AI 組織吸收與耦合拓撲 02

企業 AI 吸收論：跨層距離、時代裂縫與組織吸收能力

English Title:
Enterprise AI Absorbability: Cross-Layer Distance, Epoch Fracture, and Organizational Capacity to Convert AI Capability into Realized Work

系列： AI Organizational Absorption & Coupling Topology
系列編號： 02 / 06
版本： v0.1
日期： 2026-09-18
作者： Neo.K
協作： Aletheia（GPT-5.6 Sol）
機構： EveMissLab / 一言諾科技有限公司
文件性質： 組織理論／時代拓撲論應用／企業 AI 轉型理論
前置母文：

Paper 00《軟體時代鑲嵌與 AI 組織拓撲》
Paper 01《有效問題覆蓋論》

摘要

前沿 AI 能力提升並不保證企業能等比例取得生產力、成本、品質或自主化收益。即使兩個組織取得相同模型、相同 API、相同硬體與相近預算，其實際效果仍可能大幅不同。本文提出：

\boxed{ \mathcal A_{\mathrm{AI}} = \text{Enterprise AI Absorbability} }

即企業將外部或內部 AI 能力轉換為可持續、可驗證、可治理之有效問題覆蓋與實際組織能力的結構能力。

此概念與 Cohen–Levinthal 傳統 absorptive capacity 有明確理論親緣，但不等同。傳統吸收能力主要描述企業辨識外部知識價值、吸收並利用該知識的能力；本文研究的 AI 吸收還必須處理：

AI 可直接行動，而非只提供知識；
AI 能跨工具、資料與工作流；
AI 需要 observation / authority；
AI 會改變工作角色與責任；
AI 輸出需要 verification；
Agent 自主性增加會增加 blast radius；
AI 與既有組織系統之間存在跨時代、跨架構耦合。

因此：

\boxed{ \text{Knowledge Absorptive Capacity} \subset \text{AI Absorbability Problem Space}, }

但兩者不應直接等同。

本文延續 Paper 01：

\boxed{ \operatorname{EPC}(A,E) \le \operatorname{RPC}(A), }

並提出 AI 吸收率：

\boxed{ \rho_{\mathrm{absorb}} = \frac{ \operatorname{EPC}(A,E) }{ \operatorname{RPC}(A) }, }

其中必須在相同 task distribution、權重與評估邊界下解讀。

$\rho_{\mathrm{absorb}}$ 不是模型能力，而是 Agent–Organization Relation。

本文進一步建立企業 AI 吸收狀態束：

\boxed{ \mathfrak A_x(t) = \{ \Sigma_x^{Data}, \Sigma_x^{Workflow}, \Sigma_x^{Architecture}, \Sigma_x^{Observation}, \Sigma_x^{Authority}, \Sigma_x^{Verification}, \Sigma_x^{Governance}, \Sigma_x^{Human}, \Sigma_x^{Learning}, \Sigma_x^{Economics} \}_t. }

以及 AI 組織時代裂縫：

\boxed{ \mathfrak F_{\mathrm{AI},x}(t) = Mismatch( \mathfrak A_x(t), \Sigma_x^{Model}(t) ). }

當模型能力快速上升，而 workflow、data、governance、authority、verification 等層未同步升級時：

\boxed{ \Sigma^{Model}\uparrow\uparrow \quad\land\quad \Sigma^{Org}\approx \mathrm{const} \Rightarrow \mathfrak F_{\mathrm{AI}}\uparrow. }

因此，AI 能力進步在短期內甚至可能擴大而不是縮小組織內部的時代裂縫。

本文將企業 AI transition 建模為一個跨層圖問題。若組織從狀態 $\mathfrak A_0$ 轉向可充分吸收 Agent 的狀態 $\mathfrak A_1$ ，其距離不是單一「導入時間」，而是：

\boxed{ D_{\mathrm{AI\ transition}} = \inf_{\gamma} Cost(\gamma), }

其中 $\gamma$ 穿越資料、權限、工作流、架構、人員、驗證與治理等多層狀態。由於各層彼此耦合：

\boxed{ D_{\mathrm{AI\ transition}} \neq \sum_i D_i }

一般情況下會額外出現 cross-layer coupling cost。

本文將這種企業能力進一步分為：

\boxed{ \begin{aligned} A_0 &: \text{AI Access},\\ A_1 &: \text{AI Local Use},\\ A_2 &: \text{AI Workflow Integration},\\ A_3 &: \text{AI Cross-System Integration},\\ A_4 &: \text{AI Organizational Absorption},\\ A_5 &: \text{AI-Native Reconfiguration}. \end{aligned} }

這不是成熟度排行榜，而是一個可觀測 transition ladder。

2025–2026 的外部研究與本文高度相容。DORA 2025 將 AI 描述為放大組織既有強項與弱項的 amplifier；McKinsey 2025 發現，在其測試的 25 個企業屬性中，workflow redesign 與 GenAI EBIT impact 的關係最強；McKinsey 2026 的 agentic product-development 研究發現，對 AI 進行 end-to-end workflow redesign 的組織更容易出現顯著 productivity gain；2026 全球調查則顯示，大企業 scaling agents 的比例已顯著提高，但組織級 ROI 仍取決於 operating model、data、workflow 與人員轉型。Deloitte 的企業 GenAI 調查則顯示 data quality、data governance、risk、compliance 與治理模型仍是大規模部署的重要限制。

因此本文核心主張是：

\boxed{ \text{Enterprise AI Value} \approx \text{Model Capability} \times \text{Organizational Absorbability}, }

但此式只表示相互依賴，不代表已校準的線性乘積。

真正的競爭變量，不只是誰可以取得更強 AI，而是：

\boxed{ \text{誰能把更多 AI 能力轉成可持續的組織能力。} }

0. 問題：為什麼同一個 AI 在不同公司像不同世代？

假設：

M_A=M_B.

