都在投，都说没价值——而三种流行的解释，一个都不解释这件事。
四章。这一卷不解释任何概念，只做一件事：把压强建起来。
短章，快节奏。它要在你放下这本书之前，让你承认一件事—— 你手里现在没有任何一把尺子，能回答“我们公司做得怎么样”。
去年 MIT 出了一份报告，那天纳斯达克跌了一个多点。
报告的大意是：尽管几乎所有企业都在投资 AI，95% 的企业说，AI 没给它们带来可衡量的价值。
这个数一出来，所有人问的都是同一句：泡沫有多大？
我不太关心泡沫。我关心的是报告里另外那半句——它说，关键不是技术不好，而是在流程整合、业务匹配、组织认知与能力建设上有根本性的问题。
那半句被绝大多数人读漏了。
读漏它的代价是：你会去解决一个不存在的问题。
如果你相信是技术不好，你会等——等下一代模型，等推理成本再降一半。 如果你相信是数据不够，你会去治理数据——上数据中台，做数据资产盘点。 如果你相信是人才短缺，你会去招人——招算法工程师，设 AI 部门，挖一个 CTO。
这三种解释都很流行，而且都有一个共同的好处：
它们都不要求你改变自己。
它们把问题定位在“外部条件还没成熟”上。而外部条件成熟这件事，不需要你做任何为难的决定。
但这三种解释有一个共同的致命处：它们都解释不了一个更奇怪的事实。
投入越多、覆盖越广的公司，指标越好看，而价值反而越看不见。
我这两年接触了几千家企业。凡是能把“我们上了多少个 AI 场景”讲得眉飞色舞的，往下问一句“哪一个判断现在是 AI 在做”，多半答不上来。
反倒是那些说“我们就做了一件事”的，能给你讲清楚那一件事今天谁在验收、错了谁负责、上个月改了什么。
现在把这个事实和三种解释对一下：
如果是技术问题，投入多的应该更好——因为他们买的是同一代技术，投得多用得多，学习曲线走得远。 如果是数据问题，数据多的应该更好。 如果是人才问题，招人多的应该更好。
可事实是反的。
而一个反着的事实，不能用“程度不够”来解释。它说明方向上有东西错了。
我做了很久才想清楚，错的那个东西是什么。
它不在技术上，不在数据上，也不在人上。它在那把尺子上。
我们现在用来衡量“AI 做得怎么样”的所有指标，测的都不是“AI 在这家公司里承接了什么”。它们测的是投入、是数量、是执行。而这些东西可以在价值为零的情况下全部亮红灯——甚至可以在价值为负的情况下看起来很漂亮。
一把量错了东西的尺子，比没有尺子更坏。因为没有尺子的人知道自己不知道，而拿着错尺子的人会照着它做决定。
如果不是技术的问题，那是什么的问题？
这件事历史上发生过一次，而且几乎一模一样。
我是看了谷歌前 CEO 施密特在斯坦福的一场分享才想清楚的。分享完，一位教授问他一个问题：
为什么电机出现之后的前三十年，没有显著提升工厂效率？
我回去翻了历史，越翻越觉得这个问题问得狠。
蒸汽机时代的工厂，是围着一根轴长出来的。
一台大蒸汽机，一根大天轴横贯厂房，从天轴上垂下几十条皮带，每条皮带带一台机器。所有机器必须围着那根轴排列——因为动力只能从那儿来。你想把两台工序相邻的机器放在一起，如果它们不在同一根轴下面，做不到。
老国企的厂房都是这么布置的。那不是审美，是物理约束。
然后电机来了。
所有人本能地做了同一件事：把大蒸汽机换成一个大电机。
先进生产力是先进了——电机比蒸汽机干净、稳定、好控制。可前三十年，工厂布局没有任何变化，效率也没显著提升。
因为那根天轴还在。皮带还在。机器还是围着轴排。换掉了动力源，没有换掉动力的分配方式。
真正的变化在三十年后：福特把大电机拆成小电机，把电力做成分布式，一条条装到流水线上。
这才是现代工厂的起点。
他做的事情本质上是一句话：他把一个大的生产力，分解、分解、再分解。 每台机器一个自己的电机，于是机器可以按工序排列，而不是按动力排列。
组织流程被重构之后，效率才极大暴涨。
这里有个东西值得停一下。
那三十年里，缺的不是电。电就在那儿，功率、成本、可靠性都够了。
缺的是“把动力拆开重新配置”这个想法，以及做这件事所需要的组织重构。
所有生产力都有这么一条 J 曲线：新东西进来，先有学习期、适应期、磨合期，曲线先往下走，然后才起来。
往下走那一段有个名字：价值死亡谷。
我碰到很多企业，一开始风风火火搞 AI，半年后说没效果、流程还被搞乱了，就放弃了。放弃的时候，他们正好在谷底。
而我们今天很多人，是在用成熟期的 ROI，去要求还在学习期的生产力。
