当 AI 加速了一切，为什么公司仍然没有变快？

最近我常听到一种很具体的抱怨。

不是「AI 没用」。是更拧巴的一种：

「我已经快了。」

「工具也上了。」

「材料半小时就能出来。」

可项目还是按原来的节奏往前挪。有人甚至开始怀疑：是不是自己用错了。

但我越听，越觉得他们可能抓错了对象。因为变快的，往往只是一个人。没变快的，是公司。

想象一个普通的工作日下午。一个工程师对着屏幕。他用 AI 生成了一版可用的代码。三十分钟。比过去自己敲，快得多。

他开了 Pull Request，心里有一点轻松：今天能推进一块。

然后他开始等。等 Review。等测试反馈。等有人说「可以合」。等跨组点头。等某个权限更大的人回消息。

两天后，代码还在那里。不是因为写不出来。是因为写出来以后，没人接得住。

最快的部分已经结束了。最慢的部分，才刚刚开始。

这个问题不只出现在软件公司。方案半小时写完，决策开两周。分析报告下午就有，审批链条走到下个月。客户回复可以即时生成，合同章还在第三层领导邮箱里。

AI 加速了很多「做」。但公司仍然卡在「定」。

普通讨论喜欢问：AI 能不能提高生产力？

Future Lab 更想问：当执行变快之后，为什么组织整体往往没有同步变快？真正的瓶颈，到底在哪一层？

一个直觉假设是这样的：AI 正在降低 Execution Cost（执行成本）。但它没有同比例降低 Organizational Cost（组织成本）——决策、信任、责任、协作、审批。

过去，公司慢，常常因为人不够快，信息不够快，生产成本太高。现在，这些东西在松动。于是旧结构里一直存在、却被「大家都在忙」盖住的东西，开始露出来：Decision。Trust。Accountability。Coordination。Approval。

这不是新病。这更像 Future Lab 一直说的 AI 显影剂（AI as Revealing Agent）：AI 不一定制造问题，它让旧结构里真正卡住的地方被看见。

以前 Coding 是瓶颈时，大家看不见 Review。现在 Coding 不再那么稀缺，Review 就站到了台前。未来，当 Review 也被工具部分吞掉，真正露出来的，可能是 Decision——以及愿意为 Decision 签字的人。

我们把这种「结果已经到了，组织还没吸收」的时间结构，叫做：组织延迟 / Organizational Latency。

它不是说公司没有聪明人。也不是说公司没有 AI。而是：信息已经到达，AI 已经完成，但系统因为决策、信任验证、责任归属、协作对齐和审批，仍在等待。

很像网络里的 latency。带宽上去了。包传得更快了。可如果每一次往返都要排队等确认，体感速度还是上不去。

个人感到的「我变快了」，往往测的是带宽。公司让人绝望的「怎么还是这么慢」，测的常常是 latency。

这里必须先停一下，承认一种反对意见。

不是所有场景里，执行都真的变快了。

2025 年，METR 做了一项针对资深开源开发者的随机对照研究：在当时的工具条件下，允许使用 AI，任务完成时间反而增加约 19%。更拧的是——开发者事前预期会快 24%，事后仍相信自己快了大约 20%。

也就是说，有些「加速」，首先是错觉。时间被 prompt、校对、等待生成吃掉了。

所以本篇不是断言：全世界每个人都已经被 AI 加速。本篇讨论的是另一类已经发生、并且越来越常见的结构：当执行层确实变快，或至少看起来变快之后，组织吞吐量为什么仍可能不动。

最有说服力的案例，不是一家「还不会用 AI」的传统企业。而是 Anthropic 自己。

2026 年 3 月，Anthropic 在 Claude 官方博客发布 Code Review 时写得很直白：过去一年，Anthropic 工程师人均 code output 增长了 200%。Code review 成了瓶颈。

他们还听到客户反复说同一件事：开发者被拉得很薄，很多 PR 只能被 skim，而不是被认真读完。

Cat Wu（Claude Code 产品负责人）在访谈里把机制说得更清楚：现在一个人、一个 prompt，就能丢出一份看起来成立的 PR；负担转移到 reviewer——他得花大量时间核验边界情况。

注意这句话的结构。AI 没有消灭工作。它把工作的重心，从「生产」推到了「验证」。

Anthropic 的应对也很说明问题：他们用多代理系统去做更深的 code review，把内部「有实质评论」的 PR 比例从 16% 拉到 54%。

但他们仍然明确：工具不会批准 PR。That is still a human call.

