十九世纪末，电动机已经发明出来了。所有人都以为，工厂换上电动机，效率马上就会起飞。
结果在很长时间里，什么都没发生。
经济史学者保罗·戴维后来研究了这段历史。他发现，问题不在于电动机好不好使，而在于整个工厂是围着蒸汽机生长出来的。
蒸汽时代的工厂只有一台大锅炉。锅炉带动一根贯穿厂房的传动轴，传动轴再靠皮带把动力分配到各台机器上。机器摆在哪里，取决于它离传动轴有多远——离太远，皮带太长，动力损耗就大。所以厂房得盖成好几层楼，紧紧围着那根轴。产品怎样从一道工序顺畅地流到下一道，反倒要迁就这些安排。工人的分组、车间的管理方式，也都是顺着这套物理结构来的。
电动机刚进厂的时候，大多数工厂做了一件最省事的事：把蒸汽机拆掉，原地换上一台大电动机。传动轴不拆，皮带不换，机器不挪，车间纹丝不动。唯一的区别是动力源变了。
生产率几乎没有变化。
真正的转变要到二十世纪二十年代。有些工厂开始给每台机器单独配一台小电动机。传动轴终于可以拆了，机器终于可以不再围着一根轴摆放，而是按产品的加工顺序排列。厂房可以改成一层的平房，采光和通风都变好了。福特那条改变了工业史的流水线，就只有在这种布局下才可能实现。
从电动机被发明，到工厂真正变快，中间差不多四十年。问题从来不在电动机本身。而在于整个工厂——建筑、布局、流程、管理——全都是围着蒸汽机长出来的。换一台电机不够，要把整个工厂重新造一遍。
戴维写那篇论文是 1990 年。他其实不是在讲电，而是在讲计算机。那时候计算机已经到处都是了，生产率却不见涨，经济学家们很困惑。戴维的意思是：别急，电的时代也是这样过来的。
今天轮到了 AI。我觉得同样的故事正在第三次上演。
大多数公司引入 AI 的方式，和一百年前工厂换电动机差不多：每个岗位各自用 AI 加速自己手上那一段，别的什么都不动。设计师用 AI 出图更快了，开发用 AI 写代码更快了，产品经理用 AI 写方案更快了。每个人都快了。但整个项目的周期，变化远没有想象中那么大。
因为项目的时间不是各段加起来。中间有等待、有交接、有理解需求、有解释意图、有确认细节。这些环节不会因为某一段做得更快就自动消失。
这就是只换电机、不改车间。
传统的公司是怎么来的
原先存在着一个基本事实——一个人能做的事情是有限的。
一个人只懂产品，不懂设计，不懂开发。所以公司要分岗位，每个岗位管一段。岗位之间要靠交接连起来，所以公司要定流程。一个管理者管不过来太多事，所以公司要分层级，每一层的职责是把上面来的目标拆成下面能做的任务，再把做完的东西拼回去交上去。质量怎么保证？靠流程里的关卡——每次交接，都有人检查一遍。
岗位、流程、层级、关卡——这些东西全都是基于"一个人能力有限"的前提下逐渐产生的。它们互相适应了很多年，形成了一套稳定的结构。公司的办公空间、汇报关系、预算方式、考核指标，都是配套的。就像蒸汽时代的工厂不只有一根传动轴，还有围着它盖起来的整栋楼、整套管理。
前提正在松动
AI 正在改变的，恰恰是这个前提。
一个不会写代码的人，借助 AI 可以开发网页。一个不擅长数据分析的人，借助 AI 可以从一堆数据里找到规律。这不是说他变成了全才，而是说 AI 把一部分执行能力变成了所有人都能使用的基础设施。他不需要亲自掌握每项技能，只需要判断得了结果的好坏。
如果一个人能独立完成的工作范围变大了，那围着"能力有限"这个前提长出来的那些东西——岗位的边界、交接的流程、层级的深度、检查的关卡——就不再是天经地义的了。有些交接可以去掉，有些层级可以减少，有些关卡应该换个地方。
但这件事有一个很重要的特点：它没办法一个零件一个零件地换。
只把交接减掉，不调整职责——员工不知道自己该管到哪里。只把职责放大，不改变信息的传递方式——员工拿不到做判断所需的背景。只给员工更多自主权，不重新安排质量把关——出了问题没人兜底。只改流程，不改管理者的角色——管理者还在一个动作一个动作地派活，员工还是没有空间做判断。
这些东西是一套系统。你动一个，不动其他的，新的那个就嵌不进去。就像工厂给每台机器装了自己的小电动机，但厂房还是三层楼，楼梯还在那里，产线还围着旧轴排列——新电机的好处就发挥不出来。
应该变成什么样
如果沿着电动机的类比往下想，AI 时代的公司和今天相比，至少有几件事应该是不同的。
工作按结果分配，不按专业分配。 今天的做法是：这件事需要设计、开发、测试，所以分给三个岗位。未来更合理的做法可能是：这件事的目标是什么，谁最理解这个目标、能对结果负责，就交给谁。他用 AI 来处理自己不擅长的执行环节，在自己判断不了的地方请专业同事帮忙。交出去的是一个结果，不是一段流程里的半成品。