公司 A 與 B 都可以使用相同模型。

若模型能力是唯一決定因素，則應近似有：

Outcome_A\approx Outcome_B.

但現實經常不是如此。

公司 A：

structured data
clean APIs
good tests
explicit ownership
continuous deployment
clear AI governance
high tool access

公司 B：

data silos
stale documents
manual approvals
legacy dependencies
weak tests
unclear ownership
uncertain AI policy

即使：

M_A=M_B,

仍可能：

\boxed{ EPC_A\gg EPC_B. }

本文要研究的，就是這個差。

1. 傳統 Absorptive Capacity

Cohen 與 Levinthal 於 1990 年提出：

組織能辨識外部新知識的價值、吸收它，並將其應用於商業目的，是創新能力的重要組成。

並強調 absorptive capacity 與：

\boxed{ \text{Prior Related Knowledge} }

密切相關。

這給本文一個重要理論祖先：

\boxed{ \text{External Capability Exists} \not\Rightarrow \text{Firm Can Exploit It}. }

2. 為什麼 AI Absorbability 不等於傳統吸收能力

AI 不只傳遞：

\text{Knowledge}.

它還可能：

寫 code；
呼叫 tool；
操作 browser；
修改 database；
建立 artifact；
執行 workflow；
採取 action。

因此：

\boxed{ \text{AI} = \text{Knowledge Source} + \text{Execution Actor}. }

至少在 Agent 模式下如此。

所以企業面對的不只是：

我們能不能理解 AI 產生的知識？

而是：

我們能不能把一個具有行動能力的異質智能接入組織？

3. AI Absorbability 的定義

本文定義：

\boxed{ \mathcal A_{\mathrm{AI}}(O,t) }

為組織 $O$ 在時間 $t$ ，將 AI 的：

cognitive capability；
generative capability；
tool-use capability；
agentic capability；

轉換為：

可接受；
可重現；
可持續；
可治理；
有經濟價值；

之組織能力的結構性能力。

4. AI Absorbability 是關係量

因此：

\boxed{ \mathcal A_{\mathrm{AI}} \neq \text{Organization-only scalar}. }

同一家公司對不同 AI：

A_1,A_2

可能有不同吸收率。

同一 AI 對不同組織：

O_1,O_2

也有不同吸收率。

因此：

\boxed{ \mathcal A_{\mathrm{AI}} = \mathcal A(A,O,E,q,t). }

5. 吸收率

Paper 01 已定義：

RPC(A)

與：

EPC(A,E).

本文提出：

\boxed{ \rho_{\mathrm{absorb}} = \frac{ EPC(A,E) }{ RPC(A) }. }

在：

同一 task universe；
同一 weighting；
同一時間窗口；

下可作相對比較。

6. 吸收率不是 AI adoption rate

例如：

100% employees have AI accounts

最多說明：

\boxed{ AccessRate\approx1. }

不能推出：

\boxed{ \rho_{\mathrm{absorb}}\approx1. }

因此：

\boxed{ \text{AI Adoption} \neq \text{AI Absorption}. }

7. AI Organizational Absorption Bundle

本文定義：

\boxed{ \mathfrak A_x(t) = \{ \Sigma_x^{D}, \Sigma_x^{W}, \Sigma_x^{Ar}, \Sigma_x^{O}, \Sigma_x^{Au}, \Sigma_x^{V}, \Sigma_x^{G}, \Sigma_x^{H}, \Sigma_x^{L}, \Sigma_x^{E} \}_t. }

8. Data State $\Sigma^D$

包括：

data availability；
quality；
consistency；
lineage；
access control；
machine readability；
semantic alignment。

9. Workflow State $\Sigma^W$

包括：

task decomposition；
handoffs；
approvals；
exceptions；
asynchronous work；
human/AI role boundaries。

10. Architecture State $\Sigma^{Ar}$

包括：

modularity；
APIs；
observability；
dependency structure；
testability；
replaceability；
legacy constraints。

11. Observation State $\Sigma^O$

包括：

text；
logs；
screenshots；
browser state；
runtime state；
sensors；
data snapshots。

核心問題：

AI 是否真的能看到需要被處理的世界？

12. Authority State $\Sigma^{Au}$

包括：

read；
write；
execute；
deploy；
approve；
rollback；
escalate。

Agent 的能力只有在 authority graph 中才可實現。

13. Verification State $\Sigma^V$

包括：

tests；
human review；
formal checks；
visual validation；
runtime metrics；
rollback verification。

14. Governance State $\Sigma^G$

包括：

policy；
audit；
responsibility；
risk class；
human-in-the-loop；
incident handling；
data exposure rules。

