ChatGPT 讓所有人變成了超級個體，卻沒讓你的公司成為超級組織

很明顯，AI 增強了個體的能力，甚至開始涌現了 OPC、一人公司這些新的組織和公司形態。

但公司、組織的生產力有質的提升嗎？很難說。

開發者效率研究機構 DX 跟蹤了 400 家公司 16 個月，發現他們的 AI 工具使用量漲了 65%，代碼交付量只漲了不到 10%。美國國家經濟研究局（NBER）調查約 6000 名企業高管，超過 80% 說 AI 對生產力沒有可測量的影響。

AI 確實讓每個人都變快了，但公司沒有變強。生產力去了哪里？

為什么先進的生產力沒有帶來更大規模的效率提升？

a16z 最近發了一篇文章《Institutional AI vs Individual AI》，是他們投資的公司 Hebbia 的創始人 George Sivulka 寫的，核心也在聊這個問題，并且舉了一個一百年多前的例子。

1890 年代工廠換上電動機，之后 30 年產出幾乎沒變。直到 1920 年代有人拆掉舊廠房，按電力的邏輯重新設計生產線，紅利才釋放出來。George Sivulka 的說法很直接：「我們換了電機，但還沒有重新設計工廠。」

130 年過去了，同樣的錯誤在重演。

??關注 Founder Park，最及時最干貨的創業分享

超 22000 人的「AI 產品市集」社群！不錯過每一款有價值的 AI 應用。

邀請從業者、開發人員和創業者，飛書掃碼加群：

進群后，你有機會得到：

• 最新、最值得關注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準的 AI 產品曝光渠道

01個體效率的提升不等于企業收益的提升

Sivulka 提出了一個簡潔的判斷：高效的個體不等于高效的組織。

這句話描述的可能正是大多數公司此刻的處境。員工確實在用 AI、確實在「提效」，但組織層面的收入、利潤、競爭力并沒有顯著改善。

中間到底發生了什么？至少有四重系統性困境。

首先是協調崩潰。每個員工都有自己的 ChatGPT 用法、自己的 prompt 風格、自己的輸出格式。市場部用 AI 寫的品牌話術和產品部用 AI 寫的功能描述可能完全是兩種語言。分析師 A 用 Claude 整理的報告和分析師 B 用 GPT 寫的格式截然不同。100 個員工各自用 AI，沒人在想 100 條 AI 工作流之間怎么對齊。

MIT Sloan Management Review 2025 年底的研究指出：當 AI agent 能夠協調工作流時，組織趨向扁平化，但前提是先建立協調機制。大多數公司還沒走到這一步。聰明的人朝不同方向使勁，等于原地不動。

然后是噪音倍增。AI 讓「生成」變得零成本，但分辨好壞的成本更高了。私募行業的人說，去年收到 10 個交易機會，今年 50 個，每個 BP 和產品介紹都經過 AI 精心打磨。噪音多了 5 倍，信號沒變。

Sivulka 有一個有意思的區分：個人 AI 傾向做 nondeterministic agent，探索式的，隨時在線，什么都能聊兩句；組織需要的是 deterministic agent，有檢查點、有步驟、可審計、可追溯。后者不性感，但只有它能在指數級增長的噪音中持續提取信號。

第三個困境：生產力幻覺。你以為自己變快了，但你可能并沒有。

AI 安全研究機構 METR 做了一個隨機對照實驗，讓經驗豐富的開發者分別在有 AI 工具和沒有 AI 工具的情況下完成編程任務。結果是，使用 AI 的開發者實際上慢了 19%，但他們自認為快了 20%。感知和現實之間差了 39 個百分點。

醫療 AI 公司 ScienceIO 創始人 Will Manidis 有一句吐槽：「感覺自己有生產力的市場，比真正有生產力的市場大了好幾個數量級。」

更麻煩的是組織消化不了。Asana 旗下的 Work Innovation Lab 提出一個概念叫「組織吸收能力」（absorption capacity）：組織價值取決于兩個速率中較慢的那個，生產速率和吸收速率。個人產出提升 10 倍，審批、協作、質量把關還是老樣子，瓶頸就從「做得不夠」變成了「消化不了」。產出堆在那里，沒人有時間看，沒人有能力判斷好壞。

