人工智能工具正被广泛使用，但其价值并未自动转化为企业能力。许多公司发现自己处于一个“混乱中期”：员工个人效率提高了，但组织并未从这些分散、隐蔽的实践中学习。要解决这个问题，企业需要建立新的系统，专注于三件事：控制 AI 工具的运行，从实际工作中提炼经验，以及在组织内复制有效能力。真正的衡量标准不是消耗了多少资源，而是 AI 帮助做出了哪些更好的决策、解决了哪些问题。最重要的是，必须避免将 AI 应用变成对员工的监控，否则会扼杀所有实验和学习的可能。
AI 采纳的“混乱中期”
许多公司正进入一个复杂的阶段。AI 工具已经分发下去，但使用情况千差万别。
- 一个团队可能只把 AI 当作自动补全工具。
- 另一个团队可能已经用它来构建复杂的自动化工作流。
- 一名工程师可能用 AI 在一小时内解决了过去需要两周才能完成的根本原因分析。
- 一名初级员工可能生成了看似完美的代码，却不理解其中隐含的架构问题。
这些情况同时发生在同一家公司里。这便是“混乱中期”：AI 的使用无处不在、不均衡、部分被隐藏，且没有与组织学习联系起来。个人生产力的提升不等于组织能力的提升。
人们可能会变得更快、写得更好、分析得更多。但公司本身可能什么都没学到。
旧的变革机制已经太慢
大多数公司试图用现有的机制来管理 AI 的应用，比如实践社群、分享会、月度演示等。但这些方法对于 AI 带来的变化来说太慢了。
真正有价值的 AI 应用发生在具体的工作中：一次代码审查、一份销售提案、一个产品原型。当这些经验被整理成“最佳实践”幻灯片时，其中最有价值的摩擦和细节往往已经丢失。
AI 协作的真正问题不是“人们是否在使用 AI？”而是团队是否知道如何利用它，以及组织是否能从中学习。
改变的经济学：从衡量产出到衡量学习
过去的软件开发流程之所以复杂，是因为人工迭代的成本很高。但 AI 改变了这一点，它让快速尝试多种方案成为可能。然而，许多组织仍然沿用为“昂贵迭代”时代设计的旧流程，这限制了 AI 的真正潜力。
随着 AI 使用成本变得更加透明，公司将不得不回答一个更重要的问题：
我们花了这些钱，到底改变了什么？
关注点必须从“输出了多少”转向“学到了什么”。错误的衡量方式只会得到虚假的合规和被隐藏的真实学习。
别再计算提交次数了。 更好的问题是：
- 哪些决策得到了改善？
- 哪些问题解决得更快？
- 哪些团队学到了可复用的模式？
- 哪些想法因为原型暴露了弱点而被更早放弃？
- AI 在哪里创造了学习，又在哪里只是创造了更多的输出？
通向组织学习的三大支柱
为了在“混乱中期”取得成功，公司需要同时建立三种能力。
代理操作 (Agent Operations): 这是控制层。它管理哪些 AI 工具在运行，它们能访问哪些系统和数据，以及哪些操作需要批准。这确保了 AI 在接触真实系统时的安全性。
循环智能 (Loop Intelligence): 这是学习层。它分析哪些由 AI 辅助的工作循环真正产生了有价值的经验，识别出成功模式和失败原因，从而理解 AI 在哪里创造了真正的杠杆效应。
能力层 (Agent Capabilities): 这是分发层。它负责将一个团队发现的有效 AI 技能和工作流，转化为整个组织可以复用的能力，而不是让每个团队都去重复发明。
这三者缺一不可。只有控制会变成官僚主义；只有学习而没有分发，洞见就无法转化为行动；只有分发而没有控制和学习，就会陷入工具泛滥的混乱。
警告：绝不能变成员工监控
如果员工认为公司在用 AI 来给他们打分，他们就会开始伪造信号。如果他们担心自己的实验会变成新的生产力指标，他们就会隐藏自己的创新。
如果人们相信他们最好的工作流程只会成为他们新的基线工作量，他们就会将其保密。
因此，这个系统的意图必须是真诚的。关键问题不是“谁用了足够的 AI？”，而是“AI 在哪里以一种组织可以学习的方式改变了工作？”
最终，AI 时代的竞争优势不是你是否能用上最新的工具，而是你的学习速度。胜利属于那些能更快地发现有效模式，并将其从个人经验转化为组织能力的公司。