这个位置摆错了。 不是要求太高，是要求错了阶段。一个刚进门的人你考核他的产出，他一定不合格；而他不合格不代表他不该来。
再给个具体例子，因为它是我看着走完的。
AI 还没来的时候，我们就和一家家电集团合作了五年。三年前我们跟他们说：三年之内，多模态智能会把各种能力结合到一起，产品研发流程会发生巨大变化。
他们也很努力，投了很多钱买各种新软件、数字化工具去提效。
可到今年第三年，其实没做到。还是那几个工具。
老板问我为什么。我说：你组织流程不改，就是做不到。
三年前很多技术确实还不具备，这一点要承认。但到今天，工具和技术都成熟了——还要再花三年。而这三年不是技术问题，是整个流程重新改造的问题。
他们做的事情，和一百年前那些换了大电机、留着大天轴的工厂，是同一件事。
那三十年里，缺的到底是什么？
碰了这么多硬骨头之后，我看到一本书，感触很大——李约瑟的《中国科学技术史》。
就是把浙大称为“东方剑桥”的那个李约瑟。
他在二十几卷里一直想一个问题：古代中国有那么多先进技术，为什么工业革命没发生在中国，反而发生在英国？
这个问题后来被称作“李约瑟难题”，讨论了几十年。他自己的结论，说穿了是一句话：
技术本身不会改变世界。关键在于技术能否转化为生产力。
工业革命时的英国，有什么？
有公司制度——可以聚集资本，可以承担有限责任，所以有人敢投那个风险很大的新机器。 有专利法——发明能变成财产，所以有人愿意花十年改进一台机器。 有皇家学会——知识可以公开、被检验、被累积，所以下一个人不必从头再来。
这些东西没有一样是技术。它们全是制度。
而技术在中国也有，甚至更早、更精巧。缺的是这一整套让技术能被规模化组织起来的东西。
同样的道理，今天 AI 要融入企业，也要有很多制度设计——决策流程怎么改、权责怎么分、验收标准是什么、错了谁负责。
只有解决这些，才能回答 MIT 那个问题：为什么 95% 的企业看不到价值？
因为制度还没匹配好。
我想强调一下这句话的分量。它不是一句正确的空话。
它是一个位置的判断：
如果瓶颈在技术，那这件事该 IT 部门去解决。 如果瓶颈在制度，那它就是一把手的事，别人干不了。
这两个位置，对应完全不同的两种公司行为。前者是立项、招标、部署、验收；后者是改流程、动权责、重排优先级——每一样都必须一把手点头。
这个位置判断有一个很不客气的推论，我在很多场合都讲，每次讲完屋里都会安静一下：
不是一把手，没法 AI 化。
如果你不是总经理、不是一把手，你要做的，是在自己能决策、自己是一把手的范围之内去做。
为什么这么绝对？因为：
这次变革不是简单的流程改造，而是决策权的重新分配。
而决策权重新分配，就涉及人事、涉及利益。你派一个人，可能要动到另一些人。
只有一把手，才能做好这件授权。
这一句是全书里最接近“劝人放弃”的一句话，所以我要把它的正确用法说清楚：它不是让你等一把手开窍，是让你把战场缩小到你自己说话有效的那个范围。一个部门经理在自己部门里就是一把手，一个人在自己的工作上就是一把手。在那个范围里，这套东西全部适用。
那么如果你就是那个一把手，你该做什么？
不是去学技术，也不是去挑供应商。就三件：
一、圈定第一个战场。（为什么第一个场景这么要紧，卷五第 19 章会讲。）
二、定好验收标准。（为什么验收是三道工序里最贵的一道，卷三第 11 章会讲。）
三、扛得住那段“价值死亡谷”的损失。
第三件最难，而且只有他能做。理由是这样的：
J 曲线下面那一段，全公司所有人都会拿 ROI 来要求你—— 而全公司唯一不用向别人解释 ROI 的人，就是你。
这一句解释了为什么这件事不能授权。J 曲线的谷底那一段，任何一个下属都必须向上解释“为什么投了钱还没有效果”，而解释不了他就会把项目掐掉，或者悄悄换成一个 ROI 好看的装饰化场景（卷五第 19 章会讲这是最常见的死法）。
组织里唯一有资格说“这一段我认了”的人，只有一个。
本书后面所有的内容，都建立在这个位置判断上。
如果你不接受这一条——如果你仍然认为这是个技术问题——那这本书对你没有用，你应该去找一个技术方案。这不是赌气，是实话：一本讲制度的书，帮不了一个技术问题。
今天 AI 要进企业，缺的是哪几项制度？
制度要匹配什么？匹配之前得先量。
而现在能拿到的尺子有三把，三把都不对。
买了多少算力、多少 token、多少席位、上了几套系统、AI 预算占比多少。
