电力革命给企业 AI 开发带来的启示

前几天在一个技术沙龙上，有个做研发管理的朋友跟我吐槽：他们公司前阵子给全员配了 AI 编程工具，一人一个账号，过了几个月一盘点，代码量确实多了，但项目交付一点没变快，bug 反而多了。

他问我：是不是工具不行？

我说，你可能冤枉工具了。这事一百多年前就有过一回，剧本几乎大差不差。

电灯 1879 年就发明了，生产力 1920 年才起飞

先说一段经济史。

白炽灯 1879 年问世，1881 年纽约和伦敦就有了发电站。按理说，从这一刻起，人类进入了电气时代。

但斯坦福大学的经济史学家保罗·大卫（Paul David）在 1990 年发表过一篇著名论文，叫《发电机与计算机》。他翻遍了当年的工业普查数据，发现一个尴尬的事实：直到 1900 年前后，你在工厂里几乎看不到电力带来任何效率提升。

真正的大爆发要等到 1920 年代——美国制造业生产率增速超过每年 5%，那是美国工业史上最黄金的十年。距离电灯发明，已经过去了四十多年。

问题出在哪？

不是发电机不行，是工厂主们「假装通电」。

当年一座典型工厂长什么样：一台巨大的蒸汽机放在中央，一根主轴横贯厂房，天花板上密密麻麻全是皮带和传动杆，把动力分发给每一台机器。整栋楼围绕这根主轴来设计——机器离主轴越近越好，几层楼高，全部跟着同一根轴转。

电力来了之后，大多数工厂主做的事情是：把蒸汽机拆了，原地装上一台大电机，主轴还是那根主轴，皮带还是那些皮带，机器还是摆原来位置。反正动力有了，革命完成了。

结果呢？电费省了点，故障少了点，生产率几乎没动。

真正的变革发生在后来一批「想开了」的工厂主身上：他们不再建一根中央主轴，而是给每台机器配一个小电机。这一下子解开了束缚——机器不用围着主轴排了，厂房不用盖好几层了，可以摊平成单层大空间，按「物料怎么流动最顺」来重新排布机器。流水线，就是这么来的。

也就是说：把蒸汽机换成电机，只是换了个动力；把工厂围绕电重新设计一遍，才是革命。

福特：12.5 小时 → 93 分钟

说到流水线，绕不开 1913 年 10 月的福特高地公园工厂。

在那之前，组装一辆 Model T 底盘要 12 小时 30 分钟。福特把装配动作拆开，用绳索和绞盘把底盘缓慢拖过 150 英尺的流水线，140 名工人沿线站定，各装各的那几个零件。

到 1914 年，经过持续改进，一辆车的装配时间压缩到了 93 分钟。

从 12.5 小时到 93 分钟，将近 8 倍。Model T 的售价从 850 美元一路降到 260 美元，汽车从富人的玩具变成了工人的代步工具。

注意一个细节：福特用的电机，跟别家工厂的电机没什么两样。拉开差距的不是那台电机，而是围绕电机重建的整条生产线。

泰勒：拿着秒表的人

光有流水线还不够。

流水线解决的是「机器和物料怎么流动」，但每个工位上的人该干多少活、怎么干才最快，还是一笔糊涂账。泰勒（Frederick Taylor）干的就是这件事：拿着秒表站在车间里，把每一道工序拆解到秒级，铲一铲煤用几秒、搬一件生铁用几秒，全部测量、记录、优化。1911 年他出版了《科学管理原理》，生产从「老师傅的手艺」变成了「可测量、可复制、可培训的工程」。

这解决了一个致命问题：生产效率不再依赖个别熟练工人。 换个人来，按标准动作培训两周，也能达到同样的产出。

所以电力革命落地，其实是三件事叠在一起：

1. 能源重构——从中央主轴到分散电机（硬件只是第一步）；
2. 流程重构——从作坊式生产到流水线（福特）；
3. 管理重构——从手艺到科学管理（泰勒）。

少任何一件，电都白通。

现在，轮到 AI 编程了

把镜头拉回 2025 年，你会发现历史在重演，连数据都似曾相识。

Google Cloud 的 DORA 团队 2025 年调研了全球近 5000 名技术从业者：90% 的开发者已经在工作中使用 AI，超过 80% 认为自己生产力提升了。看起来一片欣欣向荣，电气化的剧本已经翻到「全面普及」那一页。

但另外几个数字就微妙了。

• 同一份 DORA 报告里，只有 24% 的开发者表示信任 AI 的输出，30% 明确表示不太信或完全不信；
• AI 采用率越高，软件交付吞吐量确实上升，但交付稳定性在下降；
• 2025 年 7 月，研究机构 METR 做了一个严格得罕见的随机对照实验：16 名资深开源开发者、246 个真实任务，任务随机允许或禁止使用 AI。结果是——用 AI 的那组，完成时间反而多了 19%。 最讽刺的是，这些开发者事先预测 AI 能让自己快 24%，做完实验之后依然坚信自己快了 20%。

