AI 时代，企业为何难以承接不断扩大的生产力？
- AI 能提升个人生产能力，但无法自动改造组织结构
- 个人加速，不等于企业提速
- 产出增长，也可能带来更多协调成本
- 个体生产能力的增长速度，超过了组织协调能力升级的速度
——这个落差，就是“协调赤字”
01｜AI 时代，越来越累的人
上周，Zleap 一位工程师分享了一个很有意思的场景：
让 Agent 修改一小段代码，Agent 很快完成了任务，却顺手把整个模块都改了，结果又得返工。
他说在 AI 时代，工程师不仅要会写代码，还要开始掌握项目管理：拆分目标、补充上下文、给任务设边界、安排执行节奏，等等。
近一年多来，很多人的工作方式已经随着 AI 从 Chatbot 转向 Agent，发生了很大变化。 从聊天窗口里复制粘贴（Ctrl C/V），逐渐变成向 Agent 说 “Yes/No”；同时生产过程也逐渐从个人单打独斗，转变成管理一支 Agent 团队 。
图源 | Zleap 内部分享
AI 可以替我们查资料、写方案、改代码，但恐怕没人敢把 AI 的生成结果直接放入生产环境。人承担后果，因此需要对此进行审计和验收。
所以每个人都感觉自己更忙了——干的事越来越多，花的时间和 Token一点没少，然而结果却未必更接近目标，大多处于未完成态。
我们把这种落差称为 协调赤字 。
协调赤字，有两层
个体层面 产出迅速增加而注意力有限，个人一时顾不过来。
团队层面 伴随个体产出增加，组织内部任务分工、进度协同、过程交接、产出评审和验收的协调制度安排还未赶上。
这意味着，从个人产出到组织成果之间的转化链路仍然冗长、缓慢，拖累了组织提效。
02｜企业是生产机器，也是协调制度
自亚当·斯密（Adam Smith, 1776）以来，我们习惯从分工和专业化理解企业。市场规模扩大，会推动更细的分工，并带来专业化能力提升和产出增长。现代企业则把不同专业的人组织到一起完成共同生产。
亚当·斯密（1723-1790）图源 | 维基百科词条
但在上世纪 30 年代，罗纳德·科斯（Ronald H. Coase, 1937）提出了一个天才式的发问：
如果市场能够配置资源，为什么人们还要组成公司？
科斯的答案是，市场交易并不是无摩擦的。每做一笔交易，都要寻找合作方，并且询价、议价、签约，确保合约履行。企业则使用组织内部权威，替代逐笔使用价格机制的交易过程，节省一部分交易成本。
但企业内部也会产生新的成本——包括衡量中间产出、管理员工劳动、监督各层代理人等。
因此，企业不会无限扩张。它会停在一条边界上：再多把一项交易收进企业内部的成本，已经不低于通过市场完成它的成本。
罗纳德·科斯（1910-2013） 图源 | 维基百科词条
之后，奥利弗·威廉姆森（Oliver Williamson, 1975）等沿着科斯的路线继续推进，探讨不同条件下的最优治理结构。
总的来看， 企业的价值不只在于提高社会生产效率，更在于把分散的个人行动协调一致。
03｜AI 先行交付了生产力，留下了协调账单
当AI 进入工作场景后， 个人生产能力首先得到放大，但也意味着人要承担更多协调 AI 的成本 ：决定用哪个模型和 Agent，给它补充什么上下文，检查它的产出是否合格，不同的结果能否整合成下一步可执行的方案。
到团队层面，协调账单还要再多一层。
每个人不只要管理自己的“AI 小队”，还要和其他人及其 AI 对齐。
一个团队可能在一天内生成五份方案，却花两天确认到底采用哪一份；每个人都在推进自己的任务，到了评审会上，却发现大家讨论的不是一回事。
归根到底，过去的岗位分工、绩效设定和人员考核，适应的是旧的个体生产能力。 但当个人能力随着 AI 发展突然扩大，原有制度却未能有效承接。
“三个和尚没水吃”，折射了人类文明进步最根本的困境——集体行动难以协调
协调赤字，正是这样形成
员工能力边界快速扩张，组织没有同步建立共同上下文、统一标准和清晰的责任边界。
横向上 个人能力扩张以后，人与人之间的协调成本并没有消失。
纵向上 AI 汇总出来的信息越来越多，管理者却仍要判断哪些信息可信。
总而言之，AI 没有凭空制造协调成本。它是在原有的组织运作轨迹上，通过提高生产速度，更加凸显了协调难题。
04｜Zleap 的探索：让知识、Agent 与现场重新接上
如果企业的核心价值之一，是把分散的个人行动组织成共同结果，那么 AI 时代的问题就不只是如何提高个人产出，而是如何重新设计这套协调机制。
这也是 Zleap 探索 SAG、Zleap OS 与 FDE 的起点。
第一步：让管理者看见组织
Zleap 创始人 Jomy 在管理公司的过程中逐渐感到一个问题特别棘手——公司规模越大，自己越难听到真实的声音，也越难知道业务一线究竟发生了什么。
这类问题并不只属于现代企业，而是组织规模扩张与有效治理的根本难题。
美国汉学家孔飞力（Philip Alden Kuhn, 1990）在《叫魂》中，讲过一场民间恐慌如何在地方层层传递、最终影响中央判断的故事。它呈现的是 大型组织的信息治理困境 ：
基层信息在层层上报中被筛选、放大和扭曲，管理者掌握的信息越多，判断反而未必越接近事实。当组织规模持续扩大、上下之间的信息结构得不到优化，治理就会出问题。
在去年，我们最初希望借助 AI 改善企业的信息汇报，打造了 SAG 知识库，并且推出了聚合LLM模型、Agent 与 Context 三层基建的一体机 D1，让它成为 CEO 和管理者的信息中枢。