这是投入侧。
投入和结果的关系可以是零——买了一堆工具没人用；甚至可以是负的——账上是投入增加，实质是负担增加，因为有人要维护它、有人要被考核使用率、有人要写使用报告。
用投入衡量产出，是所有指标里最原始的一种错误。 它之所以流行，只因为它最容易拿到：财务系统里就有。
上了几个 AI 场景、几个部门在用、覆盖率多少、渗透率多少。
这一把最危险，因为它看起来最像业绩。它有部门、有进度、有百分比，可以画成一张漂亮的热力图给董事会看。
而它的问题在于一句话：铺得越散，分数越高。
一家公司在十个部门各上一点 AI，覆盖率 100%。 另一家只在一个核心判断上做深，覆盖率 10%。
前者的报表好看得多。
而本书后面会用一整卷来论证：前者恰好是最典型的失败模式。
所以覆盖率这把尺子不只是不准。它精确地奖励了那件最不该做的事。一个奖励错误行为的指标，比没有指标坏得多——因为组织会朝着指标跑。
省了多少人、多少工时、多少成本。
ROI 看起来最硬，最像商业语言，最容易通过财务评审。而它有三处失效，而且三处都往同一个方向偏。
一是 J 曲线。
真项目早期 ROI 必然为负——要投人、要磨合、要返工。而装饰化场景成本低、见效快、可测量，ROI 看起来最漂亮。
用 ROI 排序，你必然先做那些最不值得做的。
二是只算效率侧，不算质量侧。
省了几个人好算，少犯了几次错难算。
而效率侧收益天然偏向高频、低后果的判断——写文案、做汇总、发通知。真正值钱的是“少做错一个决定”，而那要乘上失误后果，没人算。
一次错误的重大质量放行值多少钱？一次错误的定价决策值多少钱？这些数没有人放进 ROI 表，不是因为不重要，是因为不好算。
三是外溢归零。
第一个场景的大部分价值，在于让后面几个变便宜——判例攒下来了、验收标准立起来了、有人练出手感了。
标准 ROI 把这一部分算作零。于是第一个场景永远算不过账，而它恰恰是最该做的那一个。
所以传统 ROI 不是“不够准”。它是系统性地选中最差的那一类场景。
三把尺子，量的分别是投入、数量、执行。
没有一把在测：判断被让渡了多少。
而那，正是这一轮变革里唯一在发生的事。
蒸汽机接管了体力，电接管了动力，互联网接管了连接——这三样都不替人做选择。而这一次不同：智能是第一种能承接判断的生产力。
如果它承接的是判断，而你测的是投入、数量和执行，那你测的永远是别的东西。
三把尺子都不测同一件事——那件事是什么？
MIT 那份报告是企业自报口径。
样本怎么抽的、问题怎么问的、“可衡量的价值”由谁定义——这些都可以质疑。“95%”这个数字本身不必当真。
要当真的不是那个数，是那个方向——投入越多、覆盖越广，价值反而越看不见。
这个方向我在几千家企业里反复看到，但我没有做过抽样调查。它目前是观察，不是统计结论。
反驳条件：如果有一份设计严谨的调查显示，AI 投入强度与可衡量价值正相关，那么本卷的压强就不成立，整本书要重新起手。
第 2 章的 J 曲线借的是 Paul David 对电动机的经典研究，那部分有文献支撑（他 1990 年那篇《计算机与发电机》正是拿电动机类比信息技术的生产率悖论）。
但“AI 也会走同一条 J 曲线”是类比，不是证明。
历史上不是每一种技术都走过这条曲线。也有走完了学习期仍然没有起飞的技术——它们不是在谷底放弃的，是那口谷本来就没有另一侧。
反驳条件：这一条严格说无法在事前被证伪，只能等。所以我在书里不用它做论证，只用它做位置校正——提醒读者不要用成熟期指标要求学习期。这个用法比“所以你要有耐心”要弱，但它是诚实的。
李约瑟难题至今没有公认答案。
我引用他的结论（技术不改变世界，制度决定转化），但学界对“英国那几项制度到底哪一项是关键”从未达成一致，也有人认为煤和殖民地比制度更要紧。
我用它是为了立一个位置判断（这是一把手的事，不是 IT 的事），而不是为了证明“制度决定一切”。如果读者把这一章读成了历史结论，那是我的表述有问题。
第 4 章那三把尺子的批评，只有第二把（覆盖率）我有把握说它“精确地奖励了错误行为”。
因为那一条会在卷五被证明。而第一把（投入）和第三把（ROI）的批评，靠的是常识和逻辑，没有数据。
尤其“ROI 系统性选中最差场景”这一条，严格版本应该是：在我见过的案例里，按 ROI 排序选出的第一个场景，学习价值系统性偏低。 而“我见过的案例”不是一个样本。