# AI 超级周期经济学(二):为什么 AI 并没有立即提升公司效率?
**作者**: Star@Day1Global Podcast
**日期**: 2026-05-18T02:02:36.000Z
**来源**: [https://x.com/starzq/status/2081577616486924662](https://x.com/starzq/status/2081577616486924662)
---

1880 年工厂有了电,40 年后才提升效率——今天的 AI 正在重演这一幕。为什么工厂有了电、公司有了 AI,效率还是上不去?
这是 Databricks CEO Ali Ghodsi 在斯坦福大学 MS&E 435 课程上分享的一个核心洞察。他引用了一篇 1990 年由斯坦福学者撰写的文章《From the Dynamo to the Computer》,文章研究了历史上多次技术革命从出现到真正推动生产率提升之间的漫长时间差。
关于这门课程的分享:
> **Star@Day1Global Podcast@starzq**: [原文链接](https://x.com/starzq/status/2056193706743799988)
>
第一个例子是个人电脑。 诺贝尔经济学奖得主 Robert Solow 曾有一句著名的话:「计算机无处不在,唯独不在生产率统计数据里。」原因很简单——人们买了 PC,但只是把它当打字机用。员工在电脑上打字,然后把文件打印出来,放进文件夹,再让助理手动归档索引。整个工作流程没有任何改变,PC 只是替代了打字机这一个环节,所以生产率完全没有提升。
第二个例子更经典,是电力革命。 电动机(dynamo)在 1880 年就出现了,但美国经济直到 1920 年左右才在生产率数据上看到显著提升——整整花了 40 年。为什么?因为当时的工厂是为蒸汽机设计的。蒸汽工厂又密又高,中间有一根巨大的转轴(line shaft),蒸汽机带动转轴旋转,转轴再通过皮带驱动每一台机器。所有设备必须紧紧围绕这根转轴排列,所以工厂只能建成多层楼、密集型的结构。
电动机出现后,工厂主做的第一件事,就像人们把 PC 当打字机一样——他们只是把蒸汽机换成了电动机,其他一切照旧。转轴还在,皮带还在,密集的多层工厂布局也没变。这样当然看不到任何生产率的提升。
直到大约 1915-1920 年,人们才意识到:电力的本质优势在于它可以分布式传输,不像蒸汽的扭矩传输会随着距离产生严重损耗。这意味着你可以把工厂从城市搬出去,拥有更大的单层厂房,每台机器可以独立供电(从「集中驱动」变成「单元驱动」),不同生产线可以以不同速率运行。但要实现这些,你必须彻底重新设计整个工厂的布局、流程和组织方式。
Ali Ghodsi 说:「这就是今天 AI 正在经历的事情。」 他有 2 万家企业客户,他和这些客户的 CEO 交流时,反复听到同样的话:「AI 很厉害,我知道我需要它,但我就是看不到组织内部有任何生产率的提升。我到底做错了什么?」
然后他用了 Databricks 自己内部的一个真实案例来说明这个问题有多深。
Databricks 的核心业务之一是帮客户从 Salesforce、Workday 等系统中抽取数据。为此需要构建「连接器」(connector)。一个生产级连接器,Databricks 过去需要 3 个季度(9 个月)来完成。
Ali 自己用 LLM 试了一下,发现两天就能写出一个连接器的原型。于是他去找负责这个业务的团队说:「我两天就能做出来,你们为什么要 9 个月?」团队回去研究了两周,回来说:「好吧,AI 确实有用,我们可以把时间从 9 个月压缩到 7 个半月。省了一个半月。」就这?就这。
Ali 说他当时很沮丧,心想也许自己写的只是个玩具,不是生产代码,也许他们说得对。
但后来,公司里有一个非常擅长第一性原理思考的人介入了。这个人不在乎那些既有流程和惯性,他带着团队从头审视了整个工作流程,发现了三个关键瓶颈:
第一,需求收集阶段。 过去的做法是派昂贵的、斯坦福毕业的产品经理飞到客户那里,花整整一个季度收集需求,回来写一份 60-80 页的详细需求报告。整个项目第一个季度什么代码都没写,就被需求收集堵住了。新的做法是:把需求收集压缩到一周,快速写下已知的信息,接受可能会出错的事实——反正现在写代码这么快,写错了可以快速重写迭代。
第二,测试环境搭建。 测试连接器需要搭建 Salesforce、Workday、NetSuite 等外部系统的实例,但这些不是 Databricks 自己的软件,内部不擅长也不好招人做这件事,搭环境本身就要很久。新的做法是:把这部分外包给专业公司,付高价让他们并行搭建,时间大幅压缩。
第三,人员分配方式。 过去是一个人负责一个连接器,这个人请假、生病,整个项目就停了(bus factor = 1)。新的做法是:7 个人同时负责 7 个连接器,交叉协作,消除单点故障。
结果:一个季度交付了 7 个连接器。 从过去的「9 个月做 1 个」变成「3 个月做 7 个」,效率提升了 20 倍以上。
但 Ali Ghodsi 强调:这件事和 AI 几乎没有关系。 不是更强的模型、不是 GPT-7、不是超级智能帮他们做到的。真正的突破来自于对工作流程的彻底重构——改变需求收集方式、改变测试环境搭建方式、改变团队协作模式。这是一个人的问题,不是 AI 的问题。
他的结论是:「我们已经拥有 AGI 了。但全世界正在经历的,是如何重建围绕 AI 的'人体'——双手、双腿、整个组织流程。就像 1880 年的工厂主有了电动机却还在用蒸汽工厂的布局一样,今天的企业有了 AI 却还在用旧的组织流程。这才是真正要解决的问题。」
## 相关链接
- [Star@Day1Global Podcast](https://x.com/starzq)
- [@starzq](https://x.com/starzq)
- [4.4K](https://x.com/starzq/status/2081577616486924662/analytics)
- [May 18](https://x.com/starzq/status/2056193706743799988)
- [133K](https://x.com/starzq/status/2056193706743799988/analytics)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [11:09 AM · Jul 27, 2026](https://x.com/starzq/status/2081577616486924662)
- [4,406 Views](https://x.com/starzq/status/2081577616486924662/analytics)
- [View quotes](https://x.com/starzq/status/2081577616486924662/quotes)
---
*导出时间: 2026/7/27 23:14:13*