AI 准备好了，组织还没有
大家好，周日愉快！本周 Every 咨询团队发布了两份实用指南。Mike Taylor 在工程师 Steve Yegge 那篇广为流传的文章基础上，进一步绘制了AI 应用的八个层级的图谱——配有示例提示词和升级时机的信号；而 Natalia Quintero 则（在与数百家组织的领导团队交流之后）为在企业内部推展 AI 的高管们，设计了一份万无一失的五步流程。
在报道微软 Build 大会时，Mike 提出，企业采用 AI 的速度远远落后于新闻更新的节奏——这是他给企业客户做咨询时近距离观察到的鸿沟。他同时也对 Dan Shipper 那篇关于未来工作的文章《自动化之后》给出了一个反驳性论点。
本周，Every 出品的写作工具 Spiral 4.0 正式发布：现在可以从任何智能体（Agent）内部，以你的语气风格来撰写草稿，同时还下调了价格。此外，Figma 的 Matt Colyer 认为关于“SaaS 末日论”的说法言过其实；设计师 Daniel Rodrigues 分享了一种结合两个工具的图像生成工作流；Monologue 的总经理 Naveen Naidu 有一套方法，通过定制本地技能让编程智能体更高效；我们还给最令人恼火的模型输出结果命了名。
知识库
“AI 应用的八个层级” —— Mike Taylor 和 Laura Entis / Guides：一个描绘 AI 采用每个阶段的框架，从第一级（你问，它答的聊天机器人）到第八级（指挥一个子智能体团队工作的协调者智能体），包含了示例提示词和关于何时升级的指导。更高的级别并不自动意味着更好——一个任务该用哪个级别，取决于你有多信任这个 AI 能在无需干预的情况下运行，以及出错的代价有多大。同一作者还写了一篇配套文章，让你能对标自己处在哪个层级。如果你想了解自己今天的位置以及如何升级，这篇文章值得一读。
“高管的 AI 实施指南” —— Natalia Quintero / Guides：AI 落地的阻碍不在于模型本身，而在于组织。Every 咨询部门的负责人 Natalia Quintero，为那些买入了工具却未见成效的高管们，提供了一个五步框架，以 60 天计划的形式呈现——另有一篇配套文章作为预览。这篇文章详细讲述了这五步，以及具体该怎么推进。
“微软如何为‘计量智能’的世界而做准备” —— Mike Taylor / Also True for Humans：Mike Taylor 从微软 Build 大会现场发回报道，指出微软是第一家为“智能即将被计量、补贴 AI 订阅时代终结”而进行设计的大公司。它的应对措施包括：自动化的模型路由、能在本地运行 AI 的笔记本电脑，以及更便宜、更小的模型。这篇文章让你可以近距离看看 AI 后补贴时代的样子。
“为什么当 AI 什么都能做时，我们依然有工作” —— Laura Entis / Context Window：在与 Dan 的文章《自动化之后》进行对谈时，Mike 辩称，即使 AI 在管理良好的公司里能够超过人类的工作产出，运行它所消耗的能源和算力也会非常高昂，以至于雇一个人往往更便宜。如果你想在 AI 与就业的辩论中看到一个切合实际的论点，可以读读这篇。
“Opus 4.8，聪明到会给自己添乱” —— Laura Entis / Context Window：在我们那次 Opus 4.8 Vibe Check 发布一周后，我们又重新检查了它的表现——现在公众已经做出了反应，Every 团队里也有更多人每天都在使用它。我们的初步判断依然成立：它在密集、长时间的工作上很强大，但也很容易给自己添乱。这篇文章展示了一周后这个判断的可靠性。
🖥 “Codex 现在管理我的收件箱” —— Dan Shipper / Every：Dan 展示了一个让他连续 13 周维持“收件箱归零”的工作流——一个基于 Codex 的原生应用，它会将他的邮件、Slack 消息、会议安排和公司背景信息，汇总成待处理卡片，为每条内容起草下一步行动，并从每一个决策中持续学习。这展示了 Codex 作为知识工作操作系统的能力。视频末尾还附上了你自己构建这个应用的完整提示词。如果你想要这个收件箱清理工作流和相应的提示词，可以看看这个视频。
“Figma 高管谈为什么‘SaaS 末日论’是座金矿” —— Dan Shipper / AI & I：Figma 负责开发者平台的产品管理总监 Matt Colyer 认为，“SaaS 末日论”（即担心“氛围编程”会让任何人都能自建工具，从而杀死软件行业）对经济学的理解是反的：AI 扩大了开发者的基数，因此会有更多的软件被创造出来，软件也变得更有价值，而非贬值。如果你想看到对“氛围编程杀死 SaaS”这种恐慌最清晰的反驳框架，可以看看或听听这期节目。🎧 🖥 可在 Spotify 或 Apple Podcasts 收听，在 YouTube 观看，或在 X 上关注讨论。
