一、引言
2026 年，一个悖论正在所有会议室里重复上演：每个人都在说 AI 让他的效率翻了几倍，但公司的财务报表几乎没有变化。腾讯研究院副院长袁晓辉在 2026 世界人工智能大会上给出了一个精准的观察，AI 让每个人都变强了，但公司没跑得更快。
这不是 AI 不行，而是物理规律在起作用。一条 1967 年的定律，早在 ChatGPT 诞生半个世纪前，就预言了今天会发生什么。不理解这条定律的企业，会在 AI 上越花越多，赚得越来越少。
二、阿姆达尔定律的理论溯源
1967 年，IBM System/360 的三位主架构师之一 Gene Amdahl，在一篇只有两页的论文里提出了一条公式：系统的整体加速比等于 1 除以（不可加速部分 α 加上可加速部分 P 除以加速倍数 n）。当 n 趋于无穷时，整体上限收敛到 α 分之一，串行部分 α 是系统的物理学天花板。
这条定律的提出者，用自己的一生验证了它的判断。Amdahl 当时估计，约 40% 的真实计算任务属于串行部分。1970 年，他离开 IBM 创立 Amdahl Corporation，不做并行机，专做更快的单处理器大型机，与其定律的立场完全一致。当串行部分无法消除时，把单点做快，比堆砌并行更有价值。他赌对了，Amdahl Corporation 一度成为 IBM 最头疼的竞争对手。
半个世纪后，企业 AI 的处境和 1967 年的并行计算几乎一模一样。所有人都在堆并行，给每个岗位配上 AI 工具，但没有人愿意动串行，那些协作、判断、反馈闭环的环节。于是整体加速被锁死在一个天花板之下。
三、公式在企业场景的代入
把这条公式搬进企业 AI 的场景：假设执行占 80%，判断与审核交付占 20%，AI 让执行提速 10 倍，整体加速等于 1 除以（20% 加上 80% 除以 10），约为 3.57 倍。个人感受到的 10 倍，传导到系统层面只剩 3.6 倍。
如果算上目标对齐、跨部门沟通、预算审批、风险控制、排期冲突这些真实组织摩擦，实际数字还要更低。袁晓辉的贡献，在于把这条并行计算定律迁移到组织 AI 落地场景，给出了企业买了 AI 工具却看不到 ROI 的物理学解释。
四、三个不可加速的瓶颈
阿姆达尔定律中的 α，在企业场景里具体是三个东西。它们有一个共同点，恰好是 AI 工具完全够不着的地方。
（1）协作。上下文分散在文档、聊天、个人电脑里，对齐成本极高。AI 助手可以写得又快又好，但它无法加速对方还不知道你要什么这件事。跨部门共享上下文缺失，是第一个 α。
（2）判断。AI 一分钟生成十个方案，但选择哪一个仍需人来拍板。当生成越来越容易，选择反而变得更加重要，而选择这个环节，恰恰是 AI 时代最稀缺的人类能力。判断者缺位，是第二个 α。
（3）反馈闭环。被提效的节点没有连成持续学习的系统，客户反馈进不了产品，一线经验沉淀不成组织知识，每一次改进都从头再来。学习断裂，是第三个 α。
买再多的 Copilot 也解决不了协作，再强的模型也替代不了判断，再快的工具也补不上反馈闭环。这三个 α，就是企业 AI 投入的隐形漏斗。
五、实证检验：任务级到企业级的衰减链
过去三年的数据，完整地复现了这条从任务级到企业级的衰减链。
任务级：GitHub 受控实验显示，Copilot 让编码快 55.8%，样本量 95。企业级：微软等四所机构的随机对照实验（样本量 4867）显示，同样编码场景只剩 26%。资深级：METR 2025 年的受控实验更极端，资深开源开发者用 AI 反而慢 19%，而他们自认快 24%。行业级：Opsera 2026 年基准显示，算入审查与调试后，净提速只剩 18%，PR 审查时间膨胀 4.6 倍。公司级：字节跳动技术 VP 洪定坤 2026 年公开，90% 的代码由 AI 生成，人均需求吞吐仅提升 60%。宏观级：NBER 2026 年调研显示，89% 的经理三年未见生产力变化，95% 的 GenAI 试点对损益表零影响。
McKinsey 2025 年的年度报告给出了最刺眼的一组数字：88% 的企业至少在一个职能用 AI，只有 39% 见到 EBIT 影响，多数不到 5%，仅 6% 是高绩效。BCG 则显示 74% 的企业没有获得有形价值，一年后这个数字恶化到 60%。
从任务级 55.8%，到企业级 26%，到公司级 1.6 倍，到宏观级看不见。这条衰减链，就是阿姆达尔定律在企业 AI 场景下的完整预言。它不是某一家公司的失败，是整个行业的物理规律。
六、个案研究：Klarna 与串行瓶颈的转移
Klarna 是这条链上最值得解剖的案例。2024 年初，这家瑞典金融科技公司高调宣布：AI 客服助手一个月处理 230 万次对话，等价于 700 个全职人力；响应时间从 11 分钟压到 2 分钟；重复联系率下降 25%；一年带来 4000 万美元利润。
