文章指出企业级 AI 落地陷入困境：85% 高管计划增加 AI 支出，但仅 22% 实现规模化，平均 ROI 仅 17%，并出现“加速鞭打效应”——个人产出提升但工程质量恶化。作者认为单兵 FDE 模式已死，IBM 推出的 FDU（前线部署单元）才是新范式：以“人类在两端、智能体在中间”的拓扑，用 6 人加 10-30 个数字员工替代传统 30 人团队，通过 Procedure Eater、RAD 方法论和数字员工认证体系实现工业化交付，并重构商业模式，从人力套利转向技术套利。
Chamath 探讨了 AI 投资回报率（ROI）难以在生产力数据中体现的原因。AI 成本极低——企业中位数每月每位员工仅花费 12.50 美元，只需提升约 0.15% 的效率即可回本。但价值端难以衡量：企业员工大部分时间花在协调、会议和流程审批上，而非产出工作，人成为 AI ROI 的瓶颈。2026 年一项 515 家初创公司的实验显示，几乎所有收益都来自最顶尖的 10% 企业——关键在于围绕 AI 重组工作流程，而非工具本身。作者引用 Solow 的生产力悖论和 Musk 的五步自动化流程，指出企业应先简化流程再自动化，生产力提升将取决于大企业采纳的速度。
Ramp Labs 介绍了一套将 Agent 运行轨迹转化为语义层的流水线，用于实现 AI 支出到 ROI 的归因。系统首先将相互关联的多个 session 重建为完整的 agent run，再由抽取模型将 run 拆分为具有独立目标和结果的工作项（work item），并关联模型花费、团队、仓库等信息。基于内部编码 agent Inspect，三周内分析了约 20 万次运行、识别约 25 万个工作项，使公司能够从'AI 花了多少钱'进阶到'AI 产出了什么、回报如何'的评估。