登录参与
亲自体验 Every 如何使用 AI。以下是团队成员教授我们工作流背后方法的直播训练营、工作坊和线下聚会。
即将到来的训练营
- Codex 训练营：我们的高级用户指南：在 6 月 12 日，Dan 和 Every 团队将主持一场两小时的Codex 高级用户指南实时讲解——包括设置、工作流和 Codex 原生应用的开发。请在此处 RSVP。
你可能错过的录像
- 复合工程训练营：Kieran Klaassen 和特约作者 Trevin Chow，带你走了一遍 Every 的 AI 原生开发工作流——复合工程。可以在这里观看录像。
- 高管 AI 专场：Natalia 介绍了 Every 咨询团队为应对 AI 采用挑战的领导团队所推出的新服务。可以在这里观看录像。
Every 工作室出品
Spiral 4.0 发布：原生支持智能体访问，并降价
Every 旗下的 AI 写作工具 Spiral，于本周发布了 4.0 版本：包含全新的风格引擎，通过 MCP、CLI 和 API 实现的智能体原生访问，以及用于以共享语气写作的扩展团队工作区。定价模式从按会话次数转为按 Token 计费，个人版价格降至每月 15 美元（原为 25 美元），团队版价格降至每用户每月 25 美元（原为 35 美元）。
对齐世界
“长城”变得更高了。 制药公司创造价值数十亿美元的资产，靠的不是“有想法”。它们需要人体试验来证明这些想法有效，而中国已经变得极其擅长这一点。因为政府已将生物技术创新定为一项战略性创新，政策制定者扫清了长期阻碍美国和欧洲药物研发的官僚和监管障碍。其结果是，据彭博社去年的报道，中国拥有超过 1250 种进入研发阶段的新药，接近美国的约 1440 种。十年前，中国生物技术还是仿制药的代名词——这让该行业如今的态势，不亚于一个“斯普特尼克时刻”。
中国崛起的一个关键原因是，数亿患者集中在大城市的医院里，因此公司可以更快地从数量较少但规模庞大的试验点招募受试者。据报道，中国生物技术公司完成 1 期或 2 期试验的患者招募，所需时间几乎是美国公司的一半。在北美——欧洲更是如此——患者分散在碎片化的医疗系统中，每个试验点都有自己的合同和伦理审批流程，每一步都缓慢而繁琐。
中国招募受试者的时间几乎是美国的一半，并且开展的临床试验数量更多，图表涵盖了 2020-2024 年抗癌药和减肥药各个阶段的试验情况。（数据来源：Norstella.）
中国的优势在于，它能将庞大的人口更快地转化为临床数据——并在药物研发的反馈循环中快速迭代，从而生产出更有效、也因此对投资者和大型药企更具价值的资产。最近，中国的传奇生物（Legend Biotech）自主研发了一个版本，针对一种主要源自美国药物创新的疗法，用于治疗一种侵袭性血癌——多发性骨髓瘤。中国药物研发者迅速进入人体试验阶段，产生的数据足够有说服力，以至于强生公司（Johnson & Johnson）与传奇生物签署了一项全球共同开发和许可协议，预付金额高达 3.5 亿美元。
这一新格局带来的二阶、三阶效应是，即使是美国生物技术公司也可能会开始考虑，将药物先带到中国，至少完成 1 期和 2 期试验，这是否更划算。
目前，任何寻求在美国获批的药物，仍需要提供监管机构认为适用于美国患者的证据——在许多情况下，这意味着需要完成后期的全球性或西方试验。但一个中国生物技术公司在没有经历这一步骤的情况下，就将其中国研发的药物成功授权给西方，这或许迟早会发生。
如果这种变化真的发生——许多人相信它会的——那么下一个重磅的肥胖症、肿瘤或免疫学药物可能就来自中国，这标志着在太阳能、电池和电动汽车领域已经显现的崛起模式，也将在生物技术领域上演。生物技术可能是下一个。—— Ashwin Sharma
核心启示：当下的核心矛盾并非 AI 技术不成熟，而是组织在结构、流程和成本上的惯性，使其难以跟上技术迭代的速度，这种“技术准备好了，组织还没准备好”的鸿沟，同样映射在中国生物技术产业利用自身体制优势实现跨越式发展的现实之中。
AI Is Ready. Organizations Aren’t. 的发芽报告
材料核心
这是一期聚焦AI应用落地鸿沟的周报：AI模型和技术已经跨越了关键的能力门槛，但企业组织层面的流程、文化和经济逻辑远未跟上。从AI采纳的八级框架到高管实施指南，从微软的计量智能世界到中国生物科技利用流程创新弯道超车的类比，材料的核心张力在于——技术成熟度不等于组织成熟度，这个速度差正在重塑竞争格局。
发芽 01：临床流程的深层启示——当“快”本身就是护城河
种子
