今天的 AI 已經夠用，缺的是有領導力的管理層

一家企業，需要廚師 歷史經驗告訴我們，從電力到互聯網，任何通用技術的爆發，與宏觀經濟真正實現全要素生產率的提升之間，都存在著巨大的時間差。今天，企業對待 AI 的焦慮，正是這種陣痛的縮影。大家都想弄清楚一件事：怎麼才能把少數幾個極客的效率神話，變成整個組織乃至實體經濟裡實打實的利潤？這就是從2月就開始的Tokenmaxxing（狂刷 Token）。因為FOMO，各大公司開始先不管三七二十一，讓全員用起來。似乎把 Token 消耗量拉滿，量變就能引起質變，自動催生出新的工作流和生產力。但它只經過了三個月就失敗了。超過 80% 的新 AI 項目最終都黃了，失敗率是傳統 IT 項目的兩倍多。

那幾個「超級用戶」確實產出高、Token 用得多，但普通員工根本不知道怎麼把同樣的投入變成實際產出。既然光燒 Token 沒用，企業到底該看什麼指標？真正的規模化AI運用，應該是什麼樣的？還差哪幾步？到底會如何影響我們的組織、就業和生活？帶著這些問題，沸騰之下和約翰·李斯特聊了近一個小時。作為 Uber 前首席經濟學家、現任沃爾瑪首席經濟學家和 Anthropic 經濟顧問委員會成員，他絕對是回答這些問題的最佳人選。他一直在研究「規模化」。在他的新書《勢能效應》裡，一整本書都在解釋為什麼一個好點子在小範圍測試時驚為天人，一推廣到大範圍就立馬拉胯（他管這叫「勢能損耗」）。

而且他不僅懂全要素生產率這些宏觀理論，更是個在真實商業世界裡摔打過的實戰派。在 Uber，他見過市場是如何盲目樂觀地以為自動駕駛馬上就能幹掉人類司機的；而在與克萊斯勒的合作中，他也親眼見證了那些二十年前被認為「絕對不可能被機器取代」的工序，如今是怎麼被自動化全面接管的。在他看來，現在的 AI 就像一堆頂級的「食材」，但企業缺的是知道怎麼把它們做成大餐的「廚師」，即管理者。千萬別把用量當成「結果，也別指望把兩三個超級員工的經驗直接套用給所有人。

未來，Agent 確實會把一些能力從「廚師」手裡搶走，固化到「食材」裡，但真正卡脖子的其實不是技術，而是人類對機器的信任、員工的能動性，以及老闆們對失控的恐懼。至於企業現在該怎麼辦？約翰·李斯特的建議是別停下來等實驗結果，要在日常運營中邊跑邊測。不是大幹特上，而是有科學依據的實驗和測試。這樣才能趁著時代的窗口還沒關上，儘早發現自己是不是跑錯了方向。以下是我們的對話。01 Tokenmaxxing的失敗，原因是領導力的缺位 騰訊科技：我們先從最近受到廣泛討論的「Tokenmaxxing」說起。企業希望員工儘可能多地使用 AI。您怎麼看這種做法？它會帶來什麼問題？

John List：問題在於企業把目標對準了錯誤的東西。經濟學有一條基本原則：你應當直接衡量並激勵自己真正想改變的指標。Token 是生產過程中的投入，通常不應該把投入最大化。在經濟模型裡，我們反而會在產出固定的條件下儘量減少投入。我完全理解企業為什麼這樣做。Token 用量容易測量，橫截面數據又顯示，生產率最高的人往往也使用了最多的 Token，於是管理者容易得出結論：應該鼓勵所有人儘可能多地使用 Token。但這裡會落入古德哈特定律的陷阱：一旦一個代理指標變成目標，它就不再是一個好的代理指標。Tokenmaxxing正是如此。真正該測的是結果，比如全要素生產率、邊際員工的生產率。

我們應當問：AI 是否讓邊際員工顯著提高了生產率？提高了多少？新增收益能否覆蓋額外成本？未來的收益流是否足夠好？如果目標是某個產出水平，正確的做法應當是固定產出，再儘量減少 Token，而不是把 Token 本身當作目標。騰訊科技：不過，很多企業現階段的目的，是讓所有員工先學會使用 AI，把它變成普遍可用的工作工具。考慮到技術仍在早期，這種大規模使用是否有合理性？John List：我不反對讓所有人嘗試。技術要改變世界，需要創新，也需要擴散。只有創新、沒有擴散，技術不會真正產生影響。