第四個困境有點隱蔽，前三個講的是 AI 沒幫上忙，這一個講的是 AI 在積極幫倒忙。

數據顯示 LLM 在 58% 的情況下表現出諂媚行為。你越自信地表達觀點，它越傾向于無條件贊同你。第一人稱表達時，諂媚率額外提高 13.6%。

Sivulka 把這個現象放到組織語境里，推出了一個有點反常的推論：「在很多公司里，AI 最狂熱的擁護者可能恰恰是表現最差的員工。」想想為什么。一個長期在工作中得不到正面反饋的人，突然有了一個永遠同意他的「超級智能」。他會對自己說：人類歷史上最聰明的系統都認為我是對的，是我的經理搞錯了。這種感覺令人上癮，也對組織有毒。

這里有一個被忽視的區別。個人 AI 的設計目標是讓使用者滿意、讓使用者續費。但組織需要的是對事實的強化，不管事實讓不讓誰舒服。

人類花了幾千年建各種制衡系統對抗偏見和盲從：投委會、獨立盡調、董事會、三權分立。核心功能就是確保不是所有人都在點頭。組織很少因為員工缺乏自信而失敗，通常是沒有人能夠或愿意說「不」。

但這四重困境還不是最根本的問題。

很多團隊在接入 AI 后，CEO 對于結果的考量是「我們多做成了幾筆交易？」，而不是「大家有沒有變快」，他問的是業務結果。這里面藏著一個大多數公司在 AI 落地中犯的根本性錯誤：它們在用效率的框架去思考一個關于效果的問題。

效率是對已有任務的優化，寫報告快了、整理紀要快了。效果是對業務結果的改變，多做成幾筆交易、多打開一個市場。前者的天花板在于你只能更快地做同樣的事，后者是讓企業做到以前做不到的事。

即使四重困境全部解決，效率真的提升了 10 倍，每個人都在飛速產出。如果企業的業務邏輯和決策方式沒有跟著變，對市場和用戶的理解方式還是老一套，一家公司依然不會因此多做成一筆交易。

Deloitte 2026 年初的調查印證了這個判斷：只有 34% 的組織在用 AI 做深度轉型，37% 仍停留在「換電機」階段，給員工發了 AI 工具，然后等待奇跡發生。

02

換了「電機」之后，到底該改什么？

說了這么多「不夠」，該做的到底是什么？

有一個更近的故事可以幫助理解。ATM 被發明的時候，所有人以為銀行柜員會消失。結果從 1970 年代到 2010 年，美國銀行柜員不降反升。ATM 降低了單個網點的運營成本，銀行就開了更多網點，雇了更多柜員做關系維護。

真正讓柜員大規模減少的是 iPhone。手機銀行讓客戶根本不需要去網點了。2010 到 2022 年，美國銀行柜員從 33.2 萬降到 16.4 萬。Bank of America 關掉了 40% 的網點。

經濟學家 David Oks 的總結很準確：ATM 在舊范式里把任務做得更快更便宜，iPhone 創造了新范式，讓那些任務不必存在。一個自動化舊任務，一個消滅舊任務。

給員工裝 ChatGPT 就是在銀行網點里多放一臺 ATM。組織需要找到自己的 iPhone 時刻。

回到 1920 年代的工廠主，他們到底改了什么？

首先是流程。傳統假設是人執行、工具輔助。AI-native 的流程翻轉了這個假設。Goldman Sachs 稱 AI 編程公司 Cognition 開發的 Agent Devin 為「our new employee」，不是給開發者的輔助工具，直接作為工程團隊的成員。當 AI 從工具變成員工，流程設計完全不同。你不會給一個工具分配 OKR，但你會給一個員工分配。

Sivulka 的區分說得精確：一個省時間，一個創造收入。

其次是角色。管理者開始變成編排者，管的不再只是人，而是人和 AI 組成的混合團隊。新角色正在涌現，AI Agent Manager、Intent Engineer，職責是監督自治 agent 的運行、驗證輸出、把業務目標翻譯成 agent 可執行的指令。Sivulka 說流程工程師是近期最重要的「技術」。數據分析巨頭 Palantir 之所以在科技股大跌中維持高估值，說到底是因為它是一家流程工程公司。

