AI 讓你快 10 倍，但你的公司為什麼沒變？生產力去哪了？

Fox Hsiao

13 3月 2026 — 13 min read

2025 年，AI 讓懂得使用它的人生產力提高了 10 倍，寫程式碼的速度、做簡報的效率、產出研究報告的時間都大幅壓縮，但如果你去看這些人所屬的公司，幾乎沒有任何一家因此變得 10 倍有價值。

Hebbia 創辦人 George Sivulka 最近在 a16z 電子報上發了一篇長文回答這個問題，標題本身就是答案：「高生產力的個人，不等於高生產力的公司。」（Productive Individuals Don't Make Productive Firms）

Sivulka 在 Stanford 拿了數學學士和應用物理碩士，23 歲時從電機工程博士班輟學創業，Peter Thiel 公開稱他為「神童」（wunderkind）。Hebbia 是一家專注企業級 AI 的公司，做的是大規模文件分析和知識萃取，主要服務金融機構，超過四成全球最大資產管理公司是客戶，包括 BlackRock、KKR、Carlyle 等，2024 年由 a16z 領投 1.3 億美元 Series B，估值 7 億美元。Sivulka 認為我們正在重蹈一個 130 年前的錯誤，而且錯的方式幾乎一模一樣。

紡織廠換了馬達，但什麼都沒變

1890 年代，電力的出現承諾帶來巨大的生產力飛躍。新英格蘭的紡織廠原本是為蒸汽引擎設計的，整座工廠的機器都連接在一根巨大的中央傳動軸上，靠蒸汽動力轉動。電力出現後，工廠老闆做了一個看似合理的決定，把蒸汽引擎換成更快的電動馬達。

接下來三十年，這些電氣化的紡織廠幾乎看不到產出增加。技術明顯更好，但組織沒有跟著改變，工廠的佈局還是圍繞那根中央傳動軸設計的，工人的工作方式還是蒸汽時代的流程，差別只是動力來源從蒸汽變成了電。

一直到 1920 年代，有人做了一件根本性不同的事。他們把整座工廠拆掉重建，讓每一台機器都有自己的獨立馬達（unit drive），工人和機器的分工徹底重組，生產線從頭設計。這一次，電氣化的效益終於爆發了。

Sivulka 指出，大多數人以為生產力突破來自電力技術本身，或者來自讓個別工人和機器轉得更快，但都不對。真正的轉折發生在整個制度和技術被一起重新設計的那一刻。他說這是「科技史上代價最高的一堂課」，而我們正在重新學一次。

2026 年，我們在做一模一樣的事

在 2026 年的企業裡，AI 正在驅動個人生產力的十倍成長，但他認為大多數組織做的事情和 1890 年代換馬達的紡織廠老闆完全一樣，只是把 ChatGPT 裝進了原有的工作流程裡。每個員工都有自己的 ChatGPT 習慣、自己的 prompt 風格、自己的輸出格式，這些輸出之間互不溝通。組織架構圖還在，但實際上 AI 生成的工作流已經走出了一條完全不同的路線。

用他的話來說，我們換了馬達，但還沒重新設計工廠。

要真正釋放 AI 在組織層面的生產力，Sivulka 提出了一個框架，他稱之為「制度智慧」（Institutional Intelligence），包含七個支柱，區分「個人 AI」和「組織 AI」的根本差異，以下挑其中四個最值得細看的展開。

AI 公司老闆為什麼禁止員工用 AI

Sivulka 經營的是一家 AI 公司，但他要求高階團隊不准用 AI 寫任何最終產出。「我受不了那些 AI 垃圾（slop）。」他在文章中直接這樣寫。

2026 年任何人都能用 AI 生成任何東西，文章、簡報、試算表、照片、影片、網站、軟體，生成能力早就不是瓶頸了。真正的問題是在 AI 產出的海量內容裡，絕大多數是垃圾。

他舉了一個私募基金的場景，去年你的桌上可能出現 10 個投資案，今年下一季就會收到 50 個，每一個都被 AI 琢磨得光鮮亮麗，但你判斷的時間沒有變多。在 50 個裡面找到那一個真正值得投的案子，比以前更難了。