这句话几乎就是整篇文章的钥匙。AI 可以降低验证成本。AI 甚至可以降低一部分组织成本。但组织仍然倾向于保留一个人类节点：谁来承担「可以合进去」的后果。

Review 表面上是找错误。更深一层，是建立信任：我是否相信这份产出配进入主线。再深一层，是分配责任：如果上线出问题，账记在谁头上。

所以，当有人问：AI 时代最大的瓶颈是不是 Intelligence？Future Lab 的回答更接近：常常不是智力。是 Accountability——愿意为结果负责的稀缺节点。

这一点，与我们在《AI 最先淘汰的，不是人，而是「传话的人」》里提出的 责任经济（Commitment Economy）是同一条线：执行变便宜之后，贵的是敢负责的人。

本篇不把「责任瓶颈」另起炉灶成新词。它已经在责任经济里。组织延迟，是责任稀缺在时间上的显影。

McKinsey 2025 年的研究把企业侧现象叫得很响：gen AI paradox。

将近八成公司报告在用 gen AI，同样多的公司报告没有显著的利润影响。更高价值的垂直用例，大约九成仍卡在 pilot。

他们指出：更大的挑战往往不是技术，而是人——信任、采用、治理。

另一边，MIT Sloan 对「任务链」研究的转述更尖锐：每次工作从 AI 交到人，再从人交回 AI，都需要 review、validation、adjustment。这些检查点会拖慢整个系统。

换句话说，组织慢，常常不是因为没有聪明人。而是聪明人都被安放在一条很长的确认链上。每个人都在「负责一块」。很少有人被设计成「负责结果」。

于是出现一种熟悉的空转——Future Lab 称之为 空心公司（Hollow Company）的近亲状态：会议很多，材料很多，工具很多，推进很少。

AI 进来以后，空转可能更热闹。因为生成成本下降，组织更容易用更多文档、更多方案、更多「AI 初稿」去填满等待。看起来更忙了。Latency 未必下降。有时甚至上升。

这也是 判断外包（Judgment Outsourcing）在组织层的回声：当人不做判断、只做传递与确认表演，系统会变得更安全，也更慢。

慢，有时是风险控制。慢，有时只是没人想当那个签字的人。两者长得很像。需要被区分。

可以把一条工作流粗暴拆成四层：

Execution（执行）：写代码、写方案、做分析、出设计。AI 冲击最猛的一层。

Coordination（协作）：对齐目标、同步进度、跨组交接。AI 可能降低翻译与整理成本，也可能制造更多需要同步的半成品。

Decision（决策）：做不做、何时做、以什么标准做。模型可以给选项，很少被允许替组织承担选择。

Accountability（责任）：出了事谁负责；做成了功记在谁头上。这一层最难自动化，也最不该被浪漫地「交给 AI」。

过去，Execution 慢，会掩盖后面三层。现在 Execution 松动，后面三层开始决定体感速度。

所以，公司没有变快，不一定因为 AI 失败。可能因为 AI 成功了一半：它加速了最容易加速的部分，把真正稀缺的部分逼到聚光灯下。

这也是为什么第八篇问「公司为什么还存在」之后，这一篇必须接着问：存在的公司，为什么仍然可以这么慢？

如果公司正在从生产机器、协调机器，转向信任与判断的容器，那么它管理的就不再只是劳动力，也不再只是知识。它管理的是：可被信任的决策，能否以可接受的延迟被做出，并有人承担。

未来一年，会有更多团队公开谈论 review queue 和 approval lag。AI 辅助验证会扩散。人类签字大概率还在。

三年左右，「执行速度」和「落地速度」可能被分开看。一类公司会缩短 handoff 链。另一类会用更多审批消化 AI 噪音——那是空心化的加速版。

更远一点，公司可能越来越像一个责任吞吐系统。

工业时代，公司管理劳动力。信息时代，公司管理知识。AI 时代，公司到底管理什么？

或许是：在智能并不稀缺时，仍然稀缺的信任、判断与责任流。

对普通人，这篇不是劝你「反对流程」。而是劝你看清自己站在哪一层。

如果你的价值主要在 Execution，AI 会继续挤压单价。如果你的价值在把事情推进到「可落地」，并在关键节点上愿意署名，你处理的是 Latency。

Future Lab 说过 个人选择权（Personal Optionality）：一个人要尽量保有不被单一组织定义的行动空间。

在组织延迟显影的时代，option 不只来自跳槽。也来自你是否积累了这种信用：别人相信你审过。别人相信你判过。别人相信出了事你不会先消失。

工具会继续变快。信任不会自动变快。

如果有一天，执行真的便宜到接近零，公司还在管理什么？

是更多的人？是更多的信息？还是更少、但更重的责任节点？

当 AI 加速了一切，为什么有些公司仍然没有变快？