第三是決策。組織需要能說「不」的 AI。方向包括 AI 投委會成員、AI 審計、AI 合規官。組織級 AI 的目標不是讓決策更快，是讓決策更好。

最后是信息流。Sivulka 最大膽的想法叫 Unprompted AI，系統在你問之前就把問題發現了。「讓人類給 AGI 下指令，就像把電動機接到舊式織布機上。」他舉了一個場景：系統持續監控投資組合數據流，發現某家被投公司的運營資本連續三個月惡化，在基金任何人打開相關 PDF 文件之前就發出預警。

這四個方向勾勒了框架。但框架和落地之間還有距離。

而且需要區分一件事：這里說的改變，不只是辦公流程的改變。

過去兩年，市場上涌現了大量企業 AI Agent，大多數落在辦公場景，幫你寫郵件、總結會議、整理文檔、自動化審批流程。這些確實有用，也確實在普及。但它們還是在讓人更快地做同樣的事，還是 ATM 的邏輯。

企業每天真正在做的事情，其實是另外一些：理解市場，定義產品，研究用戶，制定策略，推動增長。這些事情很少是一個 prompt 就能完成的。它們需要大量信息、復雜判斷，以及不同角色之間的協作。這些才是真正決定一家公司變強還是變弱的經營場景。

辦公效率提升是基礎設施，不是終點。連 Copilot 的締造者微軟自己也在調整定位，從「幫助個人員工提升工作效率」轉向「創造切實的商業價值」。幫人寫郵件是起點，幫企業做增長才是目標。

03

特贊 GEA：一種可能的解題思路

有沒有人正在這個方向上把想法變成可運行的系統？

全球范圍內，確實有一批公司在走這條路。Hebbia 在金融領域做垂直 Agent，客戶已經把自定義 prompt 當 IP 保護。Cognition 的 Devin 被 Goldman Sachs 當「新員工」部署。Palantir 幫客戶把業務流程編碼進 AI 系統。

在中國，特贊是走得比較遠的一個。

特贊做了很多年 DAM，數字資產管理。聽起來不性感，但恰恰是它能做 GEA 的原因。DAM 管理的是企業最豐富也最難被機器理解的非結構化數據：圖片、文案、視頻、3D 模型。這些不是數據庫里整齊的表格，是企業營銷、產品和內部知識的真實載體。特贊服務了 200 多家全球企業，對這些數據的深層結構積累了相當的理解。

AI 時代釋放了一種以前不存在的能力，對非結構化數據的理解。機器以前只能存儲一張海報，現在能讀懂它背后的品牌調性；以前只能存儲一份項目文檔，現在能提煉出決策邏輯。特贊創始人及 CEO 范凌在發布會上說：「非結構化數據從『被存儲的文件』變成『被理解的上下文』」

特贊在 DAM 的基礎上做了 Context System，又在 Context System 的基礎上做了 GEA。路徑是自然的：從管理內容資產開始，逐步讓這些資產變成 AI 能理解的上下文，最終讓 AI 基于上下文去驅動業務。

有一個不容易注意到的細節。GEA 的「大腦」是 Creative Reasoning Model，訓練方式比較特殊。特贊把平臺上真正做過商業決策的專家聚集起來，策略顧問、創意總監、品牌專家、市場研究員，讓他們標注的不是答案的對錯，而是思考路徑的價值：哪些方向值得探索，什么可能性容易被忽略，以及哪個假設本身需要被質疑。范凌對此的解釋是：「真實的商業世界，這些問題的價值不在收斂，而在你能看到多少可能性。」這種訓練方式讓 GEA 的推理帶有商業判斷力，而非僅僅是通用的「聰明」。

近期，特贊發布了 GEA（Generative Enterprise Agent）——企業級智能體系統。他在發布會上有一段話和 Sivulka 的判斷幾乎完全對位：

AI 可以做很多事。但企業真正的工作方式，并沒有改變。企業真正需要的，不是更多 AI 工具。企業需要的，是一種新的系統。

GEA 的目標，用范凌的話說：「讓 AI 不只是回答問題，而是能夠真正參與企業的工作。理解目標，組織能力，并持續推動結果產生。」

介紹具體能力之前，先介紹地基。

上下文是地基

范凌在發布會上反復回到一個判斷：「當所有人都能用同樣的模型時，模型就不再是壁壘。」

他把模型比作電力：「模型是公共基礎設施，像電力一樣。沒有哪家企業因為'我們公司用的電更好'而贏得市場。GPT、Claude、Gemini、DeepSeek、Qwen，你能用，你的競爭對手也能用。」