讓大家先用起來可以是一個起點，但真正的瓶頸不是員工願不願意用 Claude 或 ChatGPT，而是怎樣把 AI 放進既有工作流，讓人們幾乎意識不到自己正在使用它。人很難主動遷移到一套全新的工作方式，所以企業應當把 AI 無縫嵌入員工已經使用的系統，而不是把「使用量最大化」設成目標。電子郵件就是一個入口。每個人都要處理郵件。AI 可以直接幫助判斷一封郵件應當怎樣理解，結合用戶掌握的信息給出幾種回應。這樣的使用方式幾乎不增加操作負擔，適合用來啟動擴散。騰訊科技：我兩年前採訪過一家企業，當時他們就在開發類似系統，但至今也沒有完全成熟。

很多公司因此認為，與其等待成熟工作流，不如讓員工先廣泛使用 AI，在實踐中把工作流做出來。John List：企業可以獎勵員工嘗試，但還要把他們引向下一項任務。如果 AI 只是讓我們把郵件寫得更好，那它可能是世界上性價比最差的技術，成本太高了。員工需要看到，從郵件之後還能怎樣進入下一項任務、再進入下一項任務。現在缺少的正是這種清晰的路徑。這也需要合適的領導力。數據顯示，超過 80% 的新 AI 項目失敗，失敗率是傳統 IT 項目的兩倍以上。很多項目並不是因為算法本身錯誤或無法擴展，而是因為管理者和員工問錯了問題。可以用我在書中第三章的比喻來理解：問題出在廚師，還是原料？

今天的「原料」很好，我們有優秀的算法和技術知識。真正造成勢能損耗的，往往是領導者沒有正確引導 AI 的使用。大規模嘗試當然可以，但仍需要管理者告訴員工往哪裡走。所謂「讓一千朵花自由開放」在一定程度上沒有問題，可員工也可能沿著錯誤方向走得太遠。如果沒有及時停止，就會浪費大量時間、Token 和企業資源。領導者自己也未必知道正確方向，這時就要做實驗。經濟學裡有一個「多臂老虎機問題」：不知道哪條路徑最好時，應當同時探索幾條路徑。一旦發現明顯更好的路徑，再讓更多人轉過去。管理者的任務，是在市場用破產宣判某條路走不通之前，更快完成這種轉向。

目前真正的勢能損耗，主要出現在管理和技術使用方式上，而不只是技術缺陷。當然，技術也會失靈。例如 GPT-4 在律師資格考試中表現很好，但把它擴展到某些研究場景時，頻繁的幻覺可能讓它無法使用。這是另一種勢能效應。可在組織內部，更常見的問題仍然是：AI 應當用在哪裡，怎樣以最合適的方式擴散。騰訊科技：前沿 AI 公司看到「超級用戶」同時具有很高的生產率和 Token 用量，其他企業才會模仿。但超級用戶目前往往只擅長少數任務，例如編程，並不知道怎樣把 AI 用於日常管理等所有工作。企業也缺少能夠教授這些用法的人。

John List：超級用戶之所以是超級用戶，是因為他們已經理解自己的生產函數，知道怎樣把 Token 變成有效產出。多數人並不知道。如果激勵機制只是要求 Token 最大化，人們完全可以把它用在沒有意義的任務上。讓員工積累經驗是好事，但企業能否在這個過程中提供更多指導，讓經驗更快轉化為生產率？超級用戶各自掌握的可能只是狹窄領域。如果能彙集一批超級用戶，把不同用法連接起來，再教給下一代用戶，就會形成一個使用方法或想法的市場。再往前一步，是讓我的智能體與你的智能體溝通，自動組合這些專業知識並提出方案。

到那時，也許不再需要傳統意義上的超級用戶，因為專業知識已經被裝進智能體，多個「超級智能體」可以直接協作。我同意，這可能是下一階段，但 Tokenmaxxing本身還沒有把我們帶到那裡。02 AI的規模化，還有幾個坎兒 騰訊科技：HAI 的數據稱，截至 2025 年底，全球只有約 3% 的用戶為 AI 付費。如果把 AI 看作一種產品，它還需要具備哪些條件，才能實現更廣泛的規模化？John List：經濟學家會同時看需求側和供給側。需求側的 3% 與另外 97% 很不一樣。那 97% 對價格非常敏感，因為他們還不知道怎樣使用 AI；已經付費的 3% 對價格變化沒有那麼敏感。

