改為「用戶價值」,獎勵系統同步改 4. 基礎設施擴容:確保 QA、部署、監控等後端能吃下新的吞吐量
數字背後的故事
如果一千個工程師原本一年交 100 個功能,AI 後變成 200 個功能、但組織只能上線 150 個(因為決策和測試還是老速度),那企業的實際增益就是 50%、不是 100%。剩下的 50 個功能堆在待決策隊伍裡,成為「黑暗產出」(dark matter of productivity)。
這在個人層面看不見。統計數字能秀出「工程師生產力 +100%」。但財務數字最誠實——營收只增長 20-30%。
為什麼企業意識到這一點這麼慢?
因為沒人想承認「我們的瓶頸不在技術,在人」。承認這一點,就得面對組織改造、權力重分配、傳統管理階層的角色重新定位。比買一個 AI 工具要痛得多。