那什么才是壁壘？

「Context。上下文。」

同一個模型，給它公開信息，出來一個通用答案。給它你企業獨有的上下文，出來一個只有你能得到的答案。「模型產生智能，上下文產生價值。」

不只是特贊一家這么想。2026 年 3 月，斯坦福大學教授、DeepLearning.AI 創始人吳恩達發布了開源項目 ContextHub，解決的問題幾乎一模一樣：即使是最強的模型，沒有正確的上下文也會產出不可靠的結果。他舉了一個很直接的例子，當他要求當前最強的編程模型調用一個新 API 時，模型使用了過時的舊接口。不是模型不夠聰明，是它缺少正確的上下文。他的結論是：上下文管理是 Agent 持續變好的基礎設施，不是附加功能。

吳恩達為 coding agent 建上下文基礎設施，特贊為企業業務 agent 建上下文基礎設施。底層邏輯一樣。

對企業而言，「上下文」遠比技術文檔復雜。特贊的 Context System 管的不是 RAG 式的文檔碎片，而是企業內容背后完整的商業語境：從品牌資產到項目沉淀到人群畫像，七個維度構成一家企業的上下文全景。

這個素材從哪來、為什么產生、在什么業務目標下使用過、效果怎么樣，這些信息原本散落在個人經驗、會議討論和郵件往來里，是典型的隱性知識。Context System 把它們結構化，變成可被 Agent 調用的上下文。范凌對此的定位是：「如果 DAM 是企業內容的唯一真相來源，那 Context System 就是企業上下文的唯一真相來源。」

還有一句更重的話：「沒有這一層，上面所有的智能都是空中樓閣。」

道理不復雜。沒有上下文的 Agent，就是一個剛入職、對公司一無所知的新員工，再聰明也只能做通用任務。擁有企業上下文的 Agent，更像一個深度了解公司業務和歷史決策的資深員工，它的每一次判斷都建立在積累之上。

有一組數據說明這個差距。同樣的企業內容資產，過去每千個素材被人調用 12 次。部署 Context System 后，被 Agent 調用超過 23,000 次。從 12 到 23,000，同樣的內容，利用率差了近 2000 倍。

范凌對這個數字的解釋是：「這 2000 倍不是因為 Agent 在做重復的事，而是因為 Agent 在做人做不到的事，它在 7x24 小時不間斷地從你的上下文中發現關聯、提取洞察、驅動決策。」

Agent 的能力上限，不取決于模型有多聰明，取決于它能調用多少正確的上下文。

在這個地基之上，多了很多東西

理解了 Context System 的位置，再看 GEA 的其他能力就清楚了。

GEA 不讓每個人各自調用模型，而是通過 Orchestration 層統一編排，由 Creative Reasoning Model 驅動。范凌對傳統推理和發散推理做了區分：「傳統推理模型面對復雜問題，逐步收斂到一個確定答案。Creative Reasoning Model 在找到確定答案之前，先窮盡所有可能性。先發散，再收斂。」這個編排層把一個商業意圖拆解成多條可能的執行路徑，評估每條路徑的價值，把子任務路由到最合適的模型和工具。底層有 30 多個基礎模型，推理、生成、視覺、數據，在不同任務上各展所長。他對此有個比喻：「它是指揮家，不是獨奏者。」

執行端不是單一 Agent 包打天下，而是 Agent Team，品牌調性、用戶分析、合規審核各有專門的 Agent 協同。這些 Agent 能各司其職又保持一致，因為它們共享同一個 Context System 里的品牌語言、用戶畫像和業務規則。

你不需要告訴 GEA 該怎么做，只需要告訴它你想要什么。一個商業意圖，不是一個 prompt。「幫我找到下季度東南亞市場的增長機會。」「基于上月用戶反饋，優化產品定位。」系統從意圖出發，編排拆解，多 Agent 執行，持續交付結果，反饋回流優化。

范凌在發布會上說：「你給 GEA 一個意圖。它用上下文理解你，用判斷力拆解問題，用最好的模型執行任務，然后主動地、持續地交付結果。」

GEA 還有一個 Proactive Agent 的設計，一個在 GEA 系統中運行的 OpenClaw，不等人來問，而是自己盯數據、找異常、調偏差。范凌把這概括為 GEA 的四個躍遷之一：「從被動響應到主動發聲。」加上 400 多個 Agent Skills 中的品牌合規驗證、質量審核模塊，系統層面也有了制衡機制。這回應的恰好是前面討論的「判斷力侵蝕」問題：組織需要的是敢于說「這里有問題」的 AI。