D1 可以汇聚业务系统、项目记录和内部沟通中的信息。它首先解决的是：纵向信息如何抵达管理者，并成为可以信任的共同事实。
Zleap D1 Agent 一体机
然而，“看见”只是组织行动的起点。
第二步：看见之后，让组织共享知识
随着越来越多同事使用 AI，我们深入到一线场景后发现，公司内部的协调问题不只在于纵向信息流动，更在于分工协作。
于是在今年，我们开始设想：
干脆就让 SAG 与 D1 从管理者的信息中枢，扩大到企业中许多人都会使用的知识中枢，担当组织的决策基础。
SAG 负责把企业内散乱的资料和数据连接起来，整理成可关联、可检索的信息，让人和 Agent 在处理任务时能找到共同依据。这样的知识库，才能 在横向协调中，让不同的人形成共同理解。
第三步：Agent 开始行动后，如何进入组织
再往后，我们注意到，当 Agent 不再只是作为工具，而是开始在许多岗位上，作为独立Task Agent 承担任务，协调就进入了更深的一层。
我们开始设想，如何更充分地调度 Agent 的能力，让它承担更完整的任务、更深入地参与组织协作。
但这有个必要前提，即 Agent 是可控的：
Agent 属于哪个项目，代表谁行动，可以读取什么、调用什么，哪些决定必须交还给人，出了问题又由谁负责？这些问题解决了，才能放心让Agent承担更复杂的任务，组织和人才愿意从数字员工的角度处理 Agent。
因此，我们开始做 Zleap OS，并将它定义为面向 Agent 的调度系统。它要在以人为主的组织中，为 Agent 建立清晰的组织身份，并划定权限边界、任务归属、过程记录和责任链条， 让 Agent 能够在可治理的前提下参与分工协作。
第四步：标准能力如何真正落地
SAG 和 Zleap OS 再完整，也不会自动适应每一家企业。不同企业的规模、行业、政治环境和社会关系等不同，它们的协调问题也不会相同。
这正是 FDE（Forward Deployed Engineer）需要进入现场的原因。他们把标准化的技术和产品方案带到企业现场，完成对企业的诊断，进而设计和实施 AI 化方案。
并且，FDE 再将现场经验反馈给我们，推动标准化方案不断进步，从而持续沉淀企业 AI化能力。
因此，Zleap 的探索不是四个产品的简单叠加，而是一条逐渐展开的路径：SAG 组织知识，Zleap OS 组织 Agent，并提供SaaS 和软件硬件一体机则作为标准化交付方式，由FDE将这套能力带进企业。
05 | 但这只是一个开始
好的协调并不会削弱生产力，反而有机会减少无效等待和重复沟通，把更多注意力还给判断与创造。
而且，像 Zleap 一样的众多同行，都在企业 AI 化组织基建上努力，共同解决 AI 落地的最后一公里 。这些基建也不只是处理协调问题，它们还直接作用于生产效率的提升。
譬如，我们的 SAG 作为企业知识基建，能够为新人补充企业上下文，缩短入职磨合期；也能够为 Task Agent 供给专业知识，让它更好地承担任务。
但包括 SAG 在内的诸多方案是否有效，不只取决于它在理论层面的作用机制，还取决于它能否适应具体企业。 所以还有很多问题需要解决 ：
- 企业在吸收员工知识时，如何保护员工的知识产权和贡献？
- 信息流通加快后，如何保护员工隐私？
- ......
这些由AI带来的问题，需要社会、政治、法律和市场等各方共同协商。
留给我们所有人的追问
作为人，该如何理解 AI 在企业中的身份：
它只是员工手边的工具，还是一个能够领取任务、接受授权并交付结果的组织成员？两重身份之间又有怎样的区别？
我们或许也能提出一个青年马克思式的问题：
当越来越多认知劳动交给机器，人会不会被压缩成任务的验收者和责任的签字人？判断、创造、关怀与担当这些让人之所以为人的独特价值，又该如何重新回到人身上？
卡尔·马克思（Karl Marx, 1818 -1883） 图源 | 维基百科词条
下一篇，我们可以接着聊。
如果你也正卡在这
如果你发现公司里每个人都在提效，但从个人产出到组织交付的链路却变慢了，这可能不是执行力问题，而是组织正在出现协调赤字。
欢迎添加我们的企业微信，备注「企业 AI」，我们接着聊，看看协调这一头还能怎么拆。
> 往期推送 ：
从 Transformer 到 Transformation：企业 AI 化的问题与解决路径
资料来源
1. 罗纳德·H.科斯（Ronald Harry Coase）, The Nature of the Firm（Economica, No. 16, 1937, pp. 386–405.
2. 斯坦福大学 HAI，《AI Index 2026》：2025 年受访组织的 AI 采用率达 88%。
3. 麦肯锡，《The State of AI》全球调研（2025）：约 88% 的受访组织至少在一项职能中使用 AI，但约 6% 被归为高绩效组织。
4. 奥利弗·威廉姆森（Oliver E. Williamson），Markets and Hierarchies: Analysis and Antitrust Implications（New York: Free Press, 1975）.
5. 孔飞力（Philip A. Kuhn），Soulstealers: The Chinese Sorcery Scare of 1768（Cambridge, MA: Harvard University Press / Belknap Press, 1990）；中译本《叫魂：1768 年中国妖术大恐慌》，陈兼、刘昶译，上海三联书店，1999。
