中型市场企业中，只有百分之十把全部 AI 项目推进到试点之后的规模化阶段（IT Brief UK, 2026）。其余百分之九十购买的是同样的工具、同样的供应商、大致相同的价格。
值得停下来想的正是这一点。如果回报来自工具，回报不会这样分化。
NBER 的一篇新工作论文为这种分化命名。Babina、He 和 Jiang 把 AI 早期的生产率增长归因于技术之外的东西——组织资本：企业通过边做边学积累下来的、持久的、专属于自身的知识（NBER, 2026）。工具是收益发生的契机，但它不是资产。
同样的投资，两个不同的十年
《Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital》于 2026 年 8 月发表，作者为 Tania Babina、Alex Xi He 和 Renhao Jiang（NBER, 2026）。
真正有意思的是他们的测量工具。他们没有去数许可证、供应商支出或自我申报的采用率——这些衡量的都是分发——而是基于具备 AI 技能的雇佣，从机器学习一直到生成式与代理式 AI，构建了一个企业层面的 AI 投资指标。一家公司雇了谁，比一家公司声称自己在做什么更难造假。
在这一指标下，核心结果是一个对比，而不是一个系数：
AI 投资在近几年与生产率增长相关，但在此前的十年并非如此。
同样的指标。同一类技术。两个不同的答案。
随后作者做了大多数采用率研究跳过的工作：追问究竟是什么变了。他们的答案是组织资本的积累——为了检验这一点，他们又构建了第二个新指标，取自员工的岗位描述，用以识别哪些岗位真正在构建这种资本。他们发现，生产率增长由构建组织资本的 AI 技能岗位所驱动。不是 AI 人头数本身，也不是工具本身。
在任何人据此做成一页幻灯片之前，我先把一个限制说清楚：该工作论文正文需要权限访问，我核实的是研究设计与结论方向，而非效应量。目前任何人都不该给这项研究贴上百分比——包括我自己。
上一个十年为何没有回报，论文并未给出结论，我把自己的解读明确标为推断而非发现：机器学习那一波买到的主要是坐在工作流程旁边的预测——一个评分、一份预测、一块供人查看的仪表盘。当前这一波则坐在工作流程内部，而这是工具能够产生"工作究竟如何完成"这类学习的唯一位置。紧挨着流程的预测，教不会你这个流程。
"组织资本"究竟指什么
这个术语既不新，也不含糊。Eisfeldt 和 Papanikolaou 在 Journal of Finance 上做了形式化界定：组织资本是一种嵌入在企业关键人才之中的生产要素，带有企业专属的效率，并对企业现金流拥有索取权。组织资本较多的企业，平均回报比组织资本较少的企业高出约 4.6%（Eisfeldt and Papanikolaou, 2013）。
用运营语言说：它是关于你们的工作究竟怎么做的累积知识。哪些例外重要。哪些客户信号预示流失。你们结账流程中真正会断的是哪一步。
一份许可证给你的是通用能力。组织资本则是：当这种能力被反复对准你们具体的工作，且结果被保存在某个不只是某个人脑子里的地方时，所发生的事。
前者可以买。后者不能。
为什么同行买了同样的技术栈，却没有建起组织资本
把 NBER 的结论与中型市场的证据放在一起，这个模式就不再抽象。
Klarus 调查了英国与爱尔兰 500 位高层决策者，所在企业年收入在 2 亿至 20 亿英镑之间，员工规模 300 至 3000 人。百分之七十三已部分或全面部署 AI。百分之十把全部项目推进到试点之后。百分之九十停滞或仍处早期阶段（IT Brief UK, 2026）。
同一份调查里有一个值得读两遍的倒置：91% 表示对内部 AI 专业能力有信心——而 48% 把缺乏 AI 专业能力列为项目无法推进的主要原因。同一群体既确信自己具备这种能力，又确信这种能力缺失。
两者之下是：83% 报告数据质量不佳，69% 表示糟糕的数据直接阻碍或拖延了 AI 工作。
CLA 的 Heartbeat Index 在大西洋另一侧发现了同样的形态。在 722 家小型与中型市场组织中，69.9% 认为自己的员工具备面向未来所需的技能。但只有 49.5% 报告近期技术或 AI 投资带来了任何效率改善，仅 20.2% 报告有高度正面的影响（CLA, 2026）。
两个相互独立的中型市场样本。两者都报告：能力在，结果不在。
这个组合排除了大多数企业正在花钱解决的那个诊断。如果技能是约束条件，被调查的群体会报告技能短缺。它报告的恰恰相反。缺的不是使用熟练度——缺的是把熟练度转化为企业所有物的机制。
