随着AI工具如GitHub Copilot、ChatGPT Enterprise、Claude、Gemini等在企业中迅速普及，一个有趣的现象浮现：个体生产力大幅提升，但组织整体似乎并未从中学习到任何东西。这正是Ethan Mollick在其文章《Making AI Work: Leadership, Lab, and Crowd》中提出的核心观点——个人使用AI带来的效率增益，并不会自动转化为组织层面的能力提升。

人们可能写得更快、分析得更深入、自动化得更多，甚至悄悄变成了“赛博格版本”的自己，但公司可能依然一无所知。这种脱节，正是当前许多企业正经历的“混乱中间阶段”（messy middle）的典型特征。

这个阶段始于AI使用已经无处不在，但分布不均、部分隐藏、难以比较，且尚未与组织学习建立连接。例如，一个团队将Copilot仅用作自动补全工具，而另一个团队则用Claude Code进行紧密循环的测试、审查和持续引导；一位产品负责人突然用AI快速原型化真实软件，而非在Figma中绘制界面；一位高级工程师将根因分析委托给AI代理，不到一小时就获得有效解决方案，而这在没有AI的情况下可能需要两周；一位初级开发人员能写出漂亮的代码，却对其中隐含的架构假设一无所知；支持团队悄悄将重复性工单转化为工作流自动化，因为只有他们最清楚痛点在哪里，而卓越中心（Center of Excellence）从未问对问题。

所有这些情况可能在同一家公司同时发生。这使得“混乱中间阶段”变得混乱：采纳单位不再是整个组织，甚至不是团队，而是工作内部的“循环”。Mollick提出的“领导层、实验室、群众”（Leadership, Lab, and Crowd）框架在这里很有启发性。领导层设定方向和许可，群众发现用例，而实验室则负责将这些发现系统化。但现实往往是，领导层购买了许可证，定义了可接受的使用方式，组织了培训，创建了“冠军网络”，并鼓励人们在Teams频道分享用例——这个频道会短暂活跃，然后变成又一个充满良好意图的“企业阁楼”。

与此同时，群众在暗处高效地使用AI，但他们的发现很少被捕获、验证或转化为团队或组织的能力。公司可能会看到许可证使用数据（“我们去年付给Anthropic的200万欧元ROI在哪里？”）、提示计数、调查结果，以及少数令人鼓舞的内部概念验证（PoC），这些足以放进指导委员会的报告。但在其他公司，AI直接交给了IT部门，然后悄无声息。

那么，如何跨越这个混乱中间阶段？关键在于建立机制，将个体发现转化为团队能力，再进一步转化为组织能力。这需要领导层不仅提供工具，还要创建结构化的学习循环，比如定期举办AI用例分享会、设立AI实验室来验证和推广最佳实践、以及将AI使用纳入绩效评估和知识管理体系中。否则，即使人人都有AI，公司依然学不到任何东西。

最终，AI的真正价值不在于个体效率的提升，而在于组织能否从这些使用中学习、迭代并形成新的能力。当AI使用无处不在却缺乏组织学习时，企业可能只是在浪费算力，而非真正拥抱变革。