为什么AI不像互联网，更像电力？
每个人都喜欢把AI比作互联网泡沫。这是我们能够指出的最近一次技术革命，而且相似之处显而易见：疯狂的估值、公司在商业计划书上贴上"AI"标签就能融资、以及各种混乱和荒诞。我经历了互联网泡沫时代，那真是疯狂至极。凭空创造的钱……也凭空消失了。和今天非常相似。
但我认为，对于我们今天在AI领域的处境来说，这是一个错误的比喻。而正确的那个要令人不安得多。
已故斯坦福大学经济学家保罗·戴维（Paul David）在他1990年的里程碑论文《发电机与计算机》（"The Dynamo and the Computer"）中奠定了这一框架。电力在19世纪80年代就进入了工厂。但直到20世纪20年代，劳动生产率才有了显著加速。戴维后来与斯坦福经济史学家加文·赖特（Gavin Wright）共同的研究量化了这一断裂：趋势生产率增长从1899-1914年期间的年均1.5%跃升至1919-1929年期间的5.1%。两个时期使用的是相同的技术，结果却截然不同。那么发生了什么变化？
到19世纪90年代，电动机已经运转良好。问题在于，工厂主用电动马达替换了蒸汽机，却保留了相同的工厂布局。想想那些多层建筑、中央动力轴、以及将能量分配到每个楼层的皮带和滑轮系统。他们把新技术固定在旧架构上。真正的收益只有在工厂被拆除重建时才出现：单层布局、每台机器配独立电机（"单元驱动"）、以及围绕电力而非蒸汽限制重新设计的工作流。
必须改变的是架构，而不仅仅是能源来源（在这里是从蒸汽到电动机）。
1、数据行业几十年来一直在更换马达
数据行业几十年来一直在重复这一做法。出于某种原因，我们很难重新构想新模态的可能性。想想把本地仓库直接迁移到云仓库。我们通常会保留相同的数据模型、相同的批处理ETL、相同的BI团队瓶颈。我见过团队试图以运行本地仓库的方式运行云数据仓库，往往导致代价高昂的错误和成本超支。我们得到了更快的马达，但同样的旧工厂和旧习惯依然存在。
接着Hadoop出现了，我们又往工厂上安装了第二台马达。两个中央动力系统，更多的皮带和滑轮复杂性。我们甚至添加了一个数据工程团队来维护第二台马达。但更广泛的企业决策模式并没有改变。
现代数据栈可能是最严重的"更换"。在这里，我们将ETL换成ELT，将单体系统换成几十个模块化的按需付费系统的扩张，以及开源。架构图看起来不同了，但组织现实完全相同：一个集中的团队、一个集中的管道、以及集中的消费。设备更亮了，但仍然是几十年前同样的工厂布局。
现在轮到AI了。我看到很多公司只是简单地将LLM附加到企业文件和文件夹上（SharePoint上的CoPilot，或类似的），在数据仓库上放一个聊天机器人，以及类似的操作。也许还有一些Agent在跑。但这并不是很有趣，也没有从根本上改变底层架构。更重要的是，组织设计没有改变。因为康威定律（Conway's Law），这非常重要。
这是我在企业中，尤其是大企业中经常听到的情况。高管们购买了Copilot订阅（有点像休息室的披萨）。没人用。指令下来了：用，否则走人。突然间，每个人都在"使用AI"。这就是2026年版的在蒸汽机上安装电动马达然后宣布你电气化了工厂的做法。
即使是更复杂的操作也可能是一个陷阱。比如使用AI加速代码迁移。公平地说，将COBOL改写为Java、将遗留ETL迁移到现代工具（以及其他事情）确实从AI中获得了真正的效率提升。但拉开距离来看，代码迁移从根本上说并不是那么有趣。我们在用电动马达更快地重建皮带和滑轮系统。代码更新了，架构却完全相同。你只是自动化了旧工厂布局的建设。这是更换马达最危险的版本，因为它确实感觉像是进步。你可以指出可衡量的胜利，同时将旧架构的每一个假设编码到新代码库中。你用更好的沥青铺设了牛走的路。但它仍然是一条牛路。