15. Human State $\Sigma^H$

包括：

skill；
trust；
AI literacy；
role redesign；
judgment；
willingness；
acceptance；
resistance。

16. Learning State $\Sigma^L$

包括組織是否能：

從 AI 使用中學習；
分享新 workflow；
保留成功模式；
淘汰失敗模式；
更新 policy。

17. Economic State $\Sigma^E$

包括：

inference cost；
migration cost；
integration cost；
opportunity cost；
replacement cost；
ROI threshold。

18. 為什麼不能只加總

各層具有不同單位與拓撲。

所以不能直接：

\boxed{ A = D+W+Ar+O+Au+V+G+H+L+E. }

這會把異質狀態假裝成可加 scalar。

本文保留：

\boxed{ \mathfrak A = \{\Sigma^D,\ldots,\Sigma^E\}. }

19. Bottleneck Principle

有效吸收往往受最弱必要層限制。

對任務 $q$ ：

\boxed{ \rho_q \le \min \{ \rho_q^D, \rho_q^W, \rho_q^{Ar}, \rho_q^O, \rho_q^{Au}, \rho_q^V, \rho_q^G, \rho_q^H \}. }

這是上界直觀，不宣稱各項可被同一尺度精確量化。

20. 短板不一定是模型

如果：

\rho^{Model}\approx1

但：

\rho^{Authority}\approx0,

則整體 task absorption 仍接近 0。

所以：

\boxed{ \text{Model Upgrade} }

可能完全不是當前主要瓶頸。

21. Organizational Epoch Fracture

令：

\Sigma^{Model}_x(t)

代表公司當前可取得的 AI model capability state。

定義：

\boxed{ \mathfrak F_{\mathrm{AI},x}(t) = \text{Mismatch} \left( \Sigma_x^{Model}, \mathfrak A_x \right). }

22. AI 時代裂縫

如果：

model = frontier
workflow = legacy
data = fragmented
authority = manual
verification = weak
governance = unclear

則：

\boxed{ \mathfrak F_{\mathrm{AI}} \gg0. }

這不是單純「數位轉型落後」。

而是：

前沿智能層與既有組織層之間出現時代錯位。

23. Capability Shock

當 AI 能力快速跳升：

\Sigma_{t+1}^{Model} \gg \Sigma_t^{Model},

而組織狀態沒有同步變化：

\mathfrak A_{t+1} \approx \mathfrak A_t,

則：

\boxed{ \mathfrak F_{\mathrm{AI},t+1} > \mathfrak F_{\mathrm{AI},t}. }

本文稱：

\boxed{ \text{Capability Shock}. }

24. AI 越強，短期導入可能越難

這是一個反直覺命題。

強 Agent 可以：

改更多檔案；
操作更多工具；
取得更多資料；
執行更長流程。

但這也提高：

permission need；
blast radius；
verification load；
governance demand。

所以：

\boxed{ Capability\uparrow \not\Rightarrow Absorbability\uparrow. }

25. Cross-Layer Transition Distance

企業從：

\mathfrak A_0

到：

\mathfrak A_1

的 transition distance：

\boxed{ D_{\mathfrak A_0\rightarrow\mathfrak A_1} = \inf_{\gamma\in\Gamma} Cost(\gamma). }

26. 路徑 $\gamma$

可能包含：

data cleanup
API creation
IAM redesign
workflow redesign
testing expansion
training
role redesign
governance
deployment change

因此：

\boxed{ AI Transformation \neq Software Installation. }

27. Cross-Layer Coupling Penalty

如果各層獨立：

D_{\mathrm{total}} = \sum_iD_i.

但企業通常存在 dependency。

因此更合理：

\boxed{ D_{\mathrm{total}} = \sum_iD_i + \sum_{i,j}C_{ij} + C_{\mathrm{global}}. }

其中：

$C_{ij}$ ：兩層轉換耦合成本；
$C_{\mathrm{global}}$ ：整體協調成本。

28. Data–Governance Coupling

例如：

要讓 Agent 看更多資料。

會同時改變：

security；
privacy；
compliance；
audit。

因此：

\boxed{ \Delta DataAccess \Rightarrow \Delta GovernanceDemand. }

29. Workflow–Authority Coupling

例如：

Agent 自動完成採購。

會同時需要：

workflow redesign；
signing authority；
escalation；
financial controls。

所以：

\boxed{ \Delta Workflow \Rightarrow \Delta Authority. }

30. Speed–Verification Coupling

AI 加速生成：

GenerationSpeed\uparrow

可能使：

VerificationDemand\uparrow.

