瓶颈不在模型，在机构的吸收力

他观察到一个反直觉的现象：AI 省下来的时间，往往被审批、交接、会议和组织瓶颈重新吞掉。红头文件从没这么红过，官僚层级、矩阵式汇报与决策权分散正在成为新的限速器——于是在这个时刻，组织规模与效能开始呈现某种反比关系。局部用例可以看起来相当成功，而汇总到企业层面的经济账却纹丝不动：Accenture 的数据是，仅 23% 的高管报告在全组织范围内获得了广泛而持续的 AI 价值。

他用《海底总动员》结尾那网小鱼作比：单看每条鱼都在奋力游，但只要方向不一致，那就不是前进，而是搅动。与之配套的是对计量单位的集体反思——token 用量正在被越来越多地质疑：它衡量的是消耗与活动，不是结果。同理，AI 省下的工时若没有被再投入到更高阶的产出（更多吞吐、更好决策、更好产品），也不构成价值；单个用例的自报 ROI，更不能加总成组合级的投资回报。EY 与 Accenture 的工作共同指向一个更有用的管理单位：每一个成功完成的业务成果的成本。

他给出的判定标准很具体：什么时候能听到一位领导者直视你说「我们的业务是交付 X，AI 让我们少花 30% 的钱，或者多出 30% 的质量」，试点时代才算真正结束。在那之前，一切都像是喧嚣与骚动，加起来还不如各部分之和。他也提醒不要膜拜「超级智能」的祭坛：想想你高中同学里最成功的那些人，通常并不是分数最高的那批。聪明当然重要，但那不是关键；关键是谁创造了最多价值。

「把 agent 当员工发工牌」是个有用的类比，但正因为上述差异而漏洞百出。他给出的方向是更细粒度的一套装置：为 agent 设立独立的身份类别，配上与其时钟速度相称的短生命周期凭证；设定明确的委派上限，免得它们发展出小拿破仑情结；把决策链路的可审计性提上一个量级；以及——针对那份过目不忘的记忆——刻意地治理甚至限制它，必要时需要某种《黑衣人》式的记忆消除能力，让它不至于知道所有壁橱里的所有骷髅。

记忆是这里全新的一类问题。当一个 agent 真的掌握了组织里全部的关系、例外、偏好、人事、决策与那些不成文的运作诀窍，它就成为了组织记忆本身——一个被压缩的机构智能包。好的时候很好；可一旦这份记忆被投毒或轻微扰动（Microsoft 的《Guarding AI Memory》正是在处理这件事），它就会让组织决策偏离几度，而且在恶意、感染或纯粹的意外发生很久之后，偏差仍在持续。他的比喻是哥伦布带着一张比例失真的地图向西航行：小误差反复累积已经够糟，而一个自信地错着的整片海洋模型更糟——兄弟，那不是印度。

于是他想象出「agent 护照」：要在企业内部（更别说跨企业）流动，就需要类似边境管制的东西。一份小小的数字证件，写明它的身份与家系——你的人类是谁？谁是你的所有者？你为谁工作？你的目的是什么？还要有开箱检查：你随身带了哪些工具，公文包里装着什么数据，你认识谁、知道什么。听起来有点滑稽，但他认为这大概率会成为新常态。

他用自己的邮件举例：底下当然还是 SMTP，中间有 Outlook 365 收信，但他待在客户端里的时间前所未有地少——因为一个自建的小 agent（他叫它 TRIce，取自 triage）替他读信、判断什么有意思、并按紧急度与重要度排好行动顺序。结果是他从邮件里获得的价值前所未有地高，花在邮件里的时间前所未有地少，因为他是在应用层之上与它打交道。

这正是传统 SaaS 经济学的大恐慌来源。按席位收费在「TRIce 才是主要用户」的世界里立刻变得可疑：公司雇五个人都用 TRIce，那算一个席位还是五个？界面设计与 UX 的价值也在贬值——agent 不想去截屏解析你的视觉设计，它直接调 API。他预期厂商会转向更老派的消耗或交易计价，或者更有意思地转向结果计价：我们帮你实现了更多价值，我们要其中的 5%，或者 0.5%。