「生成任何東西已經不再是問題，」Sivulka 寫道，「問題是生成並且選出對的那一個。」找到信號、切穿雜訊，這件事在接下來十年會是最重要的經濟驅動力。

這裡有一個重要的區分。個人 AI 工具強調的是「隨時在線」的生產力，一個不確定性高的 AI 助手用不可預測的方式處理你的各種需求。但組織層級的 AI 需要的是可預測性，有明確的檢查點、步驟和流程，而且產出必須是可定義、可審計的。

Sivulka 團隊在 Hebbia 做的就是這件事，他們的部分用戶在單一任務中處理 300 億個 token，遠超過任何大型語言模型的原生 context window。每次基礎模型的能力提升，他們的用戶已經推得更遠。這是「個人 AI」和「組織 AI」在量級上的根本差距。

你的最差員工，可能是 AI 最大的粉絲

AI 的社會政治偏見爭論吵了好幾年，基礎模型公司最終用大量的 RLHF 把所有模型都訓練成了應聲蟲。今天的 ChatGPT 和 Claude 過度對齊到一個地步，不管你說什麼它們都會同意你。Claude 那句條件反射式的「你說得完全對！」不管你到底對不對，已經變成一個 meme。

他指出這聽起來無害，其實很危險。

想像一下，一個組織裡表現最差的員工，每天在工作中幾乎得不到任何正面回饋，突然有了一個號稱史上最聰明的智慧體在旁邊不斷告訴他「你是對的」。Sivulka 寫出了那個員工心裡會想的話：「全世界最聰明的 AI 都同意我。是我的主管錯了。」

這種感覺令人上癮，對個人很舒服，對組織卻是毒藥。

個人 AI 工具的設計邏輯是「強化使用者」。但在他看來，組織真正需要被強化的是事實本身。人類花了幾千年發展出各種制度來對抗偏見，投資委員會、第三方盡職調查、董事會、三權分立、民主制度，核心功能都一樣，確保有人能夠說「不」。

「組織很少因為員工缺乏信心而失敗，」他寫道，「組織失敗是因為沒有人願意、或能夠說不。」

所以他主張，組織裡最重要的 AI 角色不會是唯唯諾諾的 yes-men，而是有紀律的 no-men，負責質疑推理、點出風險、執行標準。未來最有影響力的 AI 應用會圍繞制度性的約束來打造，AI 董事會成員、AI 稽核員、AI 合規系統，這些聽起來不性感，但在他看來，這些東西的價值遠超過一個每天跟你說「你好棒」的聊天機器人。

省時間不夠，要能賺錢

Sivulka 引用了創投人 Volpi（@MaVolpi）對他說過的一句話：「如果你問任何一個 CEO，他的第一優先是砍成本還是衝營收，幾乎所有人都會說營收。」

但市場上幾乎所有 AI 產品賣的都是省時間、降人力、少做事。省下來的時間如果沒有轉換成營收，就只是讓人「感覺」更有生產力而已。

他舉了程式碼編輯器的例子。像 Cursor 這類 AI 程式碼編輯器是很好的個人生產力工具，但已經在被 Claude Code 衝擊，兩者都在個人工具這一層互相競爭。Cognition 在做的事完全不同，他們最穩定成長的業務是賣轉型方案（transformation），幫客戶重新架構開發流程。他賭的是後者有更強的持久力。

Naval Ravikant 最近在 X 上寫了一句話：「純軟體正在快速變成不值得投資的東西。」Sivulka 接著這個觀點推下去，純軟體不值得投資，純服務無法規模化，真正能累積持久價值的是「解決方案層」（solution layer），把技術和成果綁在一起的地方。

他觀察到一個市場重力的方向：基礎模型公司正在往應用層移動，應用層公司正在往解決方案層移動。組織 AI 就在解決方案層，而這一層是成果所在的地方，也是價值最終會沉澱的地方。

