随着GitHub Copilot、ChatGPT Enterprise、Claude等AI工具在企业中的普及，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，但组织整体却似乎并未从中学习到任何东西。Ethan Mollick在其文章《Making AI Work: Leadership, Lab, and Crowd》中敏锐地指出了这一矛盾：个人通过AI获得的效率增益，并不会自动转化为组织的知识资产。

这种现象在当下被称为“AI采用的混乱中间阶段”。企业已经跨越了最初的采购和培训阶段，进入了AI使用无处不在、但分布不均、部分隐藏、难以比较且尚未与组织学习相连接的复杂时期。一个典型的场景是：同一家公司内，有的团队将Copilot当作简单的自动补全工具，有的团队则用Claude Code进行深度代码迭代，还有的产品经理直接通过AI原型化真实软件，而支持团队则悄然将重复工单转化为工作流自动化。这些情况同时发生，使得组织无法有效捕捉和沉淀这些分散的AI实践。

Mollick提出的“领导力、实验室与人群”框架，为解决这一困境提供了思路。领导层负责设定方向和许可，实验室（即专门的创新团队）负责探索和验证，而人群（全体员工）则通过广泛实践发现用例。然而，现实往往是领导层只关注许可证使用率和ROI，实验室与一线实践脱节，而人群中的最佳实践则散落在各个角落，无人整理。

问题的核心在于：企业缺乏将个体AI使用转化为组织能力的机制。当一个资深工程师用AI代理在1小时内完成原本需要两周的根因分析时，这个高效的流程并未被记录下来；当一个初级员工用AI生成出表面完美的代码，但其中隐含的错误架构假设未被识别时，组织反而可能积累了技术债务。这些案例表明，AI工具的使用本身并不等同于组织学习，后者需要刻意设计知识共享、最佳实践提炼和团队能力复制的流程。

为了跨越这个“混乱中间阶段”，企业需要从三个层面入手：首先，建立透明的AI使用追踪与反馈系统，不仅仅是监控用量，更要记录哪些工作流被AI显著改变了；其次，创建跨团队的知识交换机制，让不同部门的AI实践能够互相启发；最后，将AI能力培养纳入组织学习体系，从个体实验升级为团队能力和组织能力。只有这样，AI才能真正成为企业进化的催化剂，而非仅仅是个人效率的加速器。