一、引子

1890 年代，电动机已经成熟商用。它的效率是蒸汽机的 3 倍以上，维护成本低一个数量级，还能按需启停——无论从哪个角度看，都比蒸汽机更好。

然而，美国制造业的劳动生产率直到 1920 年代才开始真正爆发。

中间隔了整整 30-40 年。

不是技术不成熟，不是资本不充足，不是企业管理层愚蠢。1990 年，斯坦福经济学家保罗·大卫（Paul A. David）在《The Dynamo and the Computer》中揭开了谜底：当一项通用技术到来时，企业会用旧的组织逻辑去套新技术，直到有人敢于问一个天真的问题。

电力的故事是这样的。

二、上篇——蒸汽→电力：被误读的百年跃迁

蒸汽工厂：一条"天轴"统治一切

19 世纪的工厂围绕一个物理约束构建：蒸汽机只有一台。它通过贯穿整栋楼的天轴（line shaft）和皮带轮系统，把动力传给每一台机器。

这个约束决定了工厂的一切：

  • 建筑必须垂直多层——机器必须紧贴天轴排列，距离越远，皮带越长，动力损失越大
  • 机器只能平行排列——按"离天轴的距离"排，不是按"工序顺序"排
  • 物料上下搬运——不是在水平方向上按流程流动
  • 工人围绕"伺候机器"组织——皮带要加油、要防断裂、要定期更换

一句话：工厂不是"一个流程"，而是"一台机器的延伸"。

三阶段：电灯泡 → Group Drive → Unit Drive

电力进入工厂经历了三个阶段。这段历史是所有技术范式跃迁的缩影：

Stage 1：电灯泡

工厂主做的第一件事：拆掉煤气灯，装上电灯。

照明更亮了、更安全了、更便宜了。但工厂的布局、流程、组织方式——什么都没变。生产率增长：0%。

这完全合理。你不可能指望换个灯泡就让工厂运作方式改变。

Stage 2：Group Drive（群体驱动）

工厂主做的第二件事：拆掉蒸汽机，装一台巨大的电动机，接回同一条天轴。

效果立竿见影——外购电力比自产蒸汽便宜 5-7 倍，维护成本大幅下降。

于是全美国的工厂主都兴高采烈地拆掉了蒸汽机，装上了电动机，然后接着用天轴。省钱，且不用改变任何东西。

这个阶段持续了将近 30 年。

Stage 3：Unit Drive（单元驱动）

少数工厂主开始问一个"天真"的问题：“如果我们不给天轴装电动，而是每台机器装一个独立小电机，会怎样？”

答案是：你可以拆掉天轴。拆掉天轴，就不需要多层建筑了——单层大跨度工厂成为可能。没有天轴，机器可以按工序顺序排列，而不是按离天轴的距离排列。当机器按工序排列，物料可以水平流动——于是移动流水线在物理上成为可能。

1913 年，福特高地公园工厂（Highland Park）的移动流水线上线。底盘组装时间从 12.5 小时降到了 1.5 小时。

1919-1929 年间，Unit Drive 大规模普及，美国制造业劳动生产率年均增长 5.4%。

核心洞见：Stage 2 是舒适区陷阱

Stage 2（Group Drive）不是错误的——它是理性的。它省钱，它有效，它不需要改变任何既有的管理习惯。

但正是这种"效果还不错"，让组织失去了问正确问题的动力。

Stage 2 的问题是：你问的是"怎么让新技术跑在旧系统上"，而不是"如果系统为新设计，它该长什么样"。

这个问题的答案，制造业等了整整一代人。

三、下篇——AI 时代的映射

精确类比

历史阶段 电力时代 AI 时代（当前）
Stage 1：灯泡 电灯替代煤气灯 ChatGPT 写邮件、Copilot 辅助编码
Stage 2：天轴替代 Group Drive：电动机接回天轴 AI Agent 处理客服工单、AI 辅助招聘筛选
Stage 3：范式重构 Unit Drive + 福特线：工厂逻辑重建 ？

绝大多数企业今天处在 Stage 2。他们做的事情本质上和 1905 年的工厂主一样——把 AI “接回"现有的流程天轴：

  • “怎么让 AI 帮我做客服？”
  • “怎么用 AI 加速我的代码审查？”
  • “怎么让 AI 优化我的排程建议？”

