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。