大脑把一项任务移出瓶颈，用了三万次以上的重复。Georgetown 的神经科学家训练受试者把渐变的汽车图像分为两类，并在训练前后用 fMRI 与 EEG 追踪他们，发现只有在连续五到十周的每日练习之后，这项工作才从前额叶皮层——一次只能处理一件事的区域——迁移到颞叶皮层（Georgetown University Medical Center, 2026）。在此之前，这项任务持续消耗执行产能。之后，同一项任务几乎不再花费成本。
这个发现，对任何在中型企业推动 AI 工具落地的人来说，都有一个不太舒服的推论：新工具按定义就是非自动化的。它坐进前额瓶颈，花掉的正是你部署它去释放的那份认知产能——而且一待就是数周。团队在第一个月反馈的效率下滑，不是抗拒，也不是工具选错的信号。那是一项尚未完成改道的技能的可预期成本。
Georgetown 究竟测量了什么
这项研究发表于 Journal of Cognitive Neuroscience，第一作者为 Patrick Cox，通讯作者为 Maximilian Riesenhuber，其特殊之处在于它是纵向研究。多数学习研究要么捕捉技能习得的最初几小时，要么观察已经成型的专家。这一项则测量同一批大脑在长期训练前后的状态：受试者通过手机应用，在五到十周内累积了超过 30,000 次试次（Georgetown University Medical Center, 2026）。
结果是：学习初期，分类任务点亮的是前额叶皮层。长期练习之后，同样的分类发生在颞叶皮层，而类别信号完全绕过前额叶皮层，直接连向输出脑区（Neuroscience News, 2026）。用 Cox 的话说，密集训练"实质上在颞叶中造出了一个此前并不存在的类别选择性区域"。
Riesenhuber 举的例子，每位运营负责人都能从自己的生活里认出来：开车。刚学时，它占用你全部注意力。多年之后，你可以一边开车一边聊天、一边思考问题。大脑并没有变得更善于"斟酌"开车，而是把开车挪出了发生斟酌的那个位置。
这套架构里有两个事实在运营层面最关键。第一，前额叶皮层是真正的瓶颈——它通常一次只能处理一项高要求任务。第二，走出这个瓶颈，不取决于理解力、动机或培训日的质量，而取决于重复量，单位是"周"。
非自动化的工具，花掉的正是它承诺的产能
现在把这套机制映射到 AI 工具真正进入中型企业工作流的方式上。你之所以采购一个工具，是因为某个流程吞掉了太多工时。商业论证说它能释放产能。然后你把它交给一支从未用过它的团队。
对这支团队而言，与新工具的每一次交互都是前额叶皮层任务。决定把什么交给它、组织提问、判断输出是否正确、找出它在哪里错得很隐蔽、决定接受还是重做——全部经由同一条单车道的执行资源，而那正是这个工具本应替它减负的资源。旧工作流对熟练操作者来说已高度自动化，早就完成了 Georgetown 测到的那次迁移。新的还没有。
所以最初几周并不是"旧的努力出去、新的效率进来"的公平交换。它是用自动化的工作换取需要刻意投入的工作——执行负荷的净增加，即便工具客观上很好、输出客观上更快。这就是效率下滑背后的机制。不是抗拒，不是把"变革疲劳"当成性格特征，而是架构。
行为数据与此一致。ActivTrak 2026 年的分析覆盖 163,638 名员工的 4.43 亿小时活动数据，发现在采用 AI 之后，不被打断的专注时长平均下降约 9%——从 14 分 23 秒降至约 13 分钟——同时邮件活动上升 104%、业务工具使用上升 94%（ActivTrak, 2026）。工作变得更快、更密。而承载它的注意力容器变小了。这就是过渡期从外部看去的样子。
为什么同时上三个工具，翻三倍的是负荷而不是产出
到这里，神经科学变成了一个带价签的预算错误。
如果一个非自动化工具占住瓶颈，三个非自动化工具并不会优雅地分享它。前额叶皮层不做并行；Georgetown 的发现恰恰是：真正的并行处理，只有在其中一项任务被改道移出之后才成为可能。在同一个季度铺开三个工具，你并没有把杠杆放大三倍，你只是把需求放大到了那唯一不可切分的资源上，同时拉长了三者中任何一个抵达自动化所需的时间——因为注意力分摊在三条新手曲线上，每条曲线累积重复的速度都更慢。