真正的战场是控制平面：谁收集、捕获并理解你的意图。谁接到第一个请求，谁就得以塑造对话、框定选项。他自己的日常驱动是 Codex，OpenAI 事实上成了他职业生活里的幕僚长——那是个相当优越的位置，也是决定下游调用哪些系统、哪些数据源的猫鸟座席，还能从所有交互中学习并保留上下文。他借用了 Apple 的旧典故「Sherlock」：Sherlock 3 吸收了第三方应用 Watson 的大部分功能，直接把它挤出了相关性。软件公司永恒的恐惧——我们做得太好，操作系统自己就做了，把我们 Sherlock 掉——如今在意图捕获这一层重演。

他因此看到企业软件正在分层：底部是记录系统（黄金数据，名词层）；其上是业务逻辑（被许可的增删改，动词层）；再上是上下文层，把各个孤岛式的名词—动词栈汇集成对决策有用的信息；最上面是当下最时髦的编排层，负责解释意图并路由工作。锁定效应正沿着这个栈向上迁移：从「我的数据在 SAP」「我们的东西在 Salesforce」，变成「OpenAI 知道我」或者「Claude 懂我的工作方式」。学习到的行为模式、记忆与交互历史，正在成为那个黏住你的东西。

再往外还有融资方、建筑公司，以及那些必须为这一切发放许可、并且要应对（用他的话说，也许不是击退，而是管理）NIMBY 群体的政府。合起来看，一个重要的认知调整是：产能的计量单位已经不是一块芯片，当然更不是一个模型，而是一个「完成供电、联网、散热、许可与融资的可运行算力单元」。如果你手上只有 GPU 而没有配齐这些，倒也不至于是块镇纸——他打趣说那会是个有趣的标题：《未来学家宣称 GPU 是昂贵的镇纸》——但确实剩不下多少。

所以他的建议是：不仅不要再把 AI 当软件，也不要再把它当成 GPU 甚至芯片。把它当成现代版的民族国家军备竞赛，以及一个工业供应链故事：能源、地产、供应链、融资、地缘政治。他记得两年前人们还在问「AI 会有多重要？会有互联网那么大吗」，而现在可以回答：是的，而且更大。三十年前把企业从铜线升级到光纤的那一轮，他不记得有任何可比之处。

越来越被承认的一点是：这些杂活并不只是廉价劳动力，那里面有学习。它们让人接触到错误、边缘情况、例外和需要纠正的东西，教会年轻人业务流程如何运转、又如何与真实世界相似而不同；它们同时也让主管看清团队里谁有稳健的判断力，谁做出可疑的选择。由此推论：今天的资深人士是在靠一笔借来的专业能力运转（Brookings 那篇文章的标题正是《Borrowed Expertise》）。他们能挑战 AI，是因为在 AI 能甩出初稿之前，他们已经在挨打中练出了肌肉记忆和直觉。

他的核心判断因此很尖锐：组织正在一边消耗这份积累起来的肌肉记忆，一边砍掉当初生成它的那些人和那些工作。我们一直在谈技术债——那些历史决策终有一天让你变得僵化、生锈、昂贵；判断力债务是同构的：今天省下人力，负债在明天、甚至很多年后才显形。如果没有足够多的人能框定一个问题、察觉可能的错误、或者在看到不对劲的东西时汗毛竖起来，组织就有沦为幽灵船的风险——员工乃至领导者都不再真的知道系统为什么这么做、怎么做的，只好说「我来的时候老贝西就这么干了，我凭什么争？它可是拿我前任的前任的真本事训练出来的世界级 AI」。

他把这个风险叫做「领导力退化为看管」。未来专家的管道会更细；反过来，企业可能会比以往更需要有经验的外部人才——招聘启事上写着「招：懂供应链基本功的资深白发人士」。但如果所有人在同一时间削减学徒机会，那批有经验的人也未必还存在。这里还牵出一个会计学式的警告：如果我们靠消耗当初造就系统的专业能力去换取一个更高产的系统，那大概相当于变卖资产、再把变现所得记作利润——他不认为这符合公认会计准则。