人們在使用 AI，還是組織正在從中學習？我們花費那些代幣（tokens）後，究竟改變了什麼？又有誰能將個人的發現，轉化為團隊乃至組織的能力？
Ethan Mollick 長期關注 AI 在組織中的應用。在他的著作《Making AI Work: Leadership, Lab, and Crowd》中，他指出 AI 帶來的個人生產力提升，並不會自動轉化為組織的收益。人們可能變得更快、寫作更好、分析更多、自動化更多，或者悄悄地變成「賽博格」化的自己。但公司本身可能仍然一無所獲。
許多公司正進入一個階段：GitHub Copilot 授權已發放，ChatGPT Enterprise 存在於某個堆疊中，Claude、Gemini 或 Cursor 出現在各個角落，每個團隊至少有一位成員比官方的賦能材料所預設的進展更快。其中一些是可見的，但更多卻是隱藏的。管理層看到授權使用量（「我們去年支付給 Anthropic 的兩百萬歐元，投資報酬率在哪裡？」），或許是提示詞的數量，或許是一份問卷，或許是幾個內部概念驗證（PoC）專案，足以放入指導委員會的簡報中。在其他公司，AI 直接進入了 IT 部門，然後就此消亡。
我認為大家都知道，這是事情變得複雜的階段，而且是「非常」複雜。AI 採用的「混亂中期」始於 AI 使用無處不在，但卻不均勻、部分隱藏、難以比較，且尚未與組織學習連結。
AI 採用的第一階段（大多）是令人舒適的，因為它看起來像其他企業級的推出。你購買席位。你定義可接受的使用範圍。你進行培訓。你建立一個倡導者網絡。你請人們在 Teams 頻道分享使用案例，該頻道會短暫地活躍起來，然後變成另一個堆滿良好意圖的公司儲藏室。
第二階段則奇怪得多：一個團隊將 Copilot 用作自動完成，然後就此打住。另一個團隊則在嚴格的循環中運行 Claude Code，進行測試、審查和持續的指導。一位產品負責人突然能夠原型化真實的軟體，而不是在 Figma 中製作螢幕模型。一位資深工程師將根本原因分析委派給一個代理（agent），並在一小時內得到有效的解決方案；沒有 AI，這可能需要他兩週的時間。一位初級人員產出精美的程式碼，但卻不知道系統中植入了哪些架構假設。一個支援團隊悄悄地將重複出現的工單轉化為工作流程自動化，因為他們確切地知道工作痛點在哪裡，而卓越中心（Center of Excellence）的任何人從未問對問題。
所有這些事情都可能在同一家公司同時發生。這就是讓「混亂中期」變得混亂的原因：採用的單位不再是組織，甚至可能不再是團隊。而是工作中的「迴路」（loop）！
Mollick 的「領導力、實驗室和群眾」（Leadership, Lab, and Crowd）框架在這裡很有用。領導力設定方向和許可，群眾發現使用案例，因為群眾在做實際工作。實驗室將這些發現轉化為共享實踐、工具、基準和新系統。但我一直卡住的部分，與代理工程（agentic engineering）中一再出現的問題相同：學習究竟是如何傳播的？
大多數公司會嘗試透過現有的機制來處理 AI 的採用。實踐社群、午餐演講、倡導者網絡、賦能簡報、辦公時間、月度演示、調查、或許還有一個儀表板。這很公平，我做過，你也做過。其中一些確實有幫助，尤其是在那些仍然需要實驗許可的組織中。
