【译文】机构级 AI 与个人级 AI

AI 刚刚让每个人的生产力提高了 10 倍。

但没有哪家公司因此获得 10 倍的估值增长。

这些生产力去哪儿了？

这并不是历史上第一次发生这种情况。

在 19 世纪 90 年代，电力曾被寄予厚望，承诺带来巨大的生产力提升。

新英格兰地区的纺织厂原本是为利用蒸汽机的旋转动力而建造的，它们迅速将蒸汽机替换为速度更快的电动机。

但在随后的 30 年里，电气化工厂的产量几乎没有任何增加。技术已经遥遥领先，但组织架构却并未跟上。

直到 20 世纪 20 年代，工厂彻底重新设计了车间，引入了流水线，为每台设备配备了独立的电机，并且工人和机器执行着截然不同的工作任务时，电气化才产生了实质性的回报。

这些回报并非来自技术本身，也不是因为让个别工人或机器纺线的速度变得更快。只有当我们最终将机构组织与技术结合起来重新设计时，这种收益才真正显现出来。

这是科技史上最昂贵的教训，而我们现在正在重新经历它。

在 2026 年，AI 正为那些懂得如何利用它的人带来 10 倍的生产力提升。但这还不够。我们只是换了发动机；我们还没有重新设计工厂。

因为一个简单的事实：高效的个人并不能造就高效的公司。

绝大多数 AI 产品只会让人感觉自己很有生产力，但它们并没有在创造核心价值上取得实质性突破。大部分被广泛宣传的 AI 应用，都只是个人在 Twitter 或公司 Slack 频道上自我陶醉式地将“生产力拉满（productivity-maxxing）”，对实际业务产生的是零影响。

过去一年里反复被提及的“服务即软件（services as software）”主题指明了正确的方向，但并没有提供蓝图。而且它忽略了更大的图景。真正的转变不是从工具到服务，而是将技术与机构（无论是传统机构还是新机构）结合起来共同构建。一个真正具备生产力的未来需要一种全新类别的产品。也就是明天的流水线。

高效的组织需要“机构级智能（Institutional Intelligence）”。

本文将深入探讨区分“机构级 AI”与“个人级 AI”的七大核心要素。未来十年内，整个 B2B AI 领域的公司都将建立在这些差异之上：

机构级智能的七大支柱

1. 协同协作 (Coordination)

个人级 AI 制造混乱。

机构级 AI 创造协同。

让我们从一个思想实验开始。想象一下，如果明天你用公司里最优秀员工的克隆体，让员工人数翻倍。

这些员工每个人都有微小的差异、偏好、怪癖和视角（如果你克隆的是最优秀的员工，情况更是如此）。如果他们没有得到充分的管理，如果没有充分的沟通，如果他们的工作边界、OKR（目标与关键结果）、角色和职责没有明确界定……你就会制造出混乱。

虽然以个人为单位衡量时，这个组织可能更具生产力，但成千上万的智能体（或人类）向着相反的方向划船，往好了说是停滞不前，往坏了说就是破坏了组织的和谐。

这不是假设。这正发生在我们每一个没有建立协同层就采用了 AI 的组织中。每个员工都有自己的 ChatGPT 使用习惯，有自己的提示词（prompt）风格，他们自己生成的输出结果和其他人的输出结果完全不互通。组织架构图是存在的，但 AI 生成工作的实际工作流呈现出的却是完全不同的另一幅景象。

无论是对人类还是对智能体来说，协同协作都是绝对的当务之急。

机构级智能将演变出一个完整的“智能体管理（Agentic Management）”行业，专注于智能体的角色和职责、智能体与智能体之间以及智能体与人类之间的沟通，以及衡量智能体的价值（单靠基于消耗量的定价模式是行不通的）。

2. 信号 (Signal)

个人级 AI 制造噪音。

机构级 AI 寻找信号。

今天的人类能够创造，或者说生成，任何他们能想象到的东西：AI 撰写的文章、演示文稿、电子表格、照片、视频、歌曲、网站和软件。这真是一份不可思议的礼物。

问题在于，几乎所有 AI 生成的东西都是彻头彻尾的“内容废料（slop）”。这种 AI 废料的泛滥已经严重到让一些组织反应过度，乃至完全禁止使用 AI 输出。对此我感同身受……我自己经营着一家 AI 公司，但我要求我们的高管团队在最终书面产品中不要使用 AI。我无法忍受那些废料文字。

