很多马来西亚老板对这个画面不会陌生。团队里每一个人都说自己比以前快。有人用 ChatGPT 几分钟写好一份提案。有人用 Claude 把积压的客服工单清掉。开发的同事用 AI 编程工具出货。单看每个人，都在飞。但整间公司感觉不出变快。有些星期，甚至比两年前还慢。
这个落差有个名字。AI 生产力悖论，讲的就是个人明显变快，但他们身处的组织却量不出什么进步。工具是有用的，产出却加不起来。而原因不是大多数人第一时间想到的那个。
为什么公司花在 AI 上的钱，最多有 95% 看不到回报
2025 年 8 月，MIT 的 NANDA 计划发表了一份报告，叫 The GenAI Divide: State of AI in Business 2025。其中一个数字传得很快：企业的生成式 AI 项目，最多有 95% 拿不出可衡量的投资回报。不是 50%，不是 70%。是九十五。
有分析师质疑这个数字，也有道理。“可衡量的回报”在一份问卷里本来就很难界定。但连质疑的人也同意方向没错：大部分公司的 AI 开支，没有出现在真正要紧的数字上。
比较少人注意到的是下面这一点。MIT 的研究员认为，瓶颈不在模型好不好。ChatGPT 这类通用工具对个人非常好用，因为它够灵活。它在公司里跑不动，是因为它学不到这间公司。它不知道你的团队实际上怎么做事，不知道上一季决定了什么，也不知道为什么某个客户特别讨厌某个功能。MIT 把这个叫做学习断层。
这层问题还压在一个比 AI 更早就存在的漏洞上。麦肯锡很早就估算过，员工大概有五分之一的工作时间，粗略说每天 1.8 小时，是花在找资料，或者追着手上有答案的那位同事跑。AI 没有制造这个漏洞。它只是往里面灌了更多水。
AI 生产力悖论的真正原因：没有共同的记忆
想一想你的 AI 到底住在哪里。那些调教好的提示、你一句一句喂进去的背景、做到一半的对话，全部躺在某一个人的手提电脑里，某一个人的账号底下。这个人辞职，记忆就跟着走出门口。这个人放假，它就安静了。同事需要同一个答案，它传不过去。
有个画面很好用：每个员工都变成一座孤岛，每座岛上都自己搭了一间小工厂。工厂开得很旺。但岛跟岛之间没有桥。生产力在每个人身上叠得漂漂亮亮，就是加不到团队身上。
| 个人的 AI 工具 | 组织记忆 | |
|---|---|---|
| 住在哪里 | 某一个人的 app 和账号 | 一层共用、搜得到的东西 |
| 员工离职时 | 跟着人走 | 留在公司 |
| 在团队之间 | 传不过去 | 会随时间累积 |
| 对手抄得走吗？ | 抄得走，同样的工具人人买得到 | 抄不走，那是你的脉络 |
我们帮马来西亚中小企业做软件的时候，常常看到这一幕。老板给我们看五个 AI 订阅，一支确实忙起来的团队，然后答不出一个简单的问题：我们学到的东西，最后存到哪里去了？老实的答案通常是没有存。它散在 WhatsApp、email、几份 Google Docs，还有几个人的脑袋里。AI 没有修好这件事，它只是让东西散得更快。
从买工具到买结果：出钱的人在看什么
出钱推下一波 AI 的人，也在往这个方向看。Sequoia 在 AI Ascent 2026 上把今年称为 agent 之年，讲得很直接：以后卖的是结果，不是软件。它判断客户已经买腻了工具座位，他们要的是留得住的成果。
Sequoia 的 AI Ascent 2026 把今年定义为“agent 之年”，以及从卖软件转向卖结果的一年。来源：Sequoia Capital
这里有一个绕不过去的坑。一个不认识你公司的 agent，借用一句很到位的说法，是个聪明的傻瓜。它会用完全错的品牌语气，写出一封挑不出毛病的 email。它答得出所有通用问题，却答不出真正要紧的那一个：客户投诉过的那个 bug，我们后来到底修了没有？这个点子是不是三个月前已经否决过了？
这个认知催生了一小批创业公司，卖的是他们口中的组织记忆，或者 context layer：一个共用的地方，把公司的决定、答案和判断收起来，可以重复用。Forbes 写过这个题目，Coworker.ai 和刚拿到融资的 Lucius 是比较早的一批。对客户我们会说实话。这个类别有潜力，但还没被验证。这些产品大多只处理高频、重复的那一块，不是复杂、赌注大的决定。把它们当成风向，别当成救命稻草。
Lucius 这类创业公司现在主打“context layer”，把公司的决定和答案收起来重复使用。来源：Lucius
马来西亚老板可以怎么解 AI 生产力悖论
你不需要等一个完美的产品出来，也不该把公司押在一个太早期的产品上。原则比今天市面上任何一个产品都重要，而且这个月就可以开始。
别再数你买了几个工具座位，开始建一个能记住东西的地方。在给团队买第十个 AI 订阅之前，先问一个更简单的问题：有人把一个问题解得很漂亮的时候，那个答案会去到哪里，让下一个人找得到？如果答案是“没人知道”，工具只会让混乱跑得更快。
挑一个最痛、最常重复的流程，把它的知识变成可以重复用的。不是一次搞定整间公司。那个一个星期被问二十次的客服问题。那个新人要花一个月才拼凑得出来的入职流程。把它实际上怎么处理记下来，放在一个搜得到的地方，让 AI 从那里取材。
如果你是一个人的团队，也照样建你自己的 context layer。你的项目笔记、跟客户的对话、写过的东西，正在悄悄变成你最值钱的资产。我们之前写过，撑得久的能力是知道该问 AI 什么，而不是一直追最新的工具。放到公司层面，道理一样：撑得久的资产，是一份工具取用得到的记忆。
看了三年 AI 生产力悖论怎么上演，我们的老实看法是：赢的不会是模型最聪明的那家公司。模型每几个月就重置一次，护城河很浅。赢的会是最清楚记得自己怎么做事的那家，因为这是对手抄不走、也追不快的东西。
想把团队零散的 AI 使用变成会累积的东西？Gotchaa Lab 做的就是让 AI 用得上你真实业务脉络的定制 AI 解决方案，以及底下那套软件。找我们聊聊，我们会老实告诉你什么值得做，什么不值得。
参考资料
- MIT report: 95% of generative AI pilots at companies are failing (Fortune, coverage of MIT NANDA "The GenAI Divide: State of AI in Business 2025")
- The social economy: Unlocking value and productivity through social technologies (McKinsey)
- AI Ascent 2026 (Sequoia Capital)
- The Role Of Organizational Memory In Scaling Enterprise AI (Forbes)
- Lucius, the context layer for your organization