GEA 產品官網： https://www.tezign.com/contact?channel=GEA

04

哪些場景最先落地？

架構說完了，看看實際怎么用。GEA 目前在四個場景中落地：洞察研究、內容增長、產品創新、設計創作。重點說前兩個。

洞察研究

傳統用戶研究是項目制的。立項、招募、訪談、分析、報告，一個周期少則一個月，長則一個季度。等報告出來，市場可能已經變了。更麻煩的是，每一次調研的洞察散落在 PPT 和個人筆記里，下一次從頭再來。發布會上有一句話點破了根本問題：「數據記錄行為，但真正驅動行為的，往往是人的主觀世界。企業能看到用戶在做什么，但很難理解用戶為什么這么做。」

GEA 把用戶研究變成了持續運行的系統，分三層。

第一層是用戶建模。把企業已有的訪談記錄、用戶表達、歷史調研沉淀為可復用的用戶模型。「25-35 歲女性」這樣的標簽在真實的商業決策中幾乎沒用。GEA 基于真實數據構建 AI Persona：你可以直接和它對話，追問購買動機、決策顧慮、使用場景。

一個全球食品公司在做春節巧克力禮盒，需要理解消費者送禮時的情感邏輯，不是「口味好不好」的問題，而是「送什么合適、什么場景、給誰送」。傳統做法是再做一輪焦點小組，兩周起步。GEA 從已有的歷史數據中構建 AI Persona，團隊直接向它提問：「你在什么場景下會選擇巧克力作為禮物？價格和品牌哪個更重要？」產品決策從等待調研變成了隨時對話。

同時系統構建 AI Sage（虛擬領域專家），提供行業縱深視角。所有信息自動回流進 Context System，成為企業持續積累的用戶資產，而不是一份份被遺忘在共享盤里的 PPT。

第二層是決策模擬。當需要驗證一個產品方向時，GEA 組織 AI Panel，讓不同背景的 AI Persona 圍坐討論，暴露決策中的沖突點。再通過 AI Interview 做一對一深挖。

一個電動工具品牌需要理解「Prosumer」（專業級消費者）選擇專業設備時的決策邏輯。AI Panel 模擬了裝修工、DIY 愛好者、小型承包商三類角色的討論，發現價格敏感度的分化遠超團隊預期。裝修工幾乎不看價格只看耐久性，DIY 愛好者對性價比極度敏感，小型承包商最看重售后響應速度。這些分化在傳統的問卷調查中很難浮現。

第三層是行為預判。AI Research 和 Universal Research Agent 持續觀察用戶表達、市場信號和行為變化，產出趨勢判斷和決策建議。結果沉淀為 Artifact，成為可反復調用的研究資產。

簡單說，用戶研究不再是「項目」，而是一個一直在跑的能力。企業對用戶的理解從快照變成了直播。

內容增長

社媒增長過去的工作方式是 campaign 制：策劃一波活動、投放一批內容、復盤一組數據，然后下一個 campaign 從頭再來。GEA 參與的是從趨勢洞察到內容策略到達人協同再到增長優化的完整鏈路。

舉幾個具體的。一個全球珠寶品牌發現小紅書上「日常佩戴」內容持續增加。團隊關心的不是熱點本身，而是：這是平臺趨勢還是我們的品牌機會？GEA 通過 AI Research 觀察平臺趨勢，同時通過 Context System 對照品牌定位、歷史數據和用戶畫像。產出的是結合品牌自身上下文判斷過的內容方向，不是一份泛泛的熱點列表。

達人管理方面，一個高端白酒品牌需同時管理 KOL、KOC、KOS 上百個創作者。GEA 的 Proactive Agent 持續監測傳播節奏，某個方向快速增長時主動提醒團隊擴大該方向的創作者合作。Agent Skills 參與內容審核和品牌調性檢查。傳播管理從一張靜態的達人名單變成了動態協調的網絡。

還有一個值得注意的新概念：GEO。當越來越多用戶直接問 AI「哪款新能源車適合家庭使用」，品牌在 AI 答案中有沒有被引用，就是新的競爭力。SEO 優化的是網頁排名，GEO 優化的是 AI 生成答案中的品牌可見度。GEA 通過 Proactive Agent 持續監測品牌在 AI 答案中的引用情況。