如果驗證能力不變：

\boxed{ \text{Verification} = \text{new bottleneck}. }

31. DORA：AI 是 Amplifier

DORA 2025 指出：

AI 的主要作用是放大組織本來的 strengths 與 weaknesses。

這直接反對：

\boxed{ AI = \text{Universal Independent Productivity Boost}. }

更合理的是：

\boxed{ \text{Outcome} = f( AI, \text{OrganizationalSystem} ). }

32. DORA：Throughput 與 Instability 同時上升

DORA 2026 對其研究的分析指出：

higher AI adoption 可伴隨 higher throughput；
同時伴隨 higher delivery instability；
generation 節省的時間常重新投入 auditing / verification。

因此 AI absorption 必須包含：

\boxed{ \Sigma^V = \text{Verification State}. }

33. McKinsey 2025：Workflow Redesign

McKinsey 2025 全球 AI 調查指出：

在其測試的 25 個 organization attributes 中，

workflow redesign 與 gen-AI EBIT impact 的關聯最強。

並且只有約 21% 的 respondents reporting gen-AI use 表示組織已 fundamentally redesigned at least some workflows。

這非常符合：

\boxed{ \text{AI Adoption} \neq \text{Workflow Absorption}. }

34. McKinsey 2026：Agentic PDLC

2026 Agentic Product Development Life Cycle 研究指出：

高成效組織不只是把 AI 疊在既有流程。

其共同特徵包括：

end-to-end workflow redesign；
role / responsibility redesign；
verification system；
AI operations；
change management。

其調查中，報告指出：

在 redesign process 後再導入 AI 的受訪組織，相較只是把 AI 疊上現有流程，更可能報告超過 20% productivity gain。

因此：

\boxed{ \text{Workflow Reconfiguration} }

是 AI absorbability 的核心變量之一。

35. McKinsey 2026：Agent Scaling 並不等於全域成熟

2026 Global State of AI 調查指出：

大型組織中 40% respondents 表示正在 scaling AI agents；
較小型組織為 22%；
coding agents 已成為較常被 scale 的類別之一。

但「有 scaling」仍不能推出：

\rho_{\mathrm{absorb}}\approx1.

因為 scale 本身可能集中於特定 functions。

36. Operational Excellence

McKinsey 2026 的 operational-excellence survey 指出：

約 90% 的組織至少正在實驗 AI，

但只有 7% 報告已在 enterprise-wide scale。

這種：

\boxed{ \text{Experimentation} \gg \text{Enterprise Scaling} }

的差正是 absorption gap 的現實形式之一。

37. Deloitte：Data 是硬瓶頸

Deloitte 的企業 GenAI 調查顯示：

55% 的受訪組織因 data-related issues 避免某些 GenAI use cases；
75% 因 GenAI 增加 data-management investment；
data security、data quality、data governance 都成為主要強化方向。

因此：

\boxed{ \Sigma^D }

不是後勤問題。

它直接決定 AI 可以進入多少問題。

38. Deloitte：Risk / Governance

其調查亦指出：

主要 deployment barriers 包含：

regulatory compliance；
risk management；
lack of governance model。

所以：

\boxed{ \Sigma^G }

本身就是 absorbability layer。

39. Governance 時間延遲

Deloitte 2025 的另一份調查中：

69% respondents 表示完整實施 governance strategy 需要超過一年。

這顯示：

\boxed{ \tau_{\mathrm{governance}} }

可能明顯大於：

\boxed{ \tau_{\mathrm{model\ upgrade}}. }

模型數月更新一次。

治理可能一年以上。

40. 時代拓撲上的不同時間常數

因此不同層可以有：

\tau_{Model} < \tau_{Tool} < \tau_{Workflow} < \tau_{Governance}

的情況。

不宣稱此排序普遍成立，但這種不同 time constant 本身是重要結構。

41. Epoch Velocity

令某層演化速度：

v_\ell = \frac{ d\Sigma^\ell }{ dt }.

如果：

v_{Model} \gg v_{Governance},

就會形成：

\boxed{ \text{Persistent Epoch Fracture}. }

42. 企業為什麼不能「直接追上」

因為追上不是：

買最新版。

而是：

\boxed{ \text{Multi-Layer Transition}. }

其中某些層：

可快速升級；
某些不可逆；
某些需要 contract renegotiation；
某些需要 training；
某些需要 culture shift。

43. Absorption Ladder

本文提出一個非排名式 transition ladder：

\boxed{ A_0\rightarrow A_5. }

$A_0$ ｜AI Access

具有：

account；
API；
model access。

但沒有穩定 workflow。

$A_1$ ｜AI Local Use

員工可使用：

chat；
autocomplete；
local generation。

主要是個人層增益。

$A_2$ ｜AI Workflow Integration

AI 被寫入：

SOP；
development workflow；
review；
document pipeline。

$A_3$ ｜AI Cross-System Integration

AI 能跨：

repositories；
databases；
SaaS；
internal tools。

並有明確 permission boundary。

$A_4$ ｜AI Organizational Absorption

組織建立：

canonical shared state；
governance；
verification；
role redesign；
metrics；
incident handling。

AI 能穩定轉成組織能力。

$A_5$ ｜AI-Native Reconfiguration

組織開始反過來：

不是讓 AI 配合舊流程，而是重寫流程以最大化 human–AI system capability。

這是一個結構狀態，不代表價值排序。

44. A5 不是所有企業的必然目標

某些：

regulated；
safety-critical；
low-change；

domain 未必需要全面 AI-native。

所以：

\boxed{ A_5 \neq \text{Universal Optimum}. }

45. Absorption Target Is Task-Specific

對 task family $Q_k$ ：

\boxed{ \mathcal A_{\mathrm{AI}}^{(Q_k)} }

可能不同。

例如：

coding 高；
finance approval 低；
marketing 中；
customer service 高。

所以不能只說：

這家公司 AI readiness 高。

46. Organizational Absorption Profile

可表示為：

\boxed{ \mathbf A_O = ( A_{code}, A_{ops}, A_{data}, A_{support}, A_{finance}, A_{research}, \ldots ). }

