作者孟岩在最新文章中提出，外界对 AI 性能快速提升的兴奋情绪，往往建立在对现代社会运行机制的误解之上。按他的说法，很多人高估了个人智商和个人生产力在现实协作体系中的作用。
他举例称，不少机构和大公司在招聘高薪岗位时，会设置很高的学历和智商门槛，但人被招进去后，实际承担的工作往往并不复杂，普通能力也足以胜任。即便到了今天，任人唯亲、关系压倒能力的现象仍然普遍存在，而组织在竞争中也可能选择能力普通、但具备特殊社会身份和社会资源的人。
“生产力无效溢出”来自网络协作结构
孟岩把这种现象概括为“生产力无效溢出”。他认为，现代社会是一个高密度的网络协作体，一个优质岗位对应的是社会资源和权力分配网络中的优势节点。这个节点所代表的资源和权力属于稀缺资源，但对在岗者的能力要求并没有外界想象得那么高。
在他的描述中，当很多人都能胜任同一岗位时，组织需要依据某种原则选出一个人，能力只是其中争议较少的一项标准，并不意味着岗位本身真的需要极高生产力。进入系统之后，个人带来的额外生产力增量，很多时候并不被这个网络需要，也无法被消化。
他进一步指出，在现代协作网络里，除极少数人外，大多数人只负责其中很小的一部分工作，本质上更像是在网络中承担资源路由的角色。个人生产力只要达到要求，继续提高，对整个网络系统未必带来明显增益。换句话说，个人智商和生产力超标的部分，很容易变成无效溢出。
AI 提升了效率，但未必带来收入与地位提升
围绕 AI 的应用热潮，孟岩表示，不少人热衷于展示自己通过学习和使用 AI 获得了多高的生产力提升，但这些提升放到整个协作网络中，未必具备相应价值，也未必能够被分发出去。
他写道，组织和协作网络很多时候并不需要、也无法消化这些溢出的生产力。因此，大多数 AI 使用者不愿直说的一点是，这类提升带来的主要变化，可能只是帮个人挤出更多刷短视频的时间，而不是同步带来收入、资源和社会地位的上升。
对于近来被频繁讨论的 OPC，也就是“一人公司”，他同样给出类似判断。在他看来，这类公司的发展瓶颈并不在内部生产力，而在外部资源连接。按照目前绝大多数 OPC 在社会商业网络中的位置，其产品和服务本身就难以卖出去，甚至未必具备自我满足的价值。
他认为，这个问题之所以致命，在于经济行为必须以经济激励形成闭环，才能进一步通过正反馈推动经济系统演化。但眼下多数人从 AI 使用中获得的正向激励，更多停留在个人情绪层面，这种激励难以持久。
能否获得正向激励，关键在连接关系变化
孟岩认为，想要立刻看到正向激励，关键不在单个节点把效率提升多少，而在网络连接关系是否发生变化，因为连接变化会带来资源和权力的重新分配。
按他的表述，如果一个节点在网络中获得了更多连接，即使完全不会使用 AI，也可能立刻感受到收入、影响力和权力的增加。相反，如果一个人只是停留在原有位置，满足于效率提升带来的局部便利，即便 AI 使用能力更强，也未必能分到早期红利。
当然，他也承认，节点生产力普遍上升，从长期看终究会推动连接关系变化。到了 AI Agent 时代，不同人之间的 AI 使用能力差距正在迅速拉大，这种落差迟早会被社会网络感知，并转化为连接关系变化，甚至进一步改变网络拓扑。但在他看来，这一过程需要时间，速度会慢于许多 AI 网红给出的判断。
最积极学习 AI 的，往往是网络中的次要节点
孟岩在文中提到，眼下最积极学习 AI 的，往往恰恰是网络中的次要节点，例如程序员、设计师、研究员和分析师。这些人持续研究 Agent、MCP、Skills、Workflow，希望把个人生产力提高到原来的数倍甚至 10 倍。
但问题在于，个人产出增加，不代表组织整体就能同步吸收这些增量。他举例说，一个人原来一天写一份报告，现在一天能写 10 份，但组织并不需要 10 份报告；原来一周做一个 prototype，现在一天做一个，可预算、决策、销售、法务、采购这些关联环节，并没有提高 7 倍。