一个 19% 的减速，配上 80% 的「我感觉变快了」。

这个组合你熟悉吗？想想 1900 年那批刚装上大电机、看着电表走字就觉得万事大吉的工厂主。

我不是在说 AI 编程没用——Copilot 在独立小任务上 55% 的提速是有实验支撑的，METR 那个实验的对象恰恰是深耕多年的大型成熟代码库，属于 AI 最不擅长的场景。我想说的是另一件事：

大家又把「电机」装回了「主轴」上。

给每个开发者发一个 AI 账号，相当于给每台机器配了小电机——这一步其实做对了。但开发流程还是那条流程：需求评审、设计、编码、测试、发布，一个环节不差；考核方式还是老三样：代码行数、任务数、工时；知识还是存在各人脑子里，代码库还是那个祖传的百万行迷宫。

单点都通电了，工厂还是那个工厂。

三个拷问

所以判断一家企业 AI 落地是真落地还是「假装通电」，我觉得就看三道拷问，恰好对应能源、流程、管理这三重重构：

第一，你只是把 AI 接入老系统，还是围绕 AI 重建了底层的「动力架构」？

这是能源重构层面的问题，也是最根本的一道。当年工厂主最典型的错误，是把蒸汽机拆了、原地装上一台大电机，却死死保留那根贯穿厂房的中央主轴——动力换了，架构没动，结果几乎白干。今天大量企业的 AI 落地是同一个动作：买来工具，往老代码仓库、老审批流、老权限体系里一塞，底层那根「总线」一个字没改。

真正的能源重构，是让「动力」下沉：不再靠一根中央轴带动全场，而是给每个节点、每个 AI Agent 配上一台属于自己的小电机，自主取用计算、知识和上下文。如果你的 AI 还在绕一根谁都不敢动的「祖传总轴」排队，那通不通电，没区别。

第二，你有没有建新的「生产流水线」？

福特之前，汽车厂的老师傅是站在原地装整辆车；福特之后，车动人不动，每人只做几个动作。AI 时代的软件流水线长什么样——需求怎么进、AI 怎么出、人审什么、机器验什么——绝大多数公司还没画这张图，只是把 AI 塞进了老图里。

第三，有没有配套的「泰勒制」？

AI 生成的代码质量参差，靠什么标准验收？AI 写的东西出了问题算谁的？团队里个人的 AI 使用经验，怎么沉淀成组织的标准动作？没有这套管理基础设施，AI 的输出就没有质量底线，经验也传不下去。

企业 AI 开发落地的四个阶段

把这三问串起来，我认为企业 AI 开发会走完四个阶段：

阶段一：单点 AI。 开发人员用 AI 写代码，相当于给每个人发了个好工具。这一步几乎所有人都完成了——90% 的采用率摆在那。

阶段二：全员AI。 不只是开发写代码用 AI，产品经理写需求、架构师做设计、测试写用例、运维查日志，软件链条上所有人、所有环节都用上 AI。当前，大部分企业在这个阶段。

阶段三：软件工厂。 平台如同制造工厂，内置一条软件生产流水线，所有人基于工厂流水线协同工作。这一步的关键词是「上平台」和「工业化」，生产要素从个人电脑里解放出来，沉淀到组织的流水线上。

阶段四：黑灯软件工厂。 关灯即可自动化生产——AI 成为主力，人「退出」生产线，从执行者变成流水线的设计者和监督者。这是终极形态，也会彻底重塑软件开发的流程和组织架构。

对照电力革命的时间表：从「装上电机」到「建成流水线」，制造业走了十几年；从「流水线」到「成熟」，又走了十几年。软件行业大概率会快得多——但快，也不可能是下一个季度。

写在最后

保罗·大卫那篇论文最值钱的一句话，我印象很深：新技术的经济价值，不取决于技术本身，而取决于社会和组织围绕它重新设计的速度。

他研究的是发电机，写的是计算机，放在今天的 AI 编程上照样严丝合缝。

所以回到开头那个朋友的问题。我给他的建议是：别急着追问工具为什么没见效，先把这三个问题带到管理层会上去——

1. 我们只是把 AI 接进老系统，还是围绕 AI 重建了底层的动力架构？
2. 我们的「软件流水线」图纸画出来了吗？
3. 我们的「泰勒制」——AI 时代的度量、验收和管理方式——存在吗？

1879 年电灯亮起的时候，最兴奋的工厂主们没想到，赢家不是第一批通电的人，而是第一批愿意把工厂推倒重排的人。

AI 编程这件事，也一样。

参考文献 / 延伸阅读：

David, P. A. (1990). The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox. American Economic Review, 80(2), 355-361.

Library of Congress. Ford Implements the Moving Assembly Line. https://guides.loc.gov/this-month-in-business-history/October/Ford

Becker, J., Rush, N., Barnes, E., & Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

Google Cloud DORA. (2025). State of AI-assisted Software Development. https://dora.dev

InfoWorld. (2025). AI coding tools can slow down seasoned developers by 19%. https://www.infoworld.com/article/4020931/

Taylor, F. W. (1911). The Principles of Scientific Management. Harper & Brothers.