同樣不應壓成單一排行榜。

47. Absorption Bottleneck Map

對每個 domain：

coding:
  bottleneck = verification

finance:
  bottleneck = authority

customer_service:
  bottleneck = governance

research:
  bottleneck = data access

這種 map 比：

AI maturity 72/100

更具有可行動性。

48. AI-Native Reconfiguration 與重構風險

如果企業真的要：

\boxed{ A_4\rightarrow A_5, }

通常需要大規模修改：

workflow；
role；
software architecture；
authority；
data；
governance。

因此：

\boxed{ \text{Absorbability Gain} }

會和：

\boxed{ \text{Reconfiguration Risk} }

一起增加。

這正是 Paper 03 要處理的問題。

49. Individual Acceleration vs Organizational Inertia

個人可能透過 AI 在很短時間內完成：

\text{KnowledgeTransition}\uparrow.

但企業需要：

collective agreement；
integration；
testing；
governance；
migration。

因此：

\boxed{ v_{\mathrm{individual}} \gg v_{\mathrm{organization}} }

在某些 AI transition 中可能成立。

50. 這會造成新的組織裂縫

若某些員工高度 AI-native：

\Sigma_i^{AI}\uparrow,

但 organization policy：

\Sigma_O^{AI}\approx \text{old},

則可能出現：

\boxed{ \text{Individual–Organization Epoch Gap}. }

51. Shadow AI 是 Gap 的症狀之一

當：

\text{Employee Capability} > \text{Official AI Workflow},

員工可能私下：

用不同模型；
建 prompt；
用 Agent；
自己寫 automation。

所以：

\boxed{ \text{Shadow AI} }

不只是一個 security 問題。

它也是：

\boxed{ \text{Absorption Mismatch Signal}. }

52. 但 Shadow AI 也會提高 Coupling Cost

因為各員工使用不同：

model；
prompt；
memory；
tool；
generation style。

結果：

\boxed{ \text{Heterogeneity}\uparrow \Rightarrow C_{\mathrm{coupling}}\uparrow. }

這將由 Paper 04 展開。

53. Absorption Debt

本文提出：

\boxed{ D_{\mathrm{absorb}} }

表示：

組織已獲得大量 AI access / pilots，但沒有同步建立 supporting structures 所累積的結構債務。

可概念化為：

\boxed{ D_{\mathrm{absorb},t+1} = \rho D_{\mathrm{absorb},t} + \alpha G_{\mathrm{EPC}} + \beta\mathfrak F_{\mathrm{AI}} + \gamma C_{\mathrm{coupling}} - \delta R_{\mathrm{org}}. }

其中：

$G_{\mathrm{EPC}}$ ：有效覆蓋缺口；
$\mathfrak F_{\mathrm{AI}}$ ：時代裂縫；
$C_{\mathrm{coupling}}$ ：耦合成本；
$R_{\mathrm{org}}$ ：真正的組織重構工作。

此式為結構候選，不是已校準 empirical equation。

54. 為什麼 Pilot 越多，Debt 可能越高

若大量 pilot：

\text{PilotCount}\uparrow

但：

no shared architecture；
no governance；
no common data layer；
no integration plan；

可能形成：

\boxed{ \text{Pilot Fragmentation}. }

結果不是 absorption，而是：

\boxed{ \text{AI Patchwork}. }

55. Absorption Network

企業吸收可視為圖：

\boxed{ G_A=(V_A,E_A). }

節點：

people；
Agent；
data；
system；
policy；
workflow。

邊：

access；
authority；
dependency；
handoff；
verification；
provenance。

AI 能力只有沿著合法 path 才能進入 business process。

56. Reachability

若目標 business state $s^\*$ 無法由 AI 可達：

s^\* \notin \text{Reach}(A,G_A),

則：

\boxed{ \text{RawCapability} }

再高也不能實現。

57. Absorbability = Reachability + Closure

因此可另一種表示：

\boxed{ \mathcal A_{\mathrm{AI}} \approx \text{Reachability} + \text{Closure Capacity}. }

不是普通加法，而是概念分解。

Reachability 問：

到得了嗎？

Closure 問：

到了之後能證明完成嗎？

58. 吸收不是一次性導入

因為模型不斷演進：

A_t\rightarrow A_{t+1}.

組織也持續變化：

O_t\rightarrow O_{t+1}.

所以：

\boxed{ \mathcal A_{\mathrm{AI}} = \mathcal A_{\mathrm{AI}}(t). }

59. Continuous Absorption

成熟企業需要：

\boxed{ \text{Continuous AI Absorption}. }

包括：

model change assessment；
regression；
policy update；
workflow update；
skill update；
cost reassessment。

60. Absorbability 也是競爭資產

如果模型逐漸 commodity 化：

ModelAccess_A\approx ModelAccess_B,

真正差異可能轉向：

\boxed{ \mathcal A_A-\mathcal A_B. }

所以：

\boxed{ \text{AI Absorbability} }

可能成為新的 organizational capability moat。

61. 不是只有大公司能建立 Moat

大型企業可以靠：

data；
capital；
governance；
platform team。

小團隊則可以靠：

low coupling；
fast decisions；
clean architecture；
high authority concentration。

所以：

\boxed{ \text{Different Paths to High Absorbability}. }

62. 組織規模不是單調因子

令：

S=\text{organization size}.