需求定律告訴我們，要理解價格怎樣影響那 97%。價格降得越多，採用量才可能越大。這是問題的一半。另一半是供給側，也就是用戶怎樣藉助 AI 提高生產率，並確認這項投入值得。現在多數人打開 AI，只會問一些零散問題，比如「老闆給我發了這封郵件，我該怎麼回」，或者「中國參加過幾次世界盃」。這些問題帶來的邊際收益不高，自然支撐不了很高的價格。我看到的方向不是讓人不斷輸入提示詞，而是把智能體放到後臺。以沃爾瑪為例，智能體不必等你提問。它可以主動說：「我知道你下個月要參加婚禮，我找到了一條合適、價格也不錯的禮服。

」在工作中，它也可以發現你下週有一個截止日期，需要為廣告做個性化處理，然後直接分析數據，告訴你現在該做什麼。這樣的變化會大幅改變 AI 的價值主張。如果每個人都能擁有一個很好的後臺助理，它不僅回答問題，還能預見下一個問題，價值就會擴展到所有人。它可以提醒演唱會門票，或者按授權進行交易。Robinhood 現在已經允許用戶設定一筆資金，讓機器代為交易。人們對此有興趣，但仍會因為信任和能動性問題而猶豫。這兩點必須計入 AI 的擴散過程。企業端的擴展會更快進入下一步。沃爾瑪有 4 億個 SKU、70 萬家供應商和 210 萬名員工，是全球最大的私營僱主。

它的任務從供應商採購、物流，到庫存和用工管理，種類非常多。如果每類任務都有一個智能體，這些智能體還能彼此溝通，系統就能持續提出下一步行動。為防止越界，人仍要進行監督、設定護欄；但這種智能體網絡可能是企業採用 AI 的真正突破口。之後，它們還會與銀行和金融機構連接，直接處理更多業務。走到那一步，技術可能接近全面擴散。短期內仍有兩個問題要解決：價格依然很高；用戶還要熟悉那些邊際收益高於邊際成本的用例。騰訊科技：您描述的已經不只是一個需要用戶自己探索的智能體，而是一套完成產品化的流程。人們像使用普通應用一樣使用它。是否到了這一步，AI 才算具備大規模、高效率應用的條件？

John List：如果只停在Tokenmaxxing階段這裡，對人類來說是很大的損失。我講的不只是產品本身，也包括企業怎樣引入技術。員工在工作中得到後臺智能體的幫助，逐漸建立信任，之後才更可能把它帶進個人生活，用來安排日曆、計劃和購物。普通人自己搭建工作流或技能的成本確實很高，要反覆嘗試。但這個成本會大幅下降，因為未來會有智能體和 API 替用戶完成搭建，大公司也會開發可普遍交付的工作流。很多問題先在工作場所得到解決，解決方案的功能再遷移到個人生活。互聯網搜索就是一個例子。過去人們要花很多時間找信息，互聯網降低了搜索成本，消費者更容易找到更低的價格或更好的質量，企業也難以索取過高價格。

AI 的潛力遠不止搜索。它不僅高效查找信息，還會理解個人偏好。你不必每次告訴它喜歡什麼顏色的車、什麼款式的襯衫，或者怎樣安排時間。只要工作場所率先完成創新，這些節省時間的能力就會自然進入個人生活，也會有許多公司把它商業化。最重要的創新，往往就是節省時間、改善生活，AI 有機會做到這一點。騰訊科技：但技術採用往往受制於最薄弱的一環。一套流程中，有些步驟可以由 AI 完成，有些仍需要人參與。只要人的環節仍是瓶頸，AI 帶來的效率就未必能順利轉化為實際產出。我們現在是否正處於這種狀態？John List：是的。人的本性決定了 AI 很難徹底取代人。

能動性對人很重要，生活和工作的意義也很重要，再加上信任問題，人們會問：我是否相信機器能按我的意圖完成工作？損失厭惡、現狀偏好、對失去控制的擔憂，都會構成瓶頸。我認為關鍵限制不會一直來自技術本身，更多會來自人。擴散的第一步，仍然是把用例嵌入人們已有的日常行為。至於讓一個智能體替一個人「生活」，我不認為人類會完全接受。人有太強的自尊和自主需要。企業可能不同。企業有明確的生產函數和成本函數，經濟激勵會發揮更強的作用，很多企業可以主要由智能體運行。騰訊科技：如果把範圍從個人生活轉回生產環節，智能體有沒有可能接管整條生產線，讓企業完全自動運行，只留下人類監督？John List：完全可能。

