@zarazhangrui: 如果你的公司采用了AI但没有看到实际效果，请阅读这篇1990年的文章：《The Dynamo and the…
摘要
这条推文将早期采用电力时缓慢的生产力提升与当前AI采纳相类比，认为真正的收益来自于重新设计工作流程，而非简单地将AI附加到现有流程上。文中引用了Paul David 1990年的文章《The Dynamo and the Computer》。
查看缓存全文
缓存时间: 2026/06/10 11:49
如果你所在的公司已经采用了AI，但并未看到任何实际成效，请阅读这篇1990年的文章：《发电机与计算机》(The Dynamo and the Computer)，作者保罗·大卫(Paul David)。
电力刚普及时，那些“采用”电力的工厂效率并未显著提升。它们只是用电机替换了蒸汽机，其他一切照旧：同样的机器布局、同样的工作流程、同样的管理模式。电力投入了，实际产出却没有增长。
任何新技术最常见的错误，就是把它套进旧的组织框架里，然后宣告转型完成。
真正的飞跃发生在几十年后——每台机器都装上了独立的小电机。突然间，机器不再需要围绕一根中央传动轴排列，而是可以根据实际工作流程重新布局。
生产力的提升并非来自电力本身，而是来自围绕电力重新设计整座工厂。
AI也是如此。把它硬塞进现有流程，充其量只是得到一台更快的蒸汽机。真正的回报，来自于你围绕AI重新设计工作本身。
（论文链接见评论）
相似文章
如果你刚开始接触AI，结果会感觉很不错。但如果你已经做了一段时间，你就知道接下来会发生什么。
作者观察到，虽然AI提升了个人生产力，但公司往往无法实现利润的增长，因为组织瓶颈和缓慢的决策过程阻碍了自动化带来的复合效益。
我们是否高估了AI能力转化为实际生产力的速度？
本文质疑AI展现的能力是否自动转化为实际生产力，强调了工作流所有权、可靠性以及与复杂人类系统集成等方面的差距。
@vasuman: https://x.com/vasuman/status/2070629226664153173
文章认为，企业AI采用失败的原因在于公司添加了员工必须学习的新工具，而不是将AI嵌入现有工作流程，自动达成业务成果，且无需改变员工行为。
AI对工程速度的适度影响（4分钟阅读）
DX的Abi Noda和微软的Brian Houck分享了DX关于AI对工程速度影响的早期研究发现，揭示PR吞吐量仅增长10-15%，远低于10倍的炒作。他们讨论了为什么编码只是开发者工作的一小部分，“虚假速度”的风险，以及AI在编码之外的机会。
人人都构建AI工作流，但几乎没人坚持用下去。原因在这里。
一位创始人分享了他在AI工具采用方面的经验，指出大多数人收集了大量工具却没有取得实际成果。他主张专注于一个关键业务问题，并不断迭代直到工作流真正有效，并以自己的成功为例：将客户报告时间从4-5小时缩短到45分钟以内。