不能直接：

\boxed{ \frac{d\mathcal A}{dS}>0 }

或：

\boxed{ \frac{d\mathcal A}{dS}<0. }

因為規模同時增加：

resources；
data；
expertise；

以及：

coupling；
bureaucracy；
legacy；
authority complexity。

63. 組織吸收效率

定義：

\boxed{ \eta_{\mathrm{absorb}} = \frac{ \Delta EPC }{ Cost_{\mathrm{transition}} }. }

可用來比較：

哪種 organizational intervention 最值得？

64. 有時換模型不如修流程

若：

\frac{ \Delta EPC_{\mathrm{workflow}} }{ Cost_{\mathrm{workflow}} } > \frac{ \Delta EPC_{\mathrm{model}} }{ Cost_{\mathrm{model}} },

則理性的下一步是：

修 workflow。

65. 有時修 Data 比訓練人更重要

同理：

\boxed{ \eta_D, \eta_W, \eta_G, \eta_V, \eta_H }

可以分別估計。

所以企業不必迷信：

AI training 是答案。

有時真正 bottleneck 根本不是 employee skill。

66. Absorbability Intervention Portfolio

企業可建立：

data remediation
workflow redesign
API / integration
test expansion
authority delegation
governance
training
change management

依：

\boxed{ \Delta EPC / Cost }

排序候選 intervention。

67. 時代拓撲下的「追趕」

企業追 AI 時代不是：

趕上 2026。

而是：

\boxed{ \mathfrak A_0 \rightarrow \mathfrak A_1 }

完成指定工作所需的跨層狀態轉換。

68. 不需要全面同步

組織也不必所有層都追前沿。

目標應是：

\boxed{ \text{Task-Sufficient Synchronization}. }

也就是：

對真正想用 AI 的工作域，完成足夠的跨層同步。

69. Minimum Absorbable Configuration

本文提出：

\boxed{ MAC(q) = \text{Minimum Absorbable Configuration for task }q. }

它是讓 task $q$ 可以可靠使用 AI 的最小組織狀態集合。

70. 例：程式 Agent 的 MAC

可能需要：

repo access
tests
dependency info
branch policy
review path
runtime logs
rollback

而不一定需要全公司 AI-native。

71. 例：財務 Agent 的 MAC

可能需要：

data access
approval limits
audit log
escalation
human sign-off
transaction rollback

完全不同。

72. 因此 AI Transformation 可以局部化

企業不必：

\boxed{ \text{Rewrite Everything}. }

更合理：

\boxed{ \text{Targeted Cross-Layer Closure}. }

這也是降低 transition distance 的方法。

73. 但局部化有補丁風險

如果每個部門獨立：

MAC_1,MAC_2,\ldots

長期又可能形成：

\boxed{ \text{AI Integration Fragmentation}. }

這會再次拉高：

C_{\mathrm{coupling}}.

所以局部吸收與全域治理之間需要平衡。

74. AI Absorbability Frontier

定義：

\boxed{ \mathcal F_A = \{ q: q \text{ can currently be absorbed at acceptable cost/risk} \}. }

與 Paper 01 的 EPC 相比：

EPC 描述目前真的能完成；
Absorbability Frontier 描述組織目前可合理部署／擴張的邊界。

75. Frontier 會移動

當：

data improves；
policy stabilizes；
models improve；
costs fall；
tools standardize；

則：

\boxed{ \mathcal F_A(t+1) \supset \mathcal F_A(t). }

不保證單調，但長期可能擴大。

76. 可反駁假說

H1｜Workflow Absorption Hypothesis

控制 AI tool availability 後，end-to-end workflow redesign 應顯著提高 EPC / realized productivity。

H2｜Epoch Fracture Hypothesis

$\mathfrak F_{\mathrm{AI}}$ 越大，AI raw capability 與 realized value 的差距越大。

H3｜Data Bottleneck Hypothesis

在 data-intensive task 中，data access / quality 改善對 EPC 的邊際效果可能高於更換更強模型。

H4｜Governance Time-Constant Hypothesis

高風險企業中的 governance transition time 通常慢於 model capability transition，造成持續 epoch fracture。

H5｜Shadow AI Hypothesis

當 individual AI capability / use state 明顯領先 official organizational AI state 時，Shadow AI incidence 增加。

H6｜Minimum Configuration Hypothesis

為指定 task 建立 MAC，比要求 organization-wide modernization 更能以低成本提高局部 EPC。

77. 最小測量方案

未來企業研究可收集：

organization_id:
task_family:
model_access:
raw_capability:
effective_problem_coverage:
data_state:
workflow_state:
architecture_state:
observation_state:
authority_state:
verification_state:
governance_state:
human_state:
learning_state:
economic_state:
transition_cost:
human_intervention:
failure_gate:
business_value:

78. Absorbability Map

輸出不應只是一個分數。

建議：

Data           ███████░
Workflow       ████░░░░
Architecture   █████░░░
Observation    ████████
Authority      ██░░░░░░
Verification   ██████░░
Governance     ███░░░░░
Human          ███████░

重點是找 bottleneck，不是排名企業。

79. 與 Paper 03 的接口

Paper 02 到此建立：

\boxed{ \text{AI Absorption} = \text{Cross-Layer Organizational Transition}. }

下一篇要處理最困難的問題：

如果提高吸收能力需要修改既有架構，到底應該讓 AI 做局部優化，還是全域重構？

因此 Paper 03 將研究：

\boxed{ \text{Optimization Space} \neq \text{Authorized Modification Space} }

以及：

Compatibility Debt；
Reconstruction Liability；
local patch vs global rewrite；
authority boundary；
historical constraints。

80. Claim Boundary

$K$ ｜Established / externally supported

外部文獻與調查支持：

absorptive capacity 影響外部知識／技術利用；
AI value 與 organizational system / workflow redesign 有關；
data quality / governance 可阻礙 AI scale；
enterprise AI scaling 與 operating-model redesign、verification、roles、change management 有關；
AI adoption 與 enterprise-wide scaling 存在明顯落差。

$E$ ｜本文推導

本文新增：

Enterprise AI Absorbability；
AI Absorption Rate；
AI Organizational Absorption Bundle；
Capability Shock；
AI Organizational Epoch Fracture；
Absorption Debt；
Minimum Absorbable Configuration；
Absorbability Frontier；
Individual–Organization Epoch Gap。

$S$ ｜需要 simulation / retrospective data

cross-layer transition graph；
absorption debt dynamics；
MAC optimization；
bottleneck decomposition。

$X$ ｜需要企業實證

$\rho_{\mathrm{absorb}}$ ；
workflow redesign causal effect；
epoch fracture vs ROI；
Shadow AI vs official policy gap；
intervention efficiency $\eta_{\mathrm{absorb}}$ 。

$F$ ｜工程化

AI Absorbability Auditor；
Epoch Fracture Mapper；
MAC generator；
enterprise transition simulator；
AI integration graph analyzer。

81. 結論

AI 的快速進步正在創造一種新的企業錯覺：

既然模型已經會做，就代表企業應該可以直接使用。

但：

\boxed{ \text{Capability Availability} \neq \text{Organizational Absorption}. }

模型能力只是外部輸入。

企業還必須建立：

\boxed{ \text{Data} + \text{Workflow} + \text{Architecture} + \text{Observation} + \text{Authority} + \text{Verification} + \text{Governance} + \text{Human} + \text{Learning} + \text{Economics}. }

這些層共同決定：

\boxed{ \rho_{\mathrm{absorb}}. }

因此，前沿 AI 能力越快：

v_{Model}\uparrow,

而企業變革越慢：

v_{Org}\ll v_{Model},

就越容易出現：

\boxed{ \mathfrak F_{\mathrm{AI}}\uparrow. }

這解釋了為什麼：

AI 可以在 benchmark、個人開發與小團隊中顯得像「已經跨時代」，但進入大型企業後卻突然變慢。

並不是模型突然變笨。

它進入了一個：

\boxed{ \text{High-Coupling Historical Organization}. }

企業具有：

過往投資；
legacy；
contract；
人員；
regulation；
responsibility；
hidden process。

這些不是可以用「更聰明的模型」直接消除的雜訊。

它們本身就是：

\boxed{ \text{The Environment of Work}. }

因此未來 AI 競爭的重要變量之一將是：

\boxed{ \mathcal A_{\mathrm{AI}}. }

當模型逐漸變成更多企業都能取得的公共能力時：

\boxed{ \text{Model Advantage} }

可能逐步轉化為：

\boxed{ \text{Absorption Advantage}. }

真正拉開差距的將不是：

誰買到了 AI？

而是：

誰的組織結構能讓 AI 真正進入更多問題，取得合法行動路徑，形成可驗證閉包，並持續把這些局部能力沉澱成組織能力？

在時代拓撲的語言中：

\boxed{ \text{AI Transformation} = \text{Cross-Layer Epoch Coupling}. }

而不是單純：

\boxed{ \text{Software Upgrade}. }

參考文獻與外部資料

內部前置研究

[INT-01] Neo.K. 《AI 組織吸收與耦合拓撲 00：軟體時代鑲嵌與 AI 組織拓撲》v0.2. EveMissLab, 2026.

[INT-02] Neo.K. 《AI 組織吸收與耦合拓撲 01：有效問題覆蓋論》v0.1. EveMissLab, 2026.

[INT-03] Neo.K. 《時代拓撲論 v2.0》. EveMissLab, 2026.

[INT-04] Neo.K. 《時代拓撲論：通用週期、超前距離與跨層普及》. EveMissLab, 2026.

[INT-05] Neo.K. 《基礎設施常態化與文明認知滯後》. EveMissLab, 2026.

[INT-06] Neo.K. EXS Series. EveMissLab, 2026.

組織吸收能力理論

[R1] Cohen, W. M., & Levinthal, D. A. Absorptive Capacity: A New Perspective on Learning and Innovation. Administrative Science Quarterly, 35(1), 128–152, 1990. DOI: 10.2307/2393553.

