当每个员工都开始使用AI工具，企业的整体学习能力却可能停滞不前。这一现象正成为许多组织在AI采纳过程中面临的真实困境。Ethan Mollick在其文章《Making AI Work: Leadership, Lab, and Crowd》中指出，个人通过AI获得的生产力提升并不会自动转化为组织层面的收益。人们可能写得更快、分析得更多、自动化程度更高，甚至悄然成为“半机械人”版本，但公司整体可能几乎学不到任何东西。

许多公司现在正进入一个阶段：GitHub Copilot许可证已配置好，ChatGPT Enterprise存在于技术栈的某个角落，Claude、Gemini或Cursor在团队中零星出现，每个团队至少有一名成员比官方培训材料所假设的要进步得多。其中一些是可见的，但更多是不可见的。管理层看到的是许可证使用量（“我们去年支付给Anthropic的200万欧元投资回报率在哪里？”），也许是提示计数，也许是调查问卷，也许是几个内部概念验证项目，这些项目足以让人在指导委员会汇报中感到鼓舞。在其他公司，AI直接落入了IT部门并就此沉寂。

我认为每个人都知道这正是一个变得复杂的阶段，非常复杂。AI采纳的“混乱中间”阶段始于AI使用无处不在、不均匀、部分隐藏、难以比较，且尚未与组织学习相连接的时候。第一阶段通常相对舒适，因为它看起来像其他企业级部署：购买席位、定义可接受使用、运行培训、创建推广网络、要求人们在Teams频道中分享用例——这个频道会短暂活跃，然后成为又一个充满良好意图的企业阁楼。

第二阶段则要奇怪得多：一个团队将Copilot当作自动补全工具使用，然后就此结束。另一个团队在紧密循环中运行Claude Code，包括测试、审查和持续调整。一位产品负责人突然开始用AI原型设计真实软件，而不是在Figma中模拟屏幕。一位高级工程师将根本原因分析委托给一个智能体，不到一小时内就得到了有效解决方案——如果没有AI，这通常需要他两周时间。一位初级员工生成了精美的代码，却对系统中被悄悄引入的架构假设一无所知。一个支持团队默默地将重复性工单转化为工作流自动化，因为他们确切知道哪里工作最痛苦，而卓越中心从未问过正确的问题。

所有这些情况可能在同一家公司同时发生。这就是“混乱中间”之所以混乱的原因：采纳单位不再是组织，甚至可能不是团队，而是工作内部的循环。Mollick的“领导力、实验室、人群”框架在此处非常有用。领导力设定方向和许可，人群发现用例，实验室则负责将碎片化的发现转化为可重复的组织能力。然而，在现实中，许多公司缺乏将个人AI使用经验系统化、规模化并融入组织记忆的机制。员工可能私下使用AI提升效率，但成果往往停留在个体层面，无法被团队共享或转化为标准操作流程。

这种脱节导致了一个悖论：尽管AI工具的使用率在上升，但组织整体的学习曲线却趋于平缓。要打破这一僵局，企业需要从关注“谁在使用AI”转向“组织如何从AI使用中学习”。这意味着建立跨团队的知识共享机制、设计可复用的AI工作流，以及将AI能力嵌入到核心业务流程中。否则，即使每个人都拥有了AI，公司依然可能一无所获。