2、我们需要重新思考今天的"工厂"
旧工厂有一个中央动力轴，通过皮带将能量分配到每个楼层。每台机器都被物理束缚着。你无法重新布置楼层，因为一切都受到皮带系统的限制。
我们需要重新思考我们的"工厂"。例如，集中式BI的运作方式与此类似。一个数据团队。一个仓库。一个通过仪表板和报告的皮带系统分配洞察的管道。每个下游消费者都依赖中央团队的吞吐量。
分析请求队列就是中央轴的瓶颈。相同的约束，不同的媒介，同样的问题。我们自1990年代以来一直在运行这种模式。很明显，改进的工具使生活变得可以忍受，但并没有解决核心挑战。我们仍然在纠结数据是否高质量、可信、可用于决策等等。
在电气化中，单元驱动（给每台机器配独立马达）解锁了重新设计。工厂终于可以围绕工作流而非动力分配来组织了。对于数据领域，对等的东西意味着决策权转移到数据产生的地方，运营系统变得具有分析感知能力，AI嵌入到业务流程中而不是通过BI门户访问。这意味着请求队列完全消失，或者至少被重塑为更好的东西。
这比任何技术采购都要大。这就是为什么MIT NANDA报告的发现——大约95%的企业GenAI试点未能交付可衡量的利润影响——不是AI不工作的证据。而是大多数企业仍然在旧布局上安装马达的证据。技术是有效的。传统的架构和组织布局可能不会有效。这才是我们需要解决的问题。AI可以帮助我们到达那里，但我们需要从根本上重新思考如何将其整合到我们的组织中。
3、这实际上需要多长时间？
戴维所说的40年滞后期有一部分是物理层面的。你不得不拆除多层砖砌工厂。软件和组织架构图很难改变，但它们不像"拆除建筑物"那么难。而且我们现在已经了解了这个规律。戴维的论文存在，Carlota Perez关于技术经济范式转变的著作被广泛阅读。即使我们在踏入陷阱时也能看到它。
但戴维的关键洞察是，瓶颈从来都不是技术。而是组织设计、激励结构、劳动力和制度惯性。这些仍然是缓慢的。而以下这一点没有得到足够的关注：在20世纪20年代最终进行重新设计的工厂主，通常是新进入者或下一代管理者——他们从未将旧布局内化为正常。今天的数据领导者是在仓库范式中成长起来的。那是他们游泳的水，我们都知道问一条鱼描述水是什么感觉的陈词滥调。
我对这次变革的粗略估计是10-20年的真正转型，而不是40年。但绝对不是3-5年。一个CoPilot订阅不会神奇地把你变成一家AI公司。积极的一面是，似乎每个组织都在以不同程度采用AI。但采用并不等于完全融入组织的肌理。鉴于各种重新平台化举措（互联网、移动、云等）的组织迁移记录，它们的速度很慢。有多少公司仍然在进行数字转型——这件事几十年前就开始流行了？重新平台化和转型是完全不同的事情，两者都需要很长时间。
我们身处1905年。电动马达可以工作，每个人都买了一个。但几乎没有人重新设计工厂以充分优化马达的潜力。
4、是技术的问题，还是我们自己的问题？
赢得AI时代的公司不会是拥有最好工具的公司。它们将是那些拆除工厂或从零开始建造工厂的公司。历史告诉我们大多数现有企业不会这样做。它们将被从零开始建造单层工厂的新进入者所取代。幸存下来的将是那些很早就认识到马达从来不是关键的人。布局、工作方式和组织结构才是重要的。我怀疑AI也会发生同样的情况。大公司将被数百或数千个侵蚀边缘的小竞争对手蚕食殆尽，直到大公司什么都不剩。
在某个时刻，你必须照照镜子问问自己：是技术的问题，还是我们自己的问题？我认为是我们自己。一直都是我们自己。
原文链接：We're in 1905: Why Electricity (Not Dot-Com) Is the Right AI Analogy
汇智网翻译整理，转载请标明出处