產品創新與設計創作

GEA 的場景覆蓋不止于此。

產品創新方面，GEA 參與從信號洞察到概念探索到用戶驗證的全鏈路。一個 PC 廠商每年推出數十條產品線，不缺信號，缺的是判斷哪些信號值得追。GEA 通過交叉驗證，把外部公開數據、用戶評價、內部產品數據整合起來，把散落的信息變成經過校驗的產品機會。一個食品品牌在做新口味開發時，多個 Agent 同時探索風味組合、包裝設計和產品命名，產出可交付的視覺產出。

品牌設計方面，GEA 將品牌規范、設計系統和歷史素材納入 Context System，確保 Agent 產出的設計方案在品牌調性框架內。品牌合規檢查從人工審核變成系統自動驗證。

四個場景的共同點是底層都接在 Context System 上，而且都是持續在跑的系統，不是做完一次就結束的項目。改的是工作方式本身。

05

個體覺醒仍然是關鍵的底座

當然，這只是一種解題思路。

GEA 是對「組織重設計」的一種產品化回應，但不是唯一的。不同公司在不同領域走類似的方向，恰恰說明趨勢本身是真實的，不是哪一家的營銷敘事。

但個體覺醒仍然是底座。Asana 的數據說，10% 的「超級生產者」每周通過 AI 節省 20 小時以上。這些人更資深、跨職能、把 AI 當隊友而非工具。他們中很多人確實做到了某種程度的「人 AI 合一」。

問題是，這 10% 的超級生產者并沒有讓他們所在的公司成為超級公司。

個體覺醒解決不了協調問題。一個人用得再好，團隊里十個人用法各不相同，產出還是碎片化的。「人 AI 合一」是底座，「組織重設計」是上層建筑。沒有前者后者是空談，只有前者后者不會自動發生。

Sivulka 有一個雙層判斷：未來不是 ChatGPT/Claude 或垂直方案，是兩者共存。通用大模型做個人生產力底座，垂直 AI 做組織級智能。就像一個聰明的分析師會用 ChatGPT 來頭腦風暴，但會用 Hebbia 來做真正的盡調。前者幫他思考，后者幫組織決策。

坦誠地說：Proactive Agent（主動發現）今天仍更接近愿景而非現實。大多數企業連 prompted AI 都還沒用好。GEA 的 2000 倍調用數據是在特贊最擅長的內容管理領域產生的，其他領域能否復制還需要時間。

更大的挑戰是變革管理本身。Sivulka 說 Palantir 的核心交付不是代碼，是前線部署和變革管理。技術產品只是組織重設計的一半，另一半是推動人的行為改變。

這一半往往更難。

06

今天，你的組織是為 AI 設計的嗎？

回到一百多年前的紡織廠。

1920 年代，最終贏得電氣化紅利的不是最早裝上電動機的工廠，而是最早拆掉舊廠房、重新設計整條生產線的工廠。

今天的處境完全一樣。AI 已經接通了。模型在突破，工具在迭代，成本也降下來了。但大多數組織還在舊廠房里換電機，給員工發了 AI 賬號，期待業績自動變好。

真正的問題不是「你的員工在用 AI 嗎」。而是你的流程有沒有圍繞 AI 的能力重新設計過，角色分工有沒有把 AI agent 當作編制內的成員，決策機制里有沒有 AI 的制衡。更根本的是：你的企業上下文，那些散落在個人經驗和郵件里的隱性知識，是在等著流失，還是已經變成了 Agent 可以調用的系統資產？

范凌在發布會最后說：「過去十年，企業買的是軟件。過去三年，企業試的是模型。從今天開始，企業需要的是一個能理解你的上下文、擁有判斷力、并且持續進化的智能系統。」

是時候拆掉舊工廠了。

GEA 產品官網： https://www.tezign.com/contact?channel=GEA

參考文章

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

https://minutes.substack.com/p/tool-shaped-objects

https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

https://getdx.com/blog/ai-productivity-gains-are-10-percent-not-10x/

https://asana.com/resources/ai-super-productivity-paradox

https://www.deloitte.com/global/en/issues/generative-ai/state-of-ai-in-enterprise.html

https://davidoks.blog/p/why-the-atm-didnt-kill-bank-teller

轉載原創文章請添加微信：founderparker