我大約二十年前與汽車製造商克萊斯勒做研究，去工廠時還有很多人安裝輪胎、給汽車噴漆。大約一年前，我再次去了同一家工廠，發現這些工作已經全部由機器完成，只留下人監督整套系統。二十年前，他們還告訴我，機器永遠無法取代這些工人。我看不出其他行業為什麼不會發生類似變化。不過，這一輪技術與以往有所不同。美國有一個關於「鋼軌工約翰·亨利」的故事：他靠鐵錘鋪設鐵路，後來機器出現，他一次次與機器競爭，最後總是機器獲勝。軋棉機和農業技術也一樣，主要替代藍領工作，卻讓白領從生產率提升中獲益。AI 是第一種在大規模應用中直接衝擊白領工作的技術。

白領通常擁有更大的政治影響力，能夠影響監管以及利潤怎樣分配，所以這一輪變化會帶來不同的政治反應。我們正在經歷人類歷史上一次很大的自然實驗。除了創新和擴散，還有監管者這個參與者。監管者會允許技術以什麼方式運行，又會在多大程度上允許 AI 進入個人生活，都會影響最終結果。隨之而來的問題，是怎樣為被替代的勞動者找到其他工作。總體上，當生產率和財富大幅增長時，經濟通常會出現新崗位。一百年前，如果在美國問人們未來會做什麼，很多人會回答「務農」。今天一座普通城市裡的寵物治療師可能比農民還多。當社會變得更富裕，人們會產生新的需求，也就會創造過去想不到的工作。

03 就業影響是個不可測問題，Dario說的也不準 騰訊科技：監管者現在似乎也沒有清晰答案。Anthropic 首席執行官 Dario Amodei 曾判斷，兩年內可能有約 50% 的初級白領崗位被 AI 取代。您是 Anthropic 的顧問，怎麼看這個預測？John List：監管者當然還不確定，因為不確定性太大。AI 的進步很像一個帶有正向漂移的隨機遊走，因此長期方向向上，但我們不知道下一步會落在哪裡。隨機遊走本來就難預測，更不用說由它產生的三階結果。

我們可以寫很多論文討論 AI 怎樣影響生活和勞動市場，可如果連六個月後的技術形態都很難預測，又怎麼能對它六個月後怎樣影響生活和就業有很大把握？在模型中當然可以得到「50% 崗位消失」這個結果，也可以得到另一個結果：AI 增強勞動者，使勞動生產率上升，企業反而僱用更多人。我們既不知道企業會怎樣使用技術，也不知道技術屆時會是什麼樣子。Dario 的說法已經相當謹慎，他也誠實地承認這種不確定性。騰訊科技：但現實中，一些技術雖然提高了生產率，並沒有創造更多崗位，而是直接替代了人。您剛才又提到企業可能完全由智能體運行，這是否意味著替代會成為主要結果？

John List：我說的是「某些企業可能完全由 AI 智能體運行」，不是所有企業，更不是整個經濟。金融公司或對沖基金是容易想象的例子，智能體可以圍繞利潤函數運行整家公司。服務業和需要人與人互動的工作則更難替代。我 2017 年擔任 Uber 首席經濟學家時，很多人都說到 2025 年，所有人類司機都會被自動駕駛出租車取代。結果並沒有發生。技術和監管都會減慢變化。有些市場最終會走到那一步，有些市場則不會，因為技術可行性或經濟賬並不成立。水管工、電工等工作很難直接被 AI 取代。機器人也許可以，但那又是一個新的產業。即使替代發生，技術也會釋放時間並創造更多財富，新的行業隨之出現。

人們過去不會想到「寵物治療師」會成為一個行業，也不會想到人與人之間的心理治療需求會不斷擴大。生活壓力、AI 帶來的壓力，以及 Facebook、Instagram、TikTok 等社交媒體引發的焦慮，都催生了新的治療需求。我們才剛剛觸及 AI 能力和新產業的表面。它也許會增加網絡安全崗位、計算機科學崗位，或者讓批判性思維更重要，進而增加對人文學科教育的需求。即便受影響的行業沒有增加崗位，技術也通常會通過我在書中所說的「一般均衡效應」，在其他行業創造需求。人們因生產率提高而變得更富裕，也更有能力購買這些新商品和服務。騰訊科技：創意市場可能是一個反例。

