摘要

企业AI的硬约束正从能力转向衡量。 Fradin借用数字广告作类比：Google和Facebook之所以能让预算和收入扩张，背后依靠的是一套成熟的衡量、规划和治理生态。AI也需要类似基础设施。如果行业的乐观情景成立，全球IT支出将从1万亿美元走向10万亿美元，JPMorgan Chase约180亿—190亿美元的IT预算也将显著上升，那么机会就在于建设一套基础设施，“说实话，目的不是阻止任何事情，而是加速它”。
约7000亿美元的企业AI支出，正撞上高管无法证明哪些项目有效的恐惧。 Fradin访谈的350名IT负责人中，约70%认为资金正在被浪费；80%—85%的公司认为，自己只有18个月时间成为领导者，否则就会掉队。一名PE支持企业的高管可以汇报董事会提出的4项指令进展，但谈到AI，“我手里只有我们买了多少东西”——这让工具供应商承受证明使用率或价值的压力。
采购数据大幅高估了受控采用率。 Laridan超过80%的客户发现，员工实际使用的AI工具远多于公司已知或获授权的数量，即便正式的企业使用率仍低于外界想象。影子采用既可能意味着风险，也可能代表值得纳入体系的自下而上需求；第一步是建立可见性，因为“他们不可能同时在完美认知和完美安全的条件下全部重新培训”。
没有单一指标足以证明AI带来了生产力，站得住脚的方法是交叉验证被动使用、工作产出或耗时，以及调查证据。 Harvey案例将名义上的6名用户分成2名从未回来、2名轻度用户和2名重度用户，再比较他们的工作，而不是询问他们是否喜欢这款工具。Rampell提醒说，这就是古德哈特定律：“一旦指标变成目标，它就不再是准确的衡量指标”，无论目标是邮件数量、代码行数还是AI支出。
当员工把8小时的任务压缩成1分钟却对方法保密时，AI就制造了委托—代理问题。 员工拿走了闲暇时间，公司却没有获得额外产出；竞争激烈、股权激励驱动的组织更可能把节省下来的时间重新投入工作，而大型雇主最终可能会调整工作量和人员配置。要推动扩散，就必须“让这个人成为英雄”，记录工作流并安全地推广，而不是只购买更多席位。
治理可以提高采用率，前提是它给员工提供一个安全的试验场，让他们不用担心出丑或被解雇。 Fradin称，一家欧洲银行让1名熟练的28岁员工制作30页演示稿，再向整个投行体系授课，是“指望人们采用改变世界的技术的一种荒谬方式”。Laridan的Nexus在模型外包裹公司特定的安全护栏，但收益仍高度不均：“Cursor让平庸工程师变得优秀，却让顶尖工程师变成了神。”
Fradin不接受大规模AI失业的判断，因为竞争对手会把生产力收益再投资于增长，而不是让多出来的利润毫无防守。 一家1亿美元收入的公司如果解雇90%的员工、赚取9000万美元利润，就可能遭到资金更充足的竞争对手攻击；后者愿意继续招聘、接受10%的利润率——“你的利润就是我的机会”。他承认，千亿美元级的单人企业可能出现，年长的白领也将面临痛苦的持续学习，但预测30年后《财富》500强雇用的人数不会减少，同时承认：“我也可能最终证明自己错了。”

精读

1. AI需要让数字广告规模化的衡量基础设施

Rampell从广告技术行业早年的归因争议切入：一笔销售究竟应该归功于Yahoo的横幅广告、Google的最后一次点击，还是通过植入Cookie截流的优惠券网站？AI面临同样棘手的衡量问题，但董事会层面的问题更简单：“它到底带来收益了吗？”
Fradin回忆，自己1996年搬到硅谷后加入了第一家在线广告网络。此后，数字广告逐步建立起DoubleClick、Flycast、Omniture、comScore等层次，与电视、广播和制药行业早已具备的规划和衡量基础设施相对应。
他创办Laridan的核心判断是：每一次预算快速迁移，都迫使基础设施重建。衡量和治理不是为了充当守门人，而是要让一家35,000人的公司能够扩大AI应用，同时回答再培训、安全、董事与高管责任险，以及项目最终是否有价值等日常问题。