这些问题不是错的。但它们问的是"怎么让 AI 跑在我现在的系统上”，而不是"如果一家企业生来就是 AI 原生的，它该长什么样"。

范式跃迁的三个特征

特征一：决策中枢的自主化

蒸汽时代的"天轴"是物理动力中枢。今天的"天轴"是管理决策链。

组织中每条信息流都经过管理层的"审批天轴"：上报 → 审批 → 下达。AI 接入这个结构——流程不变，速度略快。这就是 Stage 2。

AI 时代的"福特线"是：决策从集中审批变为分布自治。 AI 不仅执行任务，而且做决策。管理层的角色从"审批每一步"变为"设计约束边界、处理异常"。

就像每台机器有了自己的电动机，每个业务节点有了自己的决策 AI。

特征二：从"预测-控制"到"感知-响应"

蒸汽工厂必须围绕天轴排列机器——这是物理约束。今天的组织围绕"预测-控制"的管理逻辑排列——这是认知约束。

泰勒（1911）：计划者思考，工人执行。福特（1913）：流水线节拍替代工人判断。企业管理系统：年度计划 → 季度 Review → 月度调整 → 周报。

这个范式假设变化慢到计划能活到执行完毕。今天的市场不是这样。

AI 福特线的核心转变：不再"先预测需求，再组织资源"，而是"持续感知需求信号，实时重组资源"。

特征三：人的角色从"操作员"变为"异常处理器"

蒸汽工厂的工人围绕维护机器工作（皮带调整、加油、防断裂）。电力 + 流水线之后，工人只需做一个动作——拧一个螺丝。

AI 福特线同理：人不再在决策链上——不审批、不派单、不排程。人在决策环之外——处理 AI 无法处理的异常、定义策略边界、审核 AI 决策质量。

判断标准：如果问"流程中还有人吗？"——有，且人在做关键决策 → Stage 2；没有，人只在环路外 → Stage 3。

四、对照——哪些是 Stage 2，哪些是 Stage 3

Stage 2（线性改进） Stage 3（范式跃迁）
AI 帮你写报告 报告由 AI 自动生成并决策，人审异常
AI 客服回复用户询问 AI 全程闭环处理客户全生命周期，人定边界
AI 辅助招聘筛选简历 AI 端到端管理招聘漏斗+入职，人面终面
AI 预测设备维保需求 AI 自动调度维保+备件+替代，无人工介入
AI 分析运营数据 AI 实时感知运营信号并自主调整参数
用大模型做代码补全 AI Native 的软件工程范式（规范→代码→测试→部署全自主）

关键差异不在于"AI 够不够强"，而在于"人的位置在哪"。

Stage 2 保留人的决策权，AI 提供建议。Stage 3 把决策权移给 AI，人只处理 AI flag 的异常。

这不是一个技术决策，是一个组织设计决策。

五、启示——如何走向 AI 福特线

第一步：识别你的"天轴"

画出核心业务的全链路决策地图。标记每一个"人必须做判断"的节点。问：如果没有这个人，AI 能否做出同等或更好的判断？

大多数企业会发现，“审批"占据了决策链 80% 以上的节点。那个审批链就是你的天轴。

第二步：选一个闭环做 Stage 3 试点

不要全铺开。选一个边界清晰、数据充足、决策频率高的闭环。目标是：这个闭环从"人决策"变为"AI 决策，人处理异常”。

适合试点的特征：高频决策、明确标准、闭环数据、低风险。

第三步：重新设计异常处理机制

Stage 3 的核心设计挑战不是"AI 怎么做决策"——是"人类处理异常的界面"。

AI 像流水线一样快速吞吐常规决策，人类只接 AI flag 的异常。这个"异常处理界面"的设计——界面的信息密度、决策辅助、响应优先级——决定了 Stage 3 能否真正运转。

第四步：重新定义角色

当前的组织角色是"调度员"“运营经理"“资产管理”。

Stage 3 的角色可能是"AI 运营策略师”（定义 AI 决策边界、优化规则引擎）、“异常响应专家”（处理 AI 无法判断的极端场景）、“AI 审计师”（持续评估 AI 决策质量）。

一个警示

Stage 2 不是错的。历史上 Group Drive 也持续了 30 年——它是必经之路。

但 Stage 2 不能成为终点站。

最大的历史教训不是"技术不够好"，而是"Stage 2 的舒适区太舒服了"——省钱、提效、不用改变组织——以至于组织失去了问"如果重来一次会怎样"的动力。

今天问这个问题的成本，远低于 5 年后问这个问题的成本。