试点没有失败。它们只是没有存入任何东西。
Valliance 调查了 1000 位欧洲大型企业的高层领导，发现 40% 的 AI 项目按设计停留在试点状态——既不终止，也不扩展。在拥有成熟、成型 AI 项目的组织中，这一比例升至 48%（Consultancy.uk, 2026）。
越成熟，长期试点越多。这不是学习曲线该有的样子。
代价也在同一份数据里。卡在试点阶段的企业中，报告强劲 ROI 的比例为 20%；完成规模化的企业则为 76%。卡住的那一群等待价值兑现的时间也更长：6.6 个月对 5.9 个月（Consultancy.uk, 2026）。
用 NBER 的视角去读，这个落差就清晰了。一个结束时没有改变任何文档化流程、岗位定义或决策规则的试点，产出了一个结果，却什么也没存入。团队学到了东西，企业没有。做十二次，你得到的是十二段经历和零组织资本——这恰好就是"有 AI 投资、无生产率增长"的那种结构。
存入测试
把它变成算术。一家 200 FTE 的服务型企业一年做六个 AI 试点，每个约两个月的兼职投入——实际上是一整个人年的资深注意力，还不含许可证费用。标准汇报会问每个试点省了多少。不如改问：其中有几个产出了持久的成果物——一份重写的标准作业流程、一套持续维护的提示词与评测集、一条如今被从未接触过该试点的人使用的决策规则。
如果答案是一个，那么你把这一年中约两个月转化成了组织资本，其余都付了学费。这些试点并非失败——其中五个只是没有被资本化。这个区分不会出现在任何标准 ROI 汇报里，而这正是它一再获得续拨预算的原因。
Valliance 自己的说法是：问题不在于做实验，而在于实验之后发生了什么。NBER 的论文解释了为什么这句话是一项会计陈述，而不是一句口号。边做边学只有在所学被固定进某种持久之物时，才会产生复利。
诚实的反面意见
四条限制，直说。
相关不是因果。 NBER 的结果是 AI 投资与生产率增长之间的相关，且由一个构造出来的组织资本指标作为中介。善于构建组织资本的企业，很可能在其他方面也管理得更好，而这同样会让它们成为更好的 AI 采用者。这篇论文的设计是审慎的，但它不是随机对照试验。
两个新指标都是代理变量。 由 AI 技能招聘推断的 AI 投资，会低估那些购买能力而非招聘能力的企业。由岗位描述推断的组织资本，会低估那些知识存在于系统而非岗位文本中的企业。这类代理变量在方向上比在量级上更可靠。
中型市场的佐证是区域性的、且为自我申报。 Klarus 覆盖英国与爱尔兰；CLA 是一个美国客户样本组。两者都是自我申报。它们彼此吻合，这有意义；但两者都不是全国概率抽样，这一点同样重要。
组织资本有一道出口。 这是最锋利的反驳，Eisfeldt 和 Papanikolaou 十三年前就提出过：组织资本嵌入在关键人才之中，而这些人才对其回报拥有索取权。存在于三位资深员工身上的知识，是企业专属的——直到其中一人递交辞呈的那一周为止。在这里，成文化不是官僚负担，而是资产与留任风险之间的分界线。
这个季度该做的决定
四个动作。没有一个需要新供应商。
- 用"留下了什么"而不是"加速了什么"来评估每一个在跑的试点。 每个试点问一个问题：说出因它而改变的那份流程文档、决策规则或岗位定义。如果诚实的答案是"团队变快了"，那你资助的是一段经历。Valliance 的那 40% 全部由经历构成。
- 围绕成文化重写一份 AI 岗位描述。 NBER 的结论是通过构建企业专属知识的岗位起作用的。中型市场大多数与 AI 相关的岗位描述写的是工具。改成写交付物：文档化的工作流、持续维护的评测集、别人可以执行的决策规则。
- 在下一个席位之前先修好数据底座。 83% 的数据质量不佳不是旁注，而是边做边学无法累积的原因——一个够不到你历史数据的代理，学不会你的企业。这是第四季度预算里与扩充许可证直接竞争的一项，而它应该赢。
- 审计你的组织资本究竟嵌在哪里。 列出今年 AI 可量化改善的五个流程，然后指明每项改善存放在何处。凡是最终落到某个人而不是某件成果物上的，都是一笔附带辞职信的生产率增益。
你的竞争对手今天下午就能买下你的技术栈。但他买不到你的团队花十八个月才搞清楚"哪些例外重要"的那段时间——除非你从未把它写下来，那样他直接把人招走即可。
组织资本是你这笔 AI 投资中唯一真正属于你的部分。这个季度请做出决定：你是在建设它，还是只在租用建设它的契机。