中型市场已经在承受这一点。Freshworks 2026 年《Global Cost of Complexity》研究访问了 12,021 位 IT 决策者，其中 9,000 多位来自中型企业，发现企业平均在用 4.2 个 AI 工具，9% 在用七个以上——并且在看到任何回报之前，平均已有 25% 的 AI 预算耗散在复杂度上（Freshworks, 2026）。同一研究中，86% 的 IT 负责人表示，管理 AI 复杂度增加了团队的工作量。
那 25% 通常被解释为集成与配置问题。部分确实如此。但 Georgetown 的结果点出了第二项成本，任何集成预算都捕捉不到：同时运行多个非自动化工具所产生的人的瓶颈税。配置开销会出现在账单上；前额叶饱和只会表现为——你给了团队省时软件之后，他们反而莫名其妙更忙了。
真正让这件事昂贵、而不只是缓慢的，是复利。一个抵达自动化的工具会停止抽取执行产能，转而开始归还它——被归还的这部分产能，正是下一次落地的资金来源。而一整套全都停在自动化门槛之下的工具，永远不会产生这份股息，于是每一次后续部署都从同一个已被抽空的账户里支出。4.2 个工具不是采购意义上的工具泛滥问题，而是一个反向运转的复利问题。
按自动化排序 AI 工具落地，而不是按覆盖率
多数 AI 推广计划是按覆盖率排序的：在采购允许的速度下，把工具尽可能推到更多团队面前，因为试点预算会过期。Georgetown 的机制主张改为按自动化排序，而这会改变三个具体决策。
为"周"买单，而不是为"上线"买单
如果改道需要五到十周的密集重复，那么一次 AI 部署的有意义单位就不是上线日期，而是随后的重复窗口。周二给团队做完培训、周三就把变革管理的注意力挪走的推广，等于为曲线上最贵的那一段付了钱，却放弃了回报真正所在的那一段。把后续纳入预算：受保护的使用时间、一位有名有姓的负责人，以及足够体量的真实业务经由该工具，让重复按天累积而不是按周累积。
一次只做一条工作流，且是刻意为之
让一个工具在一条工作流上跑到自动化，再开下一条战线。这感觉更慢，实际更快。两次先后完成、各自抵达自动化的部署，胜过三次同时进行、全都卡在瓶颈里的部署——而第一次一旦完成改道，就真的会释放出第二次所需的执行产能。Georgetown 的实用承诺是：产能会回来。它只是回在重复的另一侧，而不是回在一份培训材料的另一侧。
别把第一周的下滑当成判决
AI 工具落地中最昂贵的误读，是把早期下滑当作关于工具或团队的证据。看见它就断定"我们的人在抗拒"的管理者，会用更多强制指令回应；断定"这个工具不行"的管理者，会换供应商——而那会把计时器清零，把团队打回第一次试次。两种反应是同一个错误：把过渡成本误认成判决。第三周该问的不是"我们变快了吗"，而是"重复在累积吗"。早期衡量使用深度与频率；等窗口关闭之后再衡量节省的工时。
还有一层值得点名的目标定位。改道由重复驱动，但对"刻意投入期"的耐受度在团队内部并不均匀分布。有些人会毫不动摇地穿过五周的低谷；另一些人会在第二周悄悄退回旧工作流，并把重复曲线一起带走。在挑选试点小组之前就搞清楚谁是哪一类——这正是"部署抵达自动化"与"部署卡在 40% 采用率、最后被记为工具失败"之间的差别。
本季度唯一的那个决定
数一数过去九十天里，你的团队被要求学会多少个 AI 工具。如果这个数字超过每条工作流一个，你测到的就不是采用率问题——你测到的是一条单车道资源前面的排队，而它不会因为你要求大家更努力就变宽。
所以，只挑一个。选价值最高的那条工作流，只投入一个工具，把重复保护五到十周，并把其他所有 AI 工具落地都挡在这条线之后，直到第一个已经不需要斟酌就能运行。这个排序决定本身不花钱、不需要新供应商，而且是本文中唯一直接作用于瓶颈、而非绕开瓶颈的干预。别人承诺给你的产能是真实的，Georgetown 刚刚展示了交付它的物理机制。它在重复的另一侧抵达——而且只抵达那些被允许跑完全程的团队。