想象一下私募股权（PE）领域正在迅速变成什么样子。去年，你的办公桌上可能会收到 10 个交易项目。今年，你在下个季度将收到 50 个机会，每一个都被 AI 润色得完美无瑕，而你用来寻找那唯一一个真正有价值的交易的时间却和以前一样多。

生成任何东西都不再是问题了。今天任何严肃组织面临的问题是：生成并筛选出正确的东西。在一个由 AI 驱动的世界里，找到那一份优秀的产出、那一个优质的交易，在噪音中找到信号，变得越来越重要。未来十年关键的经济驱动力，将是从呈指数级增长的废料山中发掘出有价值的信号。

机构级智能必须能够找到信号，必须对噪音进行结构化处理以剔除废料，并且在执行任务时必须是定义明确、确定性且可审计的。

个人级 AI 可能会强调一个聊天机器人探索不可预测的方式来满足一个人 24/7 需求的“永远在线”的生产力，即一种非确定性智能体（nondeterministic agent）；而机构级 AI 将依赖于确定性智能体（deterministic agents）所带来的承重般的极高可预测性。这些智能体具有可预测的检查点、步骤和运行流程，能够实现规模化，能够发掘信号，并通过这些信号为组织带来实打实的收入回报。

3. 偏见 (Bias) / 客观性

个人级 AI 助长偏见。

机构级 AI 建立客观。

多年来，对社会政治偏见的担忧主导了 AI 领域的讨论。后来，基础模型实验室最终通过足够多的 RLHF（基于人类反馈的强化学习）绕过了这个问题，实际上将所有模型都变成了“马屁精”。今天，ChatGPT、Claude 等模型（过度）对齐，以至于它们会在“奥弗顿之窗”（Overton window，即公众可接受的观点范围）内的任何话题上附和你的观点（有时甚至略微超出这个范围，说的就是你，@Grok）。关于社会政治偏见的讨论已经平息。取而代之的是一个新问题。

但是这种在所有事情上的一致性——或者说过度对齐——已经变得滑稽可笑。它本身甚至成了一个梗……Claude 会条件反射式地回复“您说的完全正确！”，完全不管你到底是不是真的完全正确。

这听起来似乎无害。实则不然。

在许多组织中，最激进的 AI 拥护者可能很快就会是那些历史上表现最差的员工。想想为什么。

组织中最差的员工每天几乎得不到任何正向反馈，很快他们就会拥有赞同他们的 ASI（人工超级智能）。他们会暗自窃喜：“有史以来最聪明的智能体都同意我的观点。我的经理是错的。”

这种感觉令人陶醉。但在组织层面上，它也是有毒的。

这凸显了一件重要的事情。这些个人生产力工具在不断强化用户自我。但在现实中，最需要被强化的是事实真相。

几千年来，人类组织不断演进，建立了各种体系来专门对抗这个问题：

• 投资委员会会议
• 第三方尽职调查
• 董事会
• 美国政府的行政、立法和司法分支
• 代议制民主，以及作为整体的民主制度

组织的失败很少是因为人们缺乏自信。它们失败通常是因为没有人愿意，或者没有人能够说“不”。

机构级 AI 必须扮演这个角色。它不会被强化学习训练成奉承用户或附和用户信念的工具，而是要挑战他们的偏见。它会在富有成效时强化行为，并在纠正非生产性倾向时划定一条强硬的底线。

因此，组织内部最重要的智能体不会是“好好先生”，而是纪律严明的“拒绝者（no-men）”，它们会审视推理逻辑、揭示风险并执行标准。未来 AI 的一些最具影响力的应用，将围绕着机构约束来构建：AI 董事会成员、AI 审计员、AI 第三方测试、AI 合规检查等等……

4. 边界优势 (Edge)