中國已經有人用 AI 製作短劇並投入市場，但人的觀看時間有限，內容供給增加不一定能帶來利潤。需求會不會受制於生理時間等硬約束，使創意行業無法繼續擴張？John List：需求確實有物理邊界，市場只能為真實存在的需求提供供給。但更高的生產率也可能創造更多財富，產生對新型創意和新型崗位的需求。注意力市場也是如此。如果工作效率提高，我擁有更多閒暇，就能把更多注意力分配給其他內容。未來的工作日可能從八小時變成四小時，也可能從一週五天變成四天。假如每個人的可支配時間增加一倍，注意力經濟的需求也可能相應擴大。這裡有很多因素同時變化，正因如此，技術影響很難預測。人們的選擇歸根結底取決於偏好、信念和約束。

AI 正在大幅緩解一些約束：它讓個人和企業在工作中更高效，也在化學、生物學、物理學和經濟學中打開新的科學路徑。這些進展可能延長壽命、改善生活，帶來很大的社會福利。我們前面主要討論了就業，只看到了其中一部分，我對 AI 在科學領域的作用很樂觀。但始終不能忽略人的因素。最終衡量 AI 的標準，應當是它是否讓生活變得更好。如果生產率提高了，人卻變得更焦慮、更抑鬱，那麼生活反而可能更差。這就需要監管者設置護欄。我願意加入 Anthropic 的經濟顧問委員會，一個原因正是它承諾以更安全的方式部署 AI。在技術快速推進時，這一點很重要。

04 在Anthropic，我們衡量經濟影響的手段還太少 騰訊科技：Anthropic 發佈了 Economic Index 等研究。您認為，應當怎樣衡量 AI 對工作場所、宏觀經濟乃至全球的影響？John List：Anthropic 掌握的數據範圍有限，主要看到人們向 Claude 提出什麼請求，以及用戶在多大程度上使用它。這些是投入數據，我們希望它們能夠對應真正關心的產出。第一個應當衡量的產出，是全要素生產率。據我所知，Anthropic 現在還沒有足夠的數據來計算：使用 AI 或 Claude 後，一個人在工作中的全要素生產率發生了怎樣的變化。

我自己的研究會觀察不同投入怎樣映射為產出，分析勞動和資本怎樣形成更高的生產率。但 Anthropic 看不到企業完整的生產函數和最終產出，只能看到較為彙總的使用情況。今天 AI 無處不在，唯獨還沒有清楚地出現在宏觀統計中。這有點像索洛談計算機時所說的：計算機隨處可見，唯獨在生產率統計中看不見。部分原因是我們還沒有在相應層級測量全要素生產率。第二個問題更重要：AI 是否讓人的生活變得更好？這才是我們最終關心的結果，而且還要問，它是否讓每個人的生活都變得更好。也許它只改善了埃隆·馬斯克的生活，收益高度集中；那就可能需要通過稅收和再分配等監管行動，讓更多人受益。

全要素生產率比較容易測量，生活滿意度則更難。但後者才是最終指標。AI 可能給很多人帶來巨大的收益，也可能只讓極少數人獲得鉅額收益。我們必須認真處理這種分配差異。騰訊科技：另一個問題是集中度。AI 基礎設施目前掌握在少數幾家公司手裡，這種權力會不會讓收益也集中在少數參與者手中？John List：要把兩個市場分開看。基礎設施需要大規模投入，存在顯著的規模經濟，所以很可能只剩少數參與者，這一層不會完全民主化。另一層是具體應用和執行，它更分散，也更容易民主化。基礎設施一側可能是 Colossus 等少數大型系統，應用一側則可以是隻有三個人、利用同類模型創業的小團隊。

經濟學的判斷是：掌握稀缺資源的一方更可能獲得超額回報。不過，參與者少並不必然等於競爭弱。美國網約車市場主要是 Uber 和 Lyft，但競爭非常激烈。我在 Uber 工作時，我們在中國與滴滴競爭，每個季度虧損 7.5 億美元。所有權集中只是問題的一部分，還要看競爭實際上怎樣發生。產業組織經濟學不會僅憑參與者數量判斷利潤一定集中。只有一家、又沒有替代品時，接近壟斷；但兩個參與者也可能形成非常激烈的競爭環境。騰訊科技：您還提到，AI 與很多舊技術不同：如果算力或 Token 價格突然大幅上漲，用戶被迫減少使用，結果可能不只是回到使用 AI 之前的狀態。為什麼？