2. 软件正在吞噬劳动，CFO开始审视支出

Rampell构建的简化模型是：一家公司在劳动上的支出为100亿美元，几乎不花软件费用。AI可能将劳动支出降至80亿美元，同时把软件支出推高至10亿或20亿美元，公司因此更赚钱——但真正重要的问题不再是优化软件许可成本，而是软件到底带来了多少生产力。
Fradin援引行业的乐观情景：AI和智能代理可能将全球IT支出从1万亿美元推升至10万亿美元。据报道，JPMorgan Chase在IT上支出约180亿—190亿美元，在人员上的支出则达几千亿美元；IT支出不会“在接下来几个月里”跳升至1800亿美元，但任何实质性增长都需要CFO级别的证据支撑。

3. 采购不等于采用，影子AI已经普遍存在

Laridan从盘点开始：公司内部有哪些工具，员工是否真的在使用？其超过80%的客户发现，员工实际使用的AI软件远多于IT部门知道或授权的数量，其中既有真实的安全问题，也有值得“纳入体系”的热门工具。
正式使用率也低于很多人的想象。电子邮件和Workday拥有强制性的使用机制，但普通企业软件往往只能触达目标人群的一部分；购买AI工具并不能解决长期存在的推广难题——让员工改变工作流。
Fradin强调，1名42岁员工要在工作、出差和家庭责任之间平衡，却突然被要求成为AI专家。只要员工可以放心试验，不必“看起来很蠢”，也不用担心误传受限数据、违反欧盟规则或被解雇，采用率就会上升。

4. 生产力衡量从被动行为开始，再叠加并不完美的调查

Laridan目前将成熟的生产力调查与自有行为数据结合起来，比较部门中的重度用户和轻度用户，而不是监控具体个人。眼下的问题是：昂贵工具的合法用户，或使用Claude、ChatGPT的营销人员，在软件确定推高运营支出后，是否比其他条件相近的非用户更高效。
Fradin认为，自报生产力是最糟糕的单一指标：定义各不相同，员工会猜测管理层想听到什么，而研究人员甚至可能不知道受访者是否真正使用过该产品。他在comScore时期就将调查答案与观察到的行为结合起来；完全被动的生产力衡量是终点，但企业尚未分享足够数据。
有效的分析单位是聚合群体，而不是个人。休假、航班、疾病和培训都会让个人日度数据充满噪音——“我昨天有生产力吗？无法知道”——但群体层面的使用量、时间和工作量，可以告诉CFO，要求运营支出增加50%后，是否真的推动了有意义的变化。

5. AI打破FTE基线，也让每个暴露出来的指标都变成博弈对象

Rampell用一名企业律师说明委托—代理挑战：他把8小时的起草工作压缩成4小时，然后去打高尔夫。员工“更懒、更富”，但如果预期或产出没有改变，公司就只是为AI付了钱，却没有拿到生产力提升。
Fradin的反例是硅谷那种股权驱动的员工：节省4小时后，继续工作“再4小时，然后再4小时”。GE也有以CEO为目标的人这么做，但这种行为的比例取决于文化、激励和竞争强度。
AI将冲击CFO对500、1,000或2,000名FTE能产出什么的本能“常识”。如果大规模员工队伍真的从每天工作8小时降至4小时，Fradin预计管理层最终会保留更少的人，让他们可能工作6小时，而不是在未来几年里简单接受所有人的工作时间减半。
Rampell援引古德哈特定律：在薪酬机制介入前，邮件数量或代码行数可以描述活动；一旦它们变成目标，就会失真。Harvey案例则将实际的非用户、轻度用户和重度用户，与相同的生产力问题及观察到的产出进行比较——这是开始判断价值所需的最低组合。

6. 响应速度比原始活动量更能代表企业产出

部门特定的结果仍然不可或缺，因为销售、法务、工程和市场产出的单位并不等价。一个有希望、且不打扰工作流的指标是内部服务水平：采用AI后，同事是否“更愿意把更多事情交给法务”，法务或工程团队是否能更快回应其他部门？
Fradin认为，多数CFO并不梦想解雇熟悉的同事：CFO认识Tina，知道她的丈夫和孩子，更希望她表现良好、永远不要离职。呼叫中心可能另当别论，但普通成本中心可以通过更高的生产力、幸福感、留任率和响应速度创造价值，而不是立即裁员。
目前Laridan的客户是CIO；Fradin预计，随着预算扩大，买方最终会变成CIO与CFO的联合体。
独立衡量最终也应让有效的AI供应商受益。Fradin说，一些供应商目前可能对第三方审视持怀疑态度，但他认为，证明价值能够打开企业预算——正如Google最终收购Urchin并建立Google Analytics，因为当产品确实有效时，客户追踪价值对供应商有帮助。