个人级 AI 为使用量而优化。

机构级 AI 为边界优势而优化。

AI 领域的标尺以每周甚至每天的频率在演变。基础模型公司为了争夺每一个人和每一个组织，正在快速迭代模型能力。

但在经典的创新者窘境中，对于特定的应用场景，深度总是能够击败广度：

• 在设计图像方面稍微领先一点，这是 @Midjourney 的工作。
• 在语音模型方面稍微领先一点，这是 @Elevenlabsio 的工作。
• 在全栈客服体验方面始终保持领先，这是 @DecagonAI 的工作……

尽管基础模型会越来越接近这些能力，但对于各自领域的专家而言，真正的边界优势至关重要。许多最优秀的设计师依然会使用 @Midjourney，许多最优秀的语音 AI 公司将使用 @Elevenlabsio，等等……因为即便基础模型在不断进步，专用应用程序为了驱动其特定优势而展现出的那种不屈不挠的专注，本身就定义了这种边界优势。

只要专用的解决方案也在不断进化，对于商业组织而言，真正能够决定经济产出的能力，将始终掌握在专用产品手中。

这一点在金融领域体现得淋漓尽致——这正是目前 LLM 开发最热门的领域。一旦某项能力变得普及，从定义上讲它就不可能再帮你跑赢市场。但如果前沿技术能够产生 1% 的短暂细分优势呢？这 1% 的优势可以通过杠杆撬动达到十亿美元级别的回报。

我们的用户总是不断超越前沿。在四年时间里，LLM 的上下文窗口已从 4K 增长到 100 万个 token。我们的一些用户在单个任务中会处理高达 300 亿个 token。今年我们有望实现 1000 亿 token 的任务处理。每一次基础模型能力提升时，我们都已经走得更远了。

推动广泛人群的使用作为其本身的目标是重要且有价值的，尤其是在引导员工适应 AI 的过程中。但机构级智能的未来必须利用领域专用，甚至任务专用的智能体。

我们经常问自己一个听起来很荒谬但实际上并非如此的问题：

“即使是 AGI（通用人工智能）寻找捷径时，会选择使用哪些智能体？即便是超级智能，也会希望在特定领域使用专用的工具。”

AI 的标尺将不断变化，能够利用真正能力边界优势的组织将成为赢家。其他所有人支付高昂代价买到的，只是没有差异化的大宗商品。

5. 商业成果 (Outcomes)

个人级 AI 节省时间。

机构级 AI 扩大营收。

@MaVolpi 曾对我说过一段话，重塑了我向企业推销 AI 的思路：“如果你问任何一位 CEO，他们的首要任务是削减成本还是扩大营收，几乎所有人都会说是营收。”

然而，如今市场上的几乎每一款 AI 产品都在提供削减成本的服务，承诺帮我们节省时间、事半功倍，或是替代人工。

机构级 AI 必须带来业绩上的增长（upside）。而业绩增长比“节省时间”要难商品化得多。

以智能体软件开发（agentic software development）为例。编程 IDE 是有史以来最好的个人 AI 生产力工具之一，但它们已经面临来自 Claude Code 等另一款个人 AI 工具的巨大阻力。Cognition（Devin的母公司）玩的则是完全不同的游戏。他们增长最稳健的业务是构建技术来销售业务转型，而不是单纯销售工具。我敢打赌这才是具备持久力的模式。

纯粹的软件“正迅速变得失去投资价值”。纯粹的服务则无法规模化扩展。只有将技术与业务成果结合起来的解决方案层，才是持续积累价值的地方。

再比如并购（M&A）。个人级 AI 能够帮助分析师更快地建立财务模型。而机构级 AI 能从一百个潜在对手中识别出唯一值得追求的交易方，并将这个可供筛选的范围扩大到一千个。前者节省了时间；后者创造了营收。

向“上游”移动是目前市场自然的引力方向。基础模型正向应用层移动。应用层公司则向解决方案层移动。

机构级智能就是这个解决方案层。在这个直接关联业务成果的解决方案层中，将会积聚最持久的价值，并捕获最大的增长空间。

6. 赋能落地 (Enablement)

