一、一个奇怪的现象
最近跟几个做AI落地的朋友聊天，发现一个很有意思的现象：
“我们公司去年上了7个AI项目，今年复盘的时候发现——每个人都在重复问同样的问题，每个项目都在重新写同样的Prompt，之前踩过的坑，新项目一个不落全踩了一遍。”
另一家公司的CTO说得更直接：
“用AI之前，我们觉得瓶颈是模型能力。用了一年之后发现，瓶颈变成了我们自己——东西越做越多，但能力原地踏步。”
这不是个例。
我观察到一种“AI能力悖论”：用AI越多的公司，AI能力反而越弱。
听起来反直觉，但拆解一下就明白了。
二、为什么会出现这种悖论？
2.1 资产散乱：每个人的Prompt都存在本地
在很多公司，AI的使用方式是“野生生长”的：
- 工程师A写了一个很牛的代码生成Prompt，存在自己的备忘录里
- 运营B调优了一个客服问答Prompt，存在微信收藏里
- 产品C整理了一份需求文档分析的Prompt模板，存在本地Word里
结果就是：资产散落在每个人的电脑里。
新人来了，不知道问谁；老人走了，经验带走了。每个项目都在从零开始写Prompt，每次踩坑都在重复前人踩过的坑。
2.2 经验不沉淀：没有人知道“什么是最好的”
即使有人愿意分享，也没有一个地方可以沉淀。
- 同样一个任务，有5个不同的Prompt，哪个效果最好？没人知道。
- 某个Prompt在上个月有效，这个月模型升级后效果变差了，谁来更新？没人负责。
- 不同场景下应该选哪个模型、设什么参数？全是个人经验，不成体系。
结果是：团队的AI能力始终停留在“个人英雄主义”阶段，无法变成组织能力。
2.3 成本失控：谁在用、花多少、值不值，全是黑盒
这是另一个维度的“弱”——不是能力弱，而是掌控力弱。
- 哪个部门花了多少钱？不知道。
- 哪个Prompt被调用了上万次？不知道。
- 有没有重复调用造成的浪费？不知道。
当你看不清成本的时候，你就不敢放大规模。不敢放大规模，AI能力就被锁死在小范围试点阶段。
三、这个悖论的根源是什么？
用一句话总结：工具越强，管理越弱。
AI降低了“单次完成任务”的门槛，所以每个人都能快速用起来。但AI没有降低“组织协同”的门槛——相反，它放大了这个问题。
打个比方：
Excel很强，每个人都能用。但如果一个公司的所有数据都散落在个人的Excel文件里，没有统一的数据字典、没有版本管理、没有权限控制，这家公司的“数据分析能力”是强还是弱？
答案很明显：看起来每个人都在做，实际上整个公司一盘散沙。
AI也是一样。
四、解法：从“工具使用”到“能力中台”
要打破这个悖论，需要做三件事：
4.1 资产统一化
把散落在个人电脑里的Prompt、知识库、配置，集中到一个统一的地方。做到：
- 谁写了什么，可查
- 哪个版本最好，可比
- 新人来了，可学
4.2 经验可度量
不是“我觉得这个Prompt好”，而是有数据支撑：
- 这个Prompt在100次测试中的成功率是多少？
- 平均耗时多少？Token消耗多少？
- 不同模型下效果差异有多大？
没有度量，就没有管理。没有度量，经验就永远停留在“我感觉”。
4.3 成本可管控
- 每个项目、每个部门、每个用户的调用量一目了然
- 异常调用自动告警
- 预算超支前就能干预
五、一个真实的转变
有一家SaaS公司，之前也是“野生生长”模式。3个月里，5个部门各自接入了AI，花了十几万，但没人说得清值不值。
后来他们做了一次升级：从“各自为战”切换到“统一管控”。
变化发生在三个层面：
对工程师：不用每次重新写Prompt，直接复用公司沉淀的最佳模板，开发效率提升60%。
对部门经理：每月底收到一份成本报表，哪个项目花了多少、投入产出比如何，清清楚楚。
对CTO：第一次能回答“我们公司的AI能力到底怎么样”这个问题——不是靠感觉，而是靠数据。
最让人印象深刻的一句话是：
“以前我们觉得AI能力就是‘会不会用大模型’。现在才明白，真正的AI能力是‘能不能把用过的经验变成资产’。”
六、写在最后
用AI越多的公司，AI能力反而越弱——这个悖论的成立是有条件的：当公司只有工具，没有体系的时候。
工具解决的是“能不能做”，体系解决的是“能不能持续做好”。
如果你也感觉到“用AI越多越乱”的苗头，可能是时候从“工具使用”升级到“能力中台”了。
目前市面上已有一些面向企业的AI能力管控平台（如ZGI），专门解决资产沉淀、效果度量、成本管控等问题，帮助团队从“野生生长”走向“有序沉淀”。