但有趣的 AI 工作並不會等待下一次社群會議。它出現在程式碼審查、銷售提案、研究任務、產品原型、生產事故、測試策略、合規問題中。或者當有人發現，對於某類產品元件，他們可以建立類似「黑暗工廠」（dark factory）的模式：寫下意圖，讓代理運行一個非常寬鬆的迴路，施加足夠的壓力使其保持在軌道上，根據強有力的場景評估結果，完善意圖，並重複獲得高品質的結果。等到故事被清理到足以成為最佳實踐的投影片時，重要的學習往往已經失去了銳氣。使其有用的正是摩擦：缺失的上下文、失敗的測試、奇怪的 API 行為、代理變得一團糟而必須有人將其拉回的時刻。
我一直透過與「彈性迴路」（elastic loop）相同的視角來思考這個問題。AI 協作不是一種模式！它從緊密、同步的共同駕駛，延伸到更寬鬆、異步的委派。採用的問題不僅僅是「人們是否在使用 AI？」而是團隊是否知道該使用何種迴路大小，他們在哪裡需要阻力，哪些工件應該在迴路中存活下來，以及這些工件如何成為組織可以學習的對象。
這是一個比工具使用或代幣計數更難的問題。
我認為現代軟體流程的很大一部分存在，是因為過去人類的迭代成本很高。衝刺規劃、估算、站立會議、用戶故事、工單整理、交接、所有圍繞協調和風險降低的儀式。考慮到限制，這是合理的。如果一次迭代需要數天或數週，你需要結構來防止人們浪費太多時間。
但代理工程改變了經濟學：它讓更多選項變得可行！它讓團隊能夠更快地從意圖轉向原型，再到評估。它讓產品人員更早地看到可工作的軟體。它讓工程師在承諾之前測試更多假設。它不會神奇地讓交付變得容易，但它將限制從實施轉移到意圖、驗證、判斷和回饋。
尷尬的是，許多組織花了二十年自稱敏捷，卻保留了敏捷本應消除的組織反射。現在 AI 使真正的敏捷性更具可行性，而系統仍然要求兩週的衝刺承諾、交接文件，以及所有假設迭代稀缺的東西。
這又是儀式墓地，但現在是在採用層級。迴路可以比組織消化迴路所學到的東西更快地移動。
所有這些之下還有另一種壓力正在積聚。AI 使用將會被更明顯地計量。目前企業「人人都有權限，不用太擔心帳單」的感覺不會永遠持續下去，至少不會以人們習慣的形式。模型路由、代幣預算、按使用量計價、推理成本、關於哪個模型可用於哪個任務的治理：所有這些都將變得更加明確，因為公司正從隨意協助轉向嚴肅的代理工作。
我不想讓這變成一個成本恐慌的故事，那將是思考「租賃智能」最無趣的方式。問題不在於如何抽象地最小化代幣支出，就像軟體交付問題從未是如何最小化擊鍵次數一樣。
但帳單將迫使一個更好的問題出現：我們花費那些代幣後，改變了什麼？
拜託，我懇求你，不要計算合併請求（pull requests）。更好的是：哪些迴路閉合得更快？哪些決策得到了改善？哪些根本原因分析變得更清晰？哪些審查抓住了更多問題？哪些團隊學到了可重複使用的模式？哪些產品想法因為原型使弱點顯而易見而被更早地扼殺？AI 在哪裡創造了學習，又在哪裡僅僅創造了更多產出？
代幣到產出是舊的衡量反射，換了新衣。代幣到學習更接近真正重要的東西。
我一直回到公司在混亂中期需要的三種能力。
這就是平台問題變得有趣的地方。誰擁有這些能力？一個團隊中發現的有用的代理技能，如何在不變成一個死氣沉沉的模板的情況下，提供給其他人？你如何豐富開發者的工具，而不是產品人員的工具、支援團隊的後台代理，或合規工作流程？哪些能力應該靠近團隊，哪些應該在平台層，哪些永遠不應該被泛化，因為本地上下文就是一切？
缺少任何一種都會很快變得奇怪。沒有迴路智能的代理操作（Agent Operations）會變成控制官僚。沒有代理能力的迴路智能（Loop Intelligence）會變成一個發現有用模式但無法將其反饋到工作中的分析層。沒有操作和迴路智能的代理能力（Agent Capabilities）會變成工具蔓延，只是品牌更好。如今我們都可以擁有漂亮的圖表，無需再請 IT 部門建立儀表板，對吧？