结果就是，大量新增生产力堵在关联节点上，对整个系统并没有形成相应价值。
掌握资源的主要节点，与前沿 AI 应用距离反而在拉大
与之相对，真正掌握资源的主要节点——企业家、高管、投资人以及各类机构的领导者——原本拥有最多的客户、资本、人事权和社会连接。如果这部分人的 AI 能力提高 10 倍，产生的杠杆效应可能远大于普通员工。
但孟岩判断，现实情况恰恰相反：这些资源中心节点与 AI 前沿应用之间的距离正在迅速拉大。
他给出的一个重要原因是，从 2025 年下半年 AI Agent 兴起开始，AI 应用创新越来越明显地转向编程驱动。此前的 AI 应用还主要集中在聊天、写作、搜索、画图，CEO 和程序员都能参与；但进入 Agent 阶段后，大量新能力首先从 AI coding 延展出来，涉及 Agent、MCP、Skills、Harness、CLI、API、Git、IDE，以及各种 workflow 和 orchestration。
在这个阶段，AI 越来越不像一个现成软件，而更像一个需要用户自己搭建和调度的管理系统。
他举例说，一个 50 岁的 CEO 可能很擅长管理公司、融资和调配资源，也完全知道 AI 的重要性，但如果让他打开 terminal，安装一个 coding agent，配置 MCP，让几个 Agent 并行工作，再接入 API、GitHub 和各种工具，他很可能很快就会放弃。这不是智商问题，而是技能栈出现了断层。
由此，他概括出当前的一个局面：懂 AI 的人没有资源，有资源的人不会用 AI。前者努力提高生产力，却缺少足够大的网络去消化这些生产力；后者手握庞大的资源网络，却无法把最新的机器生产力接入其中。在他看来，这种错配将是未来几年值得重点关注的问题。
中国大陆面临额外生态隔离问题
除上述结构性错配外，孟岩还提到中国大陆面临的额外问题。当前最活跃的两个 AI 应用生态，一个是 OpenAI，另一个是 Anthropic。由于各种原因，中国大陆无法直接、稳定地使用这两个体系，因此被隔离出去的不只是两个模型本身，也包括围绕它们快速生长起来的 Agent、coding、工具链和开发者生态。
他认为，这一影响可能比模型本身的差距更麻烦。原因在于，Agent 时代的大量知识具有累积性：别人今天从聊天走到工具调用，明天从工具调用走到 Agent 编排，后天开始让 Agent 自己开发工具。晚半年进入，落后的可能已不只是 benchmark 上的几个点，而是一整套工作方式。
AI 改变社会，可能经历三个阶段
对于未来，孟岩把 AI 对社会的影响分成三个阶段。
- 第一步是改变节点，也就是个人生产力提高 3 倍、5 倍、10 倍，这在他看来已经在发生。
- 第二步是改变连接。有人因为 AI 获得更多客户、资本、关注和组织能力，于是其在网络中的位置开始变化。
- 第三步才是改变网络拓扑。到那时，原本需要 100 个人的组织，可能只需要十几个人；原本必须通过公司完成的事情，可能几个人加上一群 Agent 就能完成；一些旧的中间节点会消失，新的超级节点会出现。
他认为，只有到了第三步，AI 才算真正改变社会结构。
在此之前，他更关注错配何时开始被打破：一方面，当前处在次要节点、但 AI 能力很强的人，能否借此获得更多客户、资本、注意力和社会连接，从而改变自己在网络中的位置；另一方面，原本就位于网络中心的人，能否真正掌握 Agent，把资源调度能力与机器生产力结合起来。
文末他还提到，很多 AI 领域的大 V 经常因新技术、新突破而情绪高涨，并做出耸动的预测。这些预测事后看往往落空，但他们却借此获得了更多注意力和资源连接。在他看来，这种做法真正带来的收获并不是 AI 技能本身，而是外界关注。相比之下，只顾埋头提升 AI 技能、却不增加社会连接的人，很难拿到 AI 的早期收益。