不需要人類提問的 AI

七個支柱裡最後一個，也是最具前瞻性的一個，Sivulka 主張未來最有價值的 AI 根本不需要人類來下提示詞。

他的類比很尖銳：「讓 AGI 等人類的提示詞，就像把電動馬達接到蒸汽紡織機的動力軸上。」系統的瓶頸永遠卡在組織供應鏈中最弱的環節，而最弱的環節就是人類自己。我們幾乎不知道該問什麼問題，更不知道什麼時候該問。

他舉了一個金融場景。一個不需要人類指令的 AI 系統持續監控整個投資組合的數據，偵測到某家公司的營運資金周轉已經連續三個月惡化，自動交叉比對信貸協議中的條款門檻，然後在基金裡任何人打開那份 PDF 之前就已經通知了營運合夥人。

沒有人提問、沒有人下提示詞，AI 自己發現了沒人想到要問的風險。

按他的說法，這才是 AI 使用場景真正被打開的時刻。當你移除了「需要人類先想到問題」這個前提，全新的介面和工作方式就會浮現。他在 Hebbia 已經有具體產品在做這件事，但還沒有完整揭露，只留了一句：「我們對這個有很強的看法。待續。」

其餘三個支柱

Sivulka 完整的框架還包括另外三個面向，簡單帶過。

第一個是協調（Coordination）。他用一個思想實驗來說明：如果你明天把組織裡最好的員工都複製一倍，每個人都有自己的做事風格和偏好，沒有足夠的協調機制，結果只會是混亂。他認為未來會出現一整個「代理人管理」（Agentic Management）產業，專門處理 AI 代理人之間的角色分工、溝通協議和績效衡量。

第二個是邊際優勢（Edge）。在特定任務上，專門打造的 AI 永遠會贏過通用模型，Midjourney 在設計圖像上、ElevenLabs 在語音上的優勢，基礎模型再怎麼追也追不上持續專注的垂直應用。他說了一句有趣的話，Hebbia 內部會問自己一個「聽起來荒謬但其實認真」的問題：「就算是 AGI，也會想用專門工具來走捷徑的話，那些工具是什麼？」

第三個是賦能（Enablement）。組織轉型最大的障礙往往是人，而且越高層越難推動。他提到 Palantir 是少數在科技股大賣壓中仍然維持高估值的公司，原因是 Palantir 本質上是一家「流程工程」公司，而流程工程需要的是產業專業而非軟體專業。他還提到一個例子，某家高級投資銀行選了 Hebbia 做全面部署，原因是他們之前合作過的大型模型公司「連 CIM（機密資訊備忘錄）是什麼都要問」。模型當然懂金融，但負責部署的團隊不懂。

Sivulka 的立場

不過讀這篇文章，也要理解，Sivulka 是 Hebbia 的創辦人兼 CEO，Hebbia 賣的就是他在文章中定義的「組織 AI」。他提出的七大支柱框架，某種程度上也是在為自己的市場畫理論基礎，每一個支柱的結論都指向同一個方向：你需要 Hebbia 這類的產品。

但這不代表他的論點站不住腳。1890 年代紡織廠的電氣化歷史有充分的文獻記錄，「個人生產力不等於組織生產力」這個觀察在管理學研究裡也已經存在了幾十年。一個人的論點有商業動機，和論點本身是否成立，是兩回事。他自己倒是不太避諱這一點，文章裡直接拿 Hebbia 的產品當案例、引用自家用戶的數據。

換了馬達之後呢

Sivulka 在文章最後寫了一句話：「我們有了電力。是時候重新設計我們的工廠了。」

回頭看 1890 年代的紡織廠，最先電氣化的工廠反而輸給了後來重新設計廠房的工廠。技術優勢不在於先裝上去，而在於整個制度是否為那個技術重新打造。2026 年幾乎每個知識工作者都已經在用某種形式的 AI，問題早就已經不是「要不要用 AI」。真正的問題是，組織什麼時候會停止把 AI 當成一個更快的馬達，開始把它當成重新設計整座工廠的理由。