控制路徑、學習路徑和能力路徑必須在某個地方匯合。
那個匯合點就是我內部一直稱之為「回饋工具帶」（feedback harness）的東西。我不確定我是否喜歡這個術語用於客戶。它聽起來太像架構圖裡的東西了，客戶不會因為機制優雅而購買工具帶，即使它是年度最佳產品。他們購買的是信心、更好的決策、更快的學習、更少的浪費、更安全的委派。
因此，更實用的面向客戶的概念可能是「迴路智能中心」（Loop Intelligence Hub）。
回饋工具帶傾聽真實的工作迴路：任務、提示詞、規格、審查、場景、接受和拒絕的假設、生產信號、返工、人類決策和干預。不是為了監視人們，而是為了理解迴路。第一個版本不必是一個龐大的平台。選擇幾個真實的工作流程，在意圖、代理工作、驗證和人類決策已經留下痕跡的點上進行儀表化，收集足夠的定性回饋來理解迴路為何成功或失敗，並將其轉化為可重複學習的工件。
迴路智能中心將這些信號轉化為組織可以採取行動的東西：一個賦能待辦事項列表、一個能力雷達、投資簡報、治理差距、可重複使用的工作流程、培訓需求、評估優先級。沒有一刀切的儀表板，而是根據相關性進行定制。有趣的輸出畢竟不是儀表板。而是隨之而來的決策：這個團隊在能夠委派更多之前需要更好的壓力回饋（擴大迴路），這個產品組對一類狹窄的元件有一個可重複的黑暗工廠模式，這個合規工作流程需要一個受治理的工具邊界，這項技能應該移到平台層，因為有五個團隊糟糕地重新發明了它。
工具帶負責收集，中心負責幫助組織決策。能力層將學習反饋到工作中。
如果這變成員工評分，整個事情就會失敗。
如果人們認為組織正在衡量他們是否使用了足夠的 AI，他們就會操縱信號。如果他們認為每次實驗都會變成生產力預期，他們就會隱藏實驗。如果他們認為他們最好的工作流程將成為他們新的基準工作量，他們就會將其保密。公司將獲得最糟糕的採用版本：可見的合規和隱形的學習。
這就是為什麼這裡的誠實意圖（而不僅僅是框架）非常重要。有用的問題不能是「誰使用了足夠的 AI？」而是：AI 在哪裡改變了工作，使組織能夠從中學習？哪些迴路變得更健康？哪些團隊在能夠委派更多之前需要更好的壓力回饋？產品團隊在哪裡需要不同的環境，因為原型正在變成真實的軟體？
你可以為此制定政策，而且你可能應該這樣做。但治理，就像學習一樣，只有透過使用才能真正實現。一旦代理觸及生產相關的工作，一旦產品人員進行原型化而不是規格化，一旦開發人員委派根本原因分析，一旦代幣支出變得足夠大以至於管理層想要答案，組織就會發現它是建立了一個學習系統，還是僅僅購買了很多席位。
AI 採用的第一階段是關於存取權。誰能獲得工具，誰有權限，誰協商合同，誰可以在不提交採購單的情況下嘗試最新的模型。這個階段仍然很重要，但不會長久區分優劣。前沿智能的存取權是可以租賃的。營運控制和組織學習不能以同樣的方式租賃。
下一個優勢是學習速度。
誰能更快地找到真正的模式？誰能將發現從個人轉化為團隊，再轉化為組織能力？誰能在代理迴路中建立壓力回饋，使其無法失控？誰能在不將其變成適合任何人的單一企業級代理的情況下，分發有用的代理能力？誰最終利用代理工程使敏捷真正實現，而不是僅僅將 AI 貼在舊的儀式上？
沒有人完全弄清楚這一點，我當然也沒有。我已經迭代了彈性迴路數月，每一次客戶對話、每一次內部討論、每一個來自真實工作的奇怪例子，都會再次重塑它。這就是重點！我們不會透過等待供應商、顧問或 AI 實驗室的最終採用手冊來理解這一轉變。我們將透過儀表化工作、分享混亂的學習、讓他人提出質疑，並公開迭代來理解它。
關於應用 AI、代理工程、代理和真正閉合的迴路的思考。