然后，2025 年 5 月，CEO Sebastian Siemiatkowski 公开承认走得太远，开始重新招聘人工客服，作为 VIP 服务。员工从 5500 人裁到 3000 人，再重新招人。任务级 5.5 倍的加速，没有换来系统级的胜利。
为什么？因为客服这件事，标准查询只是可加速的 P，而复杂投诉、情绪安抚、例外授权、品牌信任是不可加速的 α。当 AI 接管了三分之二的标准对话，剩余三分之一的复杂 case 全部堆积在未被加速的人工通道上。串行瓶颈没有消失，只是转移了。CSAT 下滑、客诉升级、口碑受损，都是 α 在用另一种方式报复。
七、对照案例：系统改造突破上限
深圳一家 150 人的贸易电商公司，给出了相反的样本。他们的做法不性感：把全公司拆成 1400 个工作条目，逐条判断哪些交给 AI、哪些人机协同、哪些只能人判断，然后由一个十几人的 AI 落地团队系统化推进。结果：整体提效 76%，服饰与营销组达到 90%，物流、零售、线下组也有 50% 以上。
差异不在工具，在方法。这家公司做的事，是把只能人判断的部分显式地识别出来、隔离出来，把 α 从看不见的墙变成看得见的边界，其余部分最大化并行。这就是阿姆达尔定律在 2026 年的正确用法：不是抱怨并行不够快，而是承认串行存在，然后系统地处理它。
八、BCG 的 10、20、70 法则
BCG 用一组数据量化了这件事：领先企业的 AI 价值构成是 10% 算法、20% 技术数据、70% 人与流程。三分之二的企业败在人这个环节，没有重构工作流，没有培养 AI 人才。
麦肯锡的结论指向同一处：高绩效企业重新设计工作流程的可能性，是其他企业的 3 倍；超过三分之一的高绩效企业，把 20% 以上的数字预算投入 AI。只买工具，等于只押注那 30%。
这也解释了为什么 2025 年 BCG 报告显示，领先企业部署的 AI 工作流数量是滞后企业的 5 倍。因为工作流，就是 α 的物理载体。改工作流，才是真正在降低 α。
九、Gustafson 定律的边界
1988 年，Sandia 国家实验室的 John Gustafson 修正了 Amdahl 的悲观：当问题规模可以随算力一起增长时，加速不再被串行部分锁死。他在 1000 处理器的超算上，对流体动力学等三大应用取得了 502 到 637 倍的并行加速。
AI 时代，Gustafson 路径确实存在：药物发现把可筛选化合物从 10 的 4 次方推到 10 的 9 次方，内容生成把营销变体从 10 个推到 10000 个，科学计算如 AlphaFold 一次解析 2 亿蛋白质结构。这些场景的共同特征：问题规模的上限由算力决定，而非由人力、预算、需求决定。
但企业 AI 落地几乎不满足这个条件。客服对话量有上限，产品需求由路线图决定，预算一年一签。企业问题规模是固定的，所以企业 AI 受 Amdahl 约束，而不是 Gustafson。判别方法很简单：你的问题规模能随着算力增加而无限扩大吗？绝大多数企业不能。
十、降低 α 的三步法
如果 α 是天花板，那降低 α 就是企业 AI 的唯一正路。本文将其拆成三步。
（1）盘点。把全公司的岗位拆成工作条目，逐条标注哪些能交给 AI、哪些需要人机协同、哪些只能人判断。深圳依然公司的 1400 个工作条目，就是这么拆出来的。α 不显式化，就永远是一堵看不见的墙。
（2）隔离。把只能人判断的部分单独拎出来，设计成流程节点，判断者只看 AI 处理不了的那 20%，而不是淹没在 100% 里。
（3）回流。被提效的节点必须连成系统，AI 的输出进入知识库，知识库反哺下一次判断，客户反馈进入产品迭代。没有回流，加速就是一次性的。
三步法的每一步都不性感，但每一步都在降低 α。而降低 α，才是企业 AI 真正的杠杆。
十一、ROI 的量化推演
用阿姆达尔公式做一道小学数学题：同样是 10 倍工具加速。
α 等于 20% 时，只买工具，整体提速 3.57 倍。实测更惨，字节 60%，Opsera 18%。α 等于 10% 时，工具加局部流程改造，整体提速 5.26 倍，这是麦肯锡高绩效企业的区间。α 等于 5% 时，工具加全公司系统改造，整体提速 6.9 倍，接近深圳依然 76% 的实测值。
α 从 20% 降到 5%，整体提速从 3.57 倍提升到 6.9 倍，ROI 提升 93%。这就是只买工具不够、需要系统改造的数学证明。也是为什么卖 AI 工具的服务商和做 AI 系统工程的服务商，根本是两种生意。
十二、结论
企业需要的不是更快的工具，而是降低 α 的系统工程。把工程师派到客户现场，识别三个瓶颈，重构流程，把只能人判断的部分显式化，把其余部分交给 AI，这个角色行业里叫 FDE。
AI 时代的企业竞争，不是比谁的模型更先进，而是比谁先把 α 降下来。