随着GitHub Copilot、ChatGPT Enterprise、Claude等AI工具在企业中的广泛部署，一个令人困惑的现象逐渐浮现：尽管个人生产力显著提升，但组织整体似乎并未从这些投入中获得相应的学习与成长。这一现象被称为AI采纳中的“杂乱中间地带”（messy middle），它揭示了技术普及与组织学习之间的深刻鸿沟。

Ethan Mollick在其文章《Making AI Work: Leadership, Lab, and Crowd》中指出，个人从AI中获得的生产力提升并不会自动转化为组织层面的收益。员工可能变得更快、写得更好、分析更多、自动化更多，甚至悄然成为“赛博格”版本的自己，但公司却可能几乎一无所获。这种脱节源于AI使用的不均衡与隐蔽性：有些团队将Copilot仅用作自动补全工具，而另一些团队则用Claude Code进行紧密循环的测试与代码审查；产品负责人可能用AI快速原型化真实软件，而初级开发者虽然能产出整洁的代码，却对其中隐含的架构假设一无所知。

这种多样化的使用场景在同一家公司内同时发生，使得AI采纳的单位不再是整个组织，甚至不是团队，而是工作内部的循环（the loop inside the work）。管理层面看到的只是许可证使用率、提示词计数或内部概念验证（PoC）的乐观数据，但真正有价值的洞察——比如支持团队如何将重复工单转化为工作流自动化——往往被忽视，因为这些发现从未被系统性地收集和传播。

Mollick提出的“领导力、实验室与大众”（Leadership, Lab, and Crowd）框架为此提供了分析工具。领导层设定方向与权限，大众（即员工）发现用例并实验，而实验室则负责将这些零散的创新转化为系统化的组织能力。然而，在实际操作中，许多公司陷入了“第一波舒适区”：购买席位、定义可接受使用、运行培训、创建推广网络，然后期待一切自动发生。但第二波——即“杂乱中间地带”——却要求组织主动识别、评估并连接那些分散的AI实践，将其从个人技巧升级为团队能力，最终沉淀为组织知识。

例如，一位资深工程师可能用AI代理在不到一小时内完成根因分析，而这原本需要两周时间。这种效率提升如果只停留在个人层面，公司就无法复制这种能力。同样，支持团队对工作痛点的深刻理解，若不通过正式机制分享，就会成为“公司阁楼”里积灰的好意。真正的挑战在于：如何让那些隐蔽的、非正式的AI使用方式变得可见、可衡量、可复制？

为此，企业需要超越简单的许可证管理和使用统计。他们必须建立结构化的知识捕获机制，例如定期举行跨团队AI实践分享会、设立AI可重复用例库，甚至将AI使用模式纳入绩效评估。同时，领导层应明确鼓励“实验文化”，允许失败并从中学习，而不是仅关注短期ROI。毕竟，当每个人都在使用AI，而公司却学无所获时，问题不在于技术本身，而在于组织如何将个人的AI能力转化为集体的智慧。