随着AI工具的普及，越来越多的企业开始为员工配备GitHub Copilot、ChatGPT Enterprise、Claude或Gemini等工具。然而，一个令人困惑的现象逐渐浮现：尽管个体员工的生产力显著提升，企业整体却似乎并未从中获得相应的组织学习能力。这种现象被Ethan Mollick称为“个体效率提升并未自动转化为组织增益”的困境。

Mollick在其文章《Making AI Work: Leadership, Lab, and Crowd》中指出，人们可能变得更高效、写作更出色、分析更深入、自动化更多，甚至悄然成为“赛博格”版本的自己，但公司却几乎一无所获。这并非个例，而是当前许多企业在AI采纳过程中面临的普遍问题。

AI采纳的第一阶段通常相对舒适，因为它与其他企业级部署类似：购买席位、定义可接受使用范围、开展培训、建立倡导者网络、鼓励员工在Teams频道分享用例。然而，这个频道很快会变得活跃，然后逐渐沉寂，成为又一个充满良好意愿的“企业阁楼”。

第二阶段则更为复杂。一个团队可能仅将Copilot用作自动补全工具，另一个团队则深度使用Claude Code进行紧密循环的测试、审查和调整。产品负责人可能突然开始原型化真实软件，而非仅在Figma中模拟界面；资深工程师将根因分析委托给智能体，一小时内获得有效解决方案，而以往这需要两周；初级人员产出精良代码，却对系统中隐含的架构假设一无所知；支持团队默默将重复工单转化为工作流自动化，因为他们最了解痛点所在，而卓越中心从未提出正确的问题。

所有这些情况可能在同一家公司同时发生。这正是“混乱中期”的典型特征：采纳单位不再是组织，甚至不是团队，而是工作内部的循环。Mollick提出的“领导力、实验室和人群”框架在此具有参考价值：领导层设定方向和权限，人群发现用例，实验室进行实验和验证。然而，当这些环节脱节时，组织便无法从个体经验中学习。

企业面临的挑战在于如何将分散的、隐性的AI使用经验系统化，并转化为组织能力。这需要建立有效的机制，让个体的发现能够跨越团队边界，最终成为组织的核心能力。否则，即使每个人都拥有AI工具，企业依然可能无法从中学习到任何东西。