管理变薄。 过去管理者的核心工作是拆解——把大目标拆成小任务，分给不同的人，再把各自的产出拼回来。这是因为每个人只能做一小段。如果一个人能做的范围变大了，拆解的颗粒度就可以变粗，层数就可以变少。管理者的角色从"拆活、派活、收活"变成"定方向、给背景、看结果"。
质量跟着判断力走。 过去质量检查是嵌在流程里的——每次交接就是一次检查的机会。以后的检查应该跟着判断力走：负责人在哪里缺乏判断力，就在哪里安排专业的把关。不是每一步都查，也不是完全不查，而是查在刀刃上。
试错变多，单次下注变小。 过去做一件事需要凑齐一套人马，花上一个季度。现在一个人加上 AI，也许一两周就能做出一个可以拿去验证的版本。这意味着公司应该跑更多的小实验，而不是押更少的大项目。执行的成本降低了，判断什么值得做，反而变成了最稀缺的能力。
这四件事是咬合在一起的。单独做其中任何一件，效果都有限。一起动，才可能产生质变。
质变并不会马上发生
话虽如此，我并不觉得大多数公司能很快做到。
原因和一百年前一样。旧系统还在运转。厂房还没折旧完，工人习惯了在传动轴旁边干活，管理者还按老办法排产。换一台电动机很容易，重建一座工厂太难了。不是技术上难，是所有的惯性都指向维持现状。
今天的公司也是这样。组织架构、岗位说明书、绩效考核、预算流程、审批链条——这些东西层层嵌套，动了一处就得动一片。而且旧系统还跑得动的时候，重建的动力不足。
戴维研究的那段历史里，真正的变化不是新技术本身推动的，而是围绕新技术重新设计整个系统之后才发生的。电动机的价值不在于它比蒸汽机更强，而在于它让一种全新的工厂布局成为可能。AI 的价值大概也不在于它让每个人做事更快，而在于它让一种新的组织方式变得可行。
但实现这种可能，需要的不只是一个好用的工具，而是愿意把车间推倒重来的决心。
通过一个小车间来尝试
之前我们也在组织里推 AI，效果是有的，每个人确实变快了，人效的提升肉眼可见。但项目的周期并没有同比缩短。快的是各自手上那一段，卡的还是中间那些老问题。
后来我们借着从 0 启动一个项目的机会，换了一种做法。我们把产品经理和研发放在一起，角色的边界是模糊的——产品经理会去做开发的事，研发也会做产品设计的事。
但最关键的变化不在于谁做了谁的活，而在于所有人的 Agent 共享了同一个上下文。
这件事从根上改变了一样东西：背景信息的高度对齐。没有"我跟你说一下这个需求的来龙去脉"，没有"你看一下我上次改了哪里"，没有因为信息不对称产生的返工。
这件事反过来想，其实解释了前面说的很多问题。公司里大部分的交接和等待，表面上是因为专业分工，底下往往是因为信息不对称。一个人知道这件事为什么要做，另一个人不知道，所以要解释；解释的时候难免丢东西，所以要确认；确认还是会有偏差，所以要返工。这一套下来，时间就是这么耗掉的。而当所有人的 Agent 共享同一个上下文，信息差从源头上就消失了，这些环节也就不再需要了。
还有一个意外的收获：决策变快了。以前遇到一个问题，要等“该管这件事的人”来定。现在大家看到的背景是一样的，谁先碰到就可以先处理，不需要转一道手再回来。快不是因为手快，而是因为从发现问题到解决问题之间的路径短了。
不过，光有共享上下文还不够。有一样东西比工具和流程更难改，就是人的职业习惯。研发以前习惯了等产品经理来拍板，哪怕他自己已经看到了问题，也不会主动去做设计上的决定——因为那“不是我的事”。产品经理也一样，碰到技术相关的判断会本能地缩回去，觉得这应该研发来定。这些不是流程规定的，是多年分工养出来的本能。上下文共享了，如果人的脑子里还是留着那条界线，该等的还是会等。所以这个小车间里我们要求很明确：不要按岗位想问题，按事情想问题。谁先看到，谁就可以先动手。
当然，这能不能放到更大的团队，更复杂的业务，我不知道。但它至少说明了一件事：真正重要的组织变化，可能不是重新画组织架构图，而是改变信息流动的方式。当年工厂也不是只给每台机器装了一台电动机就完事了——它是让动力随时随地可用，不再经过那根轴。共享上下文做的是类似的事：让信息随时随地可用，不再经过交接。
传动轴拆掉了。大家不再围着各自的专业分工转，而是围着同一件事转。这个小车间才刚开始运行，还谈不上结论。但至少，它不是在旧车间里换电机。
参考：Paul A. David，The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox，1990。