7. 7000亿美元支出撞上18个月的恐慌

Fradin援引Gartner的估算称，企业AI支出约为7000亿美元，而且预计还会继续快速增长。
约70%的领导者表示，他们确信资金正在被浪费。Fradin并不把这种感知当作70%的项目失败的证据；更深层的问题是，公司缺乏能够区分成功项目和失败项目的系统。
一家盈利的PE持有企业说明了这种落差。其所有者设定了5项年度重点，其中包括全组织范围的AI采用；这名高管能够为另外4项提供证据，但每次董事会会议上，他关于AI的汇报都只有“我们买了多少东西”。
与此同时，约80%—85%的受访公司认为，自己只有18个月时间成为AI领导者，否则就会掉队。这种焦虑在衡量和培训体系尚未建立前就释放了预算，形成快速支出、回报不确定、员工使用率低，以及员工不清楚哪些行为被允许的“完美风暴”。

8. 安全、社交化的扩散比再上一门培训课更重要

Rampell认为，AI仍然被低估，是因为少数人的惊艳体验尚未在机构内部扩散。几乎每家大公司里都可能有人已经发现如何把8小时压缩成1分钟；“最糟糕的情况，就是那个人把它藏起来。”
一家监管严格的欧洲银行让1名熟练使用ChatGPT的28岁员工制作30页演示文稿，再通过全球电话会议向整个投行体系授课。Fradin说，这件事对员工本人或许很酷，但他认为这种推广方式荒谬，就像购买一门可选的学习管理课程，而几乎没人真正完成。
Nexus的设计目标是给模型套上一层安全封装，而不是要求用户在Claude、Gemini和ChatGPT中三选一。定制版Llama模型可以拦截被禁止的请求，并对被禁止的数据发出警告，例如社会安全号码信息、按种族和性别划分的员工数据库，或公司依据对欧洲规则的理解而禁止使用的AI撰写绩效评价。
理想的交易应让双方都受益：熟练员工获得认可，紧张的员工得到指导，公司则积累关于哪些方法有效的可复用知识。Fradin以编程市场为基准：“Cursor让平庸工程师变得优秀，却让顶尖工程师变成了神。”

9. 竞争会把AI收益再投入增长，而不是制造大规模失业

Fradin“完全不相信”AI会造成大规模失业。一家公司如果在维持产出的同时裁员，可能获得短期利润，但竞争对手可以留住员工、利用AI产出更多产品并夺走市场。他指出，GDP和就业总体仍在增长，经济是零和博弈的说法至今没有证据。
他的VC思想实验是：一家1亿美元的企业解雇90%的员工，创造9000万美元利润。Rampell应该反对这个方案，因为另一家公司可以为直接竞争者提供资金，继续招聘、接受10%的利润率，并摧毁这套策略：“你的利润就是我的机会。”
Rampell转述经济学家Ed Glaeser的观点：这轮转型可能会罕见地冲击受教育程度较高的白领，但这些人也几乎必然具备适应能力。Fradin承认，那些在40多岁或50多岁就停止学习的高薪专业人士，如今可能不得不再次逼迫自己学习，这会令人不适。
高利润的单人企业可能变多，甚至出现百亿美元级的单人公司；就业则会转向数据中心、水管、媒体，或尚未被想象出来的工作。Fradin仍预计，30年后《财富》500强雇用的人数不会减少，但明确保留不确定性：如果判断错误，“也许我会花更多时间度假。”

10. 横向魔法仍需要一个小费计算器式的用例

Rampell认为，企业产品营销面临一个问题：告诉用户AI“什么都能做”，反而让他们不知道从哪里开始。当承诺变得具体——“我会帮你写出更好的代码”——而不是要求每名员工自行发明用例时，采用才会加速。
Fradin在comScore也学到了同样的教训。“我们什么都知道，你想知道什么？”是糟糕的销售话术；而“日本Visa与Mastercard的份额”“药品研究行为”，或“Firestone轮胎危机后，员工搜索Ford是否恶化”等具体产品，才真正对应买方已经想回答的问题。
Rampell借Sharp Wizard作比喻，概括了这个悖论：Jerry Seinfeld的父亲喜欢它的小费计算器，却忽略了设备能做的其他一切。横向供应商可能不满于自己被压缩成一个简单功能，但企业需要更多“小费计算器式的东西”；ChatGPT那种不言自明的魔法是罕见例外，并不是可靠的市场进入策略。

a16z Growth 如何投资 Turing CEO Jonathan Siddharth：谁将赢得数据标注，以及为什么99%的知识工作会消失