个人级 AI 给你一个工具。

机构级 AI 教你如何使用它。

尽管人类充满智慧，但我们通常抗拒改变。

信不信由你，在纽约市至今仍然有一些非常成功的企业不接受信用卡。他们因为这个在流失收入，他们自己也知道这一点，但他们依然在这种惯性中无动于衷。同样，在未来很长一段时间里，某些组织的某些员工也会拒绝使用 AI。

实现从纯人类组织向“AI 优先”混合型组织的转型，将是未来十年持久且最具决定性的挑战。在许多情况下，组织中最高级别、最重要的层级将是采用新技术最慢的群体。

过去两个月科技股惨遭万亿美元规模的抛售，但 Palantir 却是唯一一家依然保持极高市盈率倍数交易的“软件”公司，这是有原因的。Palantir 是第一批真正的“流程工程（process engineering）”公司之一。无论你称之为“流程工程”还是“编写 Claude 的技能文件”，未来的机构级 AI 行业，将致力于把公司流程编码到智能体中，并实施将它们付诸行动所需的变革管理。

我敢保证，流程工程将成为近期可以说是最重要的“技术”。

而在流程工程中，最重要的不是软件专业知识，而是业务和行业专业知识。特定领域的解决方案需要实施前置部署工程、部署落地以及变革管理的专业人员。

一家排名前三、选择 Hebbia 进行全面部署的大型投资银行说得最好：当他们“不得不需要向团队解释什么是 CIM（保密信息备忘录）”时，他们便放弃了与大型模型实验室合作。Claude 或 GPT 当然懂这个领域，但负责架构规划和推广部署的模型实验室团队却不懂……

这就是天壤之别。

7. 无需提示 (Unprompted)

个人级 AI 响应人类的提示。

机构级 AI 无需提示主动行动。

业界关于智能体间通信的讨论非常多，甚至在讨论未来的企业、软件产品和机构是否还需要人类的存在。

然而，一个更好的问题是：未来的 AI 智能体是否还需要提示（prompting）？

提示一个 AGI 就像把电动机接到老式动力织布机上一样。它从根本上不可避免地受制于组织供应链中最薄弱的环节——我们人类自己。人类几乎不知道该问什么正确的问题，更不用说该在什么时候去问了。

AI 能做的最有价值的工作，是那些根本没人想到要去要求它做的工作。AI 应该找出没人发现的风险，发掘出没人想到的交易对手，以及找到没人知道在哪里的销售管道。

这将彻底打开 AI 用例的无限可能。

图 12：一个无需提示的系统持续监控整个投资组合的输入数据。它能检测到某家公司的营运资金周期已连续三个月悄然恶化，将其与信贷协议中的契约门槛进行交叉比对，并在基金中任何一个人打开 PDF 报告之前，主动向运营合伙人发出预警。

当你消除了让人类去提示 AI 的需求时，新的界面和新的工作方式就会涌现。我们 @Hebbia 在这个问题上有很强的观点。未完待续。

结语

上述所有观点，并不否认我们需要聊天机器人、智能体以及整个个人级 AI。

个人级 AI 将成为世界上大多数企业最初体验到 AI 变革魔力的载体。推动应用和普适性的易用性，是实施变革管理、构建“AI 优先”经济的关键第一步。

但与此同时，对于机构级智能也存在着明显、紧迫且巨大的需求缺口。

未来的每个组织都会拥有一个来自大型实验室的聊天机器人。并且，每个组织也都将拥有专为特定领域问题构建的机构级 AI——也就是个人级 AI 在其自身工具箱中可以用作关键工具的那个机构级 AI。

机构级 AI 与个人级 AI “协同合作（better together）”的未来是必然趋势。

但请记住 19 世纪 90 年代纺织厂的教训。那些最早通电的工厂，输给了那些重新设计了车间的工厂。

我们已经有了属于我们时代的“电力”。现在，是时候重新设计我们的工厂了。

感谢 @aleximm 和 @WillManidis 的校对，也感谢 Will 撰写的文章《工具形状的物体（Tool Shaped Objects）》，该文为本文提供了灵感。

原文：https://www.a16z.news/p/institutional-ai-vs-individual-ai