George Sivulka 是 AI 金融分析公司 Hebbia 的创始人兼 CEO。这篇文章发布于 2026 年 3 月 12 日，123 万次浏览，是近期关于 AI 与企业组织最值得一读的长文之一。
核心观点一句话：AI 让每个人的生产力提升了 10 倍，但没有哪家公司的价值因此提升了 10 倍。那些生产力去哪了？
历史已经给过一次答案
1890 年代，电力出现了，承诺带来巨大的生产力增益。新英格兰的纺织工厂把蒸汽机换成了电动马达。更快的马达，更好的技术，然而三十年里，这些工厂的产出几乎没有增加。
直到 1920 年代，工厂彻底重新设计了生产线——引入流水线、给每台设备装上独立电机、让工人和机器承担全然不同的岗位——电气化带来的回报才真正到来。
回报不是来自技术本身，也不是来自让每台机器单独跑快一点。只有同时重新设计技术和组织，收益才能实现。
Sivulka 的判断是：这是技术史上最贵的教训，而我们现在正在把它重学一遍。
2026 年，AI 让懂得使用它的个人生产力提升了 10 倍。但我们换了马达，没有重设计工厂。
根本问题：“个人 AI”和”机构 AI”是两件不同的事
一个思想实验：假设你把公司最优秀员工复制一倍，明天就到岗。
这些员工各有细微不同的习惯、判断、优先级。如果没有足够的协调、明确的职责划分、清晰的 OKR，你制造的不是生产力——你制造的是混乱。
这不是假设，这正在发生。每个人都有自己的 ChatGPT 习惯、自己的提示词风格、自己的输出结果，而这些输出之间不互通。组织架构图还在，但 AI 生成工作的实际流动完全是另一回事。
Sivulka 提出了”机构智能”（Institutional Intelligence）的概念，并给出了区分它与”个人 AI”的七个维度。
七个支柱
1. 协调
个人 AI 制造混乱；机构 AI 创造协调。
每个人朝着不同方向划桨，结果是原地踏步甚至倒退。下一步需要的是完整的”代理管理”行业：代理的职责划分、代理与代理之间的通信、代理与人之间的通信，以及如何衡量代理创造的价值。
2. 信号
个人 AI 制造噪音；机构 AI 找到信号。
今天，人人都能生成任何东西——文章、演示、电子表格、视频、代码。问题在于，AI 生成的大部分内容是垃圾（AI slop）。Sivulka 说，他运营一家 AI 公司，但要求高管团队不要用 AI 写任何最终书面产品——他受不了那种质感。
生成”任何东西”不再是问题。问题是如何从指数级膨胀的垃圾山里找到那一个真正有价值的东西。机构级智能必须是确定性的、可审计的，而不是随机漫步式的。
3. 去偏见
个人 AI 强化偏见；机构 AI 创造客观性。
当前的大模型经过大量 RLHF 调教，已经变成了工具性的逢迎者——无论你说什么，它们都倾向于同意。Claude 的反射性”你说得完全正确！“已经成为自嘲式梗图。
这看起来无害，实则不然。一个在工作中得不到正向反馈的员工，很快就会有 ASI 不断认同他。他会对自己说：“有史以来最聪明的智能认为我是对的。我的上级错了。“这会让组织分裂。
组织几千年来建立了对抗这个问题的机制：投资委员会、第三方尽调、董事会、三权分立、民主制度。机构 AI 必须扮演同样的角色——不是”是”人，而是说”不”的人，质疑判断、暴露风险、执行标准。
4. 差异化边界
个人 AI 优化使用量；机构 AI 优化差异化边界（edge）。
基础大模型在快速迭代所有能力，但对于真正专业的应用，深度永远胜过广度。Midjourney 专注于设计图像，ElevenLabs 专注于语音，Decagon 专注于全栈客服——在它们最专注的领域，它们永远领先基础模型一步。
Sivulka 的问题很有意思：“一个 AGI 会选择什么工具作为自己的捷径？即使是超级智能，在特定领域也希望有专属的目的性工具。“给通用大模型付费，最终买的是一个昂贵的商品。
5. 结果导向
个人 AI 节省时间；机构 AI 扩大营收。
几乎所有当前的 AI 产品都在卖”节省时间、少人多事、替换员工”。但一个 CEO 被问到第一优先级是降成本还是扩收入时，几乎所有人都会说收入。
编程 IDE 是有史以来最好的个人生产力工具之一，但它们已经在面临来自 Claude Code 的巨大压力——另一个个人 AI 工具。而 Cognition 在做完全不同的事：他们卖的是”转型”，不是工具。
机构 AI 必须带来上行空间，而上行空间比节省时间难得多复制。
6. 落地支持
个人 AI 给你工具；机构 AI 告诉你怎么用。
人类对改变有天然的惰性。纽约还有至今不接受信用卡的成功餐厅。从纯人工组织转型为 AI 优先的混合组织，会是未来十年最持久的挑战，而且往往越是高级别的人越慢。
Palantir 是目前极少数真正在做”流程工程”的公司之一——这也是它在科技股大跌中还能维持极高估值的原因。机构 AI 的落地，需要的不只是技术，还需要把业务流程编码进代理，并推动真正的变革管理。
一家顶级投行在决定全面部署 Hebbia 之前，曾和某大模型实验室谈，结果那个团队不知道什么是 CIM（信息备忘录）。业务领域知识，不是软件知识，才是这里真正重要的东西。
7. 主动出击
个人 AI 响应人的提示；机构 AI 主动行动，无需提示。
最有价值的工作，往往是没有人想到要去做的工作。AI 应该找到没人标记的风险、没人想到的交易对手、没人意识到存在的销售线索。
一个主动运行的系统持续监控整个投资组合，发现某家公司的营运资金周期已连续三个月悄悄恶化，自动对照信贷协议中的条款阈值，在基金任何人打开 PDF 之前就提醒管理合伙人。
当你不需要人来提示 AI，新的界面和新的工作方式才会出现。
结语
这不是要否定个人 AI 的价值。个人 AI 仍然是大多数企业最初体验 AI 变革魔力的入口，推动使用率和普及是走向 AI 优先经济的第一步。
但同时存在一个明显、紧迫的空白：机构智能。
未来每家组织都会有一个来自大模型实验室的聊天机器人，也会有一个专为领域特定问题构建的机构 AI——而个人 AI 会把机构 AI 当作自己工具箱里的关键工具。
两者相辅相成的故事是必然的。但别忘记 1890 年代的教训：最先电气化的工厂，败给了那些重新设计了厂房的工厂。
我们已经有了电。现在是时候重新设计工厂了。