材料中关于中国生物科技行业的分析提供了一把关键钥匙：中国的优势不仅仅是“更便宜”或“人更多”，而是将大规模人口转化为临床数据的反馈速度。这使我们可以重新框定AI组织采纳的核心问题——不是“要不要用AI”，而是“你的组织能否像中国临床试验那样，把数据反馈周期压缩到竞争对手的一半以下”。
在中国，生物科技创新的突破不源于某个单一的科学天才或实验室发现，而是源于一个系统性的流程优化：政策制定者清除了审批和监管障碍，患者高度集中在大型城市医院，公司可以从少量高容量站点快速招募受试者。结果是中国生物科技公司完成一期或二期临床试验的患者入组时间，接近美国公司所需时间的一半。
这让人联想到美国制造业在20世纪80年代遭遇的“日本冲击”。当日本汽车制造商丰田进入美国市场时，底特律最初的反应是嘲笑日本车“便宜但质量差”。然而丰田的真正武器不是廉价劳动力，而是丰田生产系统——一个旨在消除浪费、提高质量和缩短生产周期的流程哲学。
丰田的生产系统由大野耐一在20世纪50年代设计，核心理念是“准时化”和“自动化”。零部件只在需要时到达生产线，任何工人都可以拉动“安灯”绳索停止整条生产线以立即解决问题。这看似低效——为什么要让整条线停下？——但实际上，它创造了无与伦比的学习速度。问题在被发现的瞬间就被修复，而不是在几百辆车出厂后再召回。
这和中国的临床试验优势惊人地相似。传统美国药企的研发逻辑是：先在学术实验室中精心设计分子，经历漫长的专利申请和伦理审批，然后在分散的医疗系统中缓慢地、昂贵地招募患者。每个环节都是线性的、隔离的。而中国模式把整个链条压缩成一个紧密的反馈循环：大量患者、统一标准、快速入组、快速数据、快速迭代。
正如丰田的系统让它在20年内从行业边缘走向全球第一，中国的生物科技流程创新让它从一个“仿制药代名词”变成了拥有超过1250种新药在研、足以挑战美国1440种新药数量的竞争者。
Aha 瞬间
“AI时代的竞争不再是关于谁拥有最好的模型——那是公开的、商品化的。真正的竞争是关于谁能设计出最短、最紧凑的数据到决策的反馈循环。”
发芽 02：米其林餐厅的组织困境——为什么好工具在坏厨房里没用
种子
材料中反复强调的核心信息是“AI不是被模型阻碍，而是被组织阻碍”。这句话需要用更生动的方式来理解：即使给一个管理混乱的餐厅厨房配备最先进的分子料理设备和顶级的食材，端出来的菜依然会是一团糟。
2002年，传奇厨师费兰·阿德里亚关闭了他的米其林三星餐厅斗牛犬餐厅，每年花六个月时间在巴塞罗那的工作室里纯粹做烹饪实验。外界以为这是“创新崇拜”，但阿德里亚真正在做的是重新设计厨房的组织逻辑。
在传统高级餐厅，厨房是按食材分工的——一个厨师负责鱼，一个负责肉，一个负责甜点。阿德里亚打破了这个结构，改按烹饪技术分工。一个厨师专门负责泡沫技术，一个负责球形化，一个负责低温慢煮。当一道新菜被创造出来时，它不是某个厨师的个人作品，而是几个技术模块的组合。这使他的厨房能以工业级别的速度持续输出创新——每年创造超过180道新菜。
这恰恰是绝大多数试图“引入AI”的企业不会做的事。企业买入AI工具，就像买入液氮或球化设备，却仍然把厨师嵌在按食材分工的老结构里。他们要求销售团队使用AI生成话术，但销售团队的绩效考核标准仍然是拨打次数和转化率；他们让研发部门使用AI编码助手，但代码评审流程仍然是层级化的、需要三周才能合并一个分支。
费兰·阿德里亚的餐厅之所以成为传奇，不是因为他拥有最奇异的食材，而是因为他创造了一个使创新可重复、可组合的组织系统。材料中Natalia Quintero提出的五步60天执行方案——包括找到早期采用者、创造成功信号和建立内部社区——本质上就是在帮企业设计一个类似阿德里亚厨房的AI组织逻辑。可悲的是，大多数高管仍然以为这只是关于工具培训。
经济学家保罗·戴维在1990年的经典论文《计算机与发电机》中研究了电气化革命的历史。他发现，工厂在引入电动机后，花了将近40年才改变工厂的物理布局和劳动组织方式。在此之前，他们只是把电动机放进原本为蒸汽机设计的中央传动轴的厂房里——效率几乎没有提升。直到工厂被重新设计成分散化的“单元制造”，电气化的革命性收益才爆发。
我们现在正处在AI的“中央传动轴”时代。
Aha 瞬间
“企业的墓碑上不该写‘我们试过AI，它没用’，而该写‘我们把AI请进了旧组织，用旧逻辑考核，用旧流程约束，然后惊讶于什么都没改变’。”
你的思考空间
如果你的组织是一个厨房，它现在是以“食材”为单元运作，还是以“技术能力”为单元运作？AI的引入能否倒逼一次阿德里亚式的重组？
中国生物科技行业的核心武器不是科学创新，而是流程反馈速度。在你的行业中，有没有可能通过压缩某个关键环节的反馈周期，获得类似的结构性优势？
材料中提到企业AI采纳滞后于新闻周期。你所在的组织目前处于“电气化”的哪个阶段——是刚买了电动机但还插在旧蒸汽系统上，还是已经开始重新设计整个工厂布局？具体到你的团队，第一个重新设计的动作可能是什么？