John List：假設一個人先使用了一段時間 AI，後來 Token 價格高到無法繼續使用。與 AI 出現之前相比，他可能反而變得更糟，因為此前已經把寫作和思考等任務外包給了機器，思維能力隨之退化，失去了寫作和批判性思考能力。如果能夠把時間撥回 AI 出現之前，他當時的狀態可能更好。我很難想到另一種同等規模的技術，會有這麼大的可能讓人在失去技術後比採用技術前更差。05 一家企業，需要廚師 騰訊科技：回到您提到的「廚師與原料」問題。有些業務依賴能力很強的「廚師」，因此不適合規模化；但 AI 又能提供標準化操作系統，看起來天然可以擴展到各種業務。

AI 究竟適合全面規模化，還是在當前形態下仍受制於「廚師」？John List：以當前使用方式看，AI 仍有明顯的「廚師問題」：擴展過程中，需要一個獨特的人提供領導力，決定 AI 應當往哪裡走。等 AI 發展為智能體化系統，後臺有多個智能體協作時，可複製的能力會更多落在「原料」一側，不再那麼依賴某個獨特的廚師，規模化的機會就會更大。AI 行業裡有許多聰明人。如果他們理解規模化問題，就能從設計之初處理這些瓶頸，而不是等擴展失敗後再補救。我在書的第一至第五章討論了這些規模化瓶頸。按這些約束來設計，技術大規模改變世界的概率會高得多。AI 自己也能幫助解決瓶頸。

我有時會問 Claude：「如果用 John List 的勢能效應來分析這個想法，我應該看什麼？」它會列出五項要點，告訴我在大規模擴展前應當檢查什麼。也就是說，AI 正在幫助我思考書中記錄的問題，AI 本身也會幫助 AI 規模化。正因如此，我對未來更樂觀；但如果不朝智能體協作和前置解決瓶頸的方向發展，我仍會悲觀，因為「廚師問題」還在那裡。騰訊科技：剛才您提了應用端更分散的可能，但如您想象，廚師不再重要，如果一家大公司掌握了能夠完成幾乎所有任務的「原料」，它會不會一路擴張，最終讓小團隊失去空間？John List：我希望市場上仍有數百萬人提出不同用例。

大家可能獲得類似的前沿智能體，但沃爾瑪和亞馬遜會以完全不同的方式使用它們。兩家公司雖然處於同一市場，生產函數不同，供應鏈和配送中心也不同。同一種技術進入不同環節，會形成不同的競爭優勢；企業並存和競爭還會繼續提高效率、壓低價格。技術本身也可以足夠個性化，讓「原料」隨場景變化。我不認為最後只會剩一家公司控制一切。規模擴大後，勞動和資本都會出現規模不經濟，專業化則會帶來收益。回到亞當·斯密 1776 年的《國富論》，比較優勢和專業化不僅存在於企業內部，也存在於企業之間。即使各家使用同樣的資本投入，人和其他技術仍會讓它們具有不同的比較優勢。專業化帶來的收益不會消失。騰訊科技：在中國，規模化尤其重要。

但科學地研究規模化很複雜，企業的機會窗口又短，似乎沒有足夠時間做實驗。怎樣兼顧速度與實驗？John List：不要把實驗理解為放慢速度。我 2015 年開始在硅谷研究規模化時，那裡流行三句話：「快速行動，打破常規」「先假裝成功，直到真的成功」「把意大利麵扔到牆上，粘住哪根就煮哪根」。當時的規模化更像藝術，缺少科學。我並不反對藝術，但政府、AI 公司或製造企業不應當僅憑藝術直覺決定一個想法是否值得擴展。我的書要做的，就是把科學引入規模化。實驗可以直接嵌入現有運營。打開 Uber 或滴滴的應用，用戶會得到價格和預計到達時間。企業本來就要給出這些信息，完全可以用實驗方式給出，並從結果中學習。

我不是讓公司停下來等研究完成，而是讓它沿著正確方向快速前進。Uber 在應用裡引入小費功能時，我的團隊負責具體工作。Travis Kalanick 要求儘快上線。我告訴他，我們會滿足時間要求，但上線方式必須讓團隊能夠同時瞭解小費機制怎樣起作用。這才是需要改變的文化：不要錯過機會窗口，也不要把實驗視為額外負擔；要在當前運營中獲得數據，從已經在做的事情裡學習。這樣不是減速，而是避免創業者沿錯誤方向跑得更快。