[R2] Van den Bosch, F. A. J., Volberda, H. W., & de Boer, M. Coevolution of Firm Absorptive Capacity and Knowledge Environment: Organizational Forms and Combinative Capabilities. Organization Science, 10(5), 551–568, 1999.

AI / Enterprise Empirical Anchors

[R3] Google Cloud / DORA. State of AI-assisted Software Development 2025.

[R4] DORA. Balancing AI tensions: Moving from AI adoption to effective SDLC use. 2026-03-10.

[R5] McKinsey & Company. The state of AI: How organizations are rewiring to capture value. 2025-03-12.

[R6] McKinsey & Company. Beyond the copilot: Scaling the agentic product development life cycle. 2026-08-21.

[R7] McKinsey & Company. The state of AI in 2026: On the road to ROI. 2026-08-25.

[R8] McKinsey & Company. Putting AI to work: The operational excellence imperative. 2026-06-19.

[R9] McKinsey & Company. The key to AI value is hiding in plain sight: Your operating model. 2026-09-09.

[R10] McKinsey & Company. Stacking the odds: A blueprint for successfully scaling agentic AI. 2026-09-14.

[R11] Deloitte. State of Generative AI in the Enterprise / Data and risk remain key challenges to scaling GenAI. 2024–2025.

[R12] Deloitte. The Path to Sustainable Generative AI Value Balances Passion, Pragmatism and Patience. 2025-01-21.

[R13] IDC / Deloitte. Data Enablement to Scale Generative AI Effectively. 2025.

[R14] Gattiker, T. F., & Goodhue, D. L. Corporate culture, absorptive capacity and IT success. Information and Organization, 15(1), 39–63, 2005.

AI Organizational Absorption & Coupling Topology — Paper 02 v0.1
EveMissLab — Boundless Knowledge. One Promise Forward.

企業 AI 吸收論：跨層距離、時代裂縫與組織吸收能力

AI 組織吸收與耦合拓撲 02

企業 AI 吸收論：跨層距離、時代裂縫與組織吸收能力

摘要

0. 問題：為什麼同一個 AI 在不同公司像不同世代？

1. 傳統 Absorptive Capacity

2. 為什麼 AI Absorbability 不等於傳統吸收能力

3. AI Absorbability 的定義

4. AI Absorbability 是關係量

5. 吸收率

6. 吸收率不是 AI adoption rate

7. AI Organizational Absorption Bundle

8. Data State ΣD\Sigma^DΣD

9. Workflow State ΣW\Sigma^WΣW

10. Architecture State ΣAr\Sigma^{Ar}ΣAr

11. Observation State ΣO\Sigma^OΣO

12. Authority State ΣAu\Sigma^{Au}ΣAu

13. Verification State ΣV\Sigma^VΣV

14. Governance State ΣG\Sigma^GΣG

15. Human State ΣH\Sigma^HΣH

16. Learning State ΣL\Sigma^LΣL

17. Economic State ΣE\Sigma^EΣE

18. 為什麼不能只加總

19. Bottleneck Principle

20. 短板不一定是模型

21. Organizational Epoch Fracture

22. AI 時代裂縫

23. Capability Shock

24. AI 越強，短期導入可能越難

25. Cross-Layer Transition Distance

26. 路徑 γ\gammaγ

27. Cross-Layer Coupling Penalty

28. Data–Governance Coupling

29. Workflow–Authority Coupling

30. Speed–Verification Coupling

31. DORA：AI 是 Amplifier

32. DORA：Throughput 與 Instability 同時上升

33. McKinsey 2025：Workflow Redesign

34. McKinsey 2026：Agentic PDLC

35. McKinsey 2026：Agent Scaling 並不等於全域成熟

36. Operational Excellence

37. Deloitte：Data 是硬瓶頸

38. Deloitte：Risk / Governance

39. Governance 時間延遲

40. 時代拓撲上的不同時間常數

41. Epoch Velocity

42. 企業為什麼不能「直接追上」

43. Absorption Ladder

A0A_0A0​ ｜AI Access

A1A_1A1​ ｜AI Local Use

A2A_2A2​ ｜AI Workflow Integration

A3A_3A3​ ｜AI Cross-System Integration

A4A_4A4​ ｜AI Organizational Absorption

A5A_5A5​ ｜AI-Native Reconfiguration

44. A5 不是所有企業的必然目標

45. Absorption Target Is Task-Specific

46. Organizational Absorption Profile

47. Absorption Bottleneck Map

48. AI-Native Reconfiguration 與重構風險

49. Individual Acceleration vs Organizational Inertia

50. 這會造成新的組織裂縫

51. Shadow AI 是 Gap 的症狀之一

52. 但 Shadow AI 也會提高 Coupling Cost

53. Absorption Debt

54. 為什麼 Pilot 越多，Debt 可能越高

55. Absorption Network

56. Reachability

57. Absorbability = Reachability + Closure

58. 吸收不是一次性導入

59. Continuous Absorption

60. Absorbability 也是競爭資產

61. 不是只有大公司能建立 Moat

62. 組織規模不是單調因子

63. 組織吸收效率

64. 有時換模型不如修流程

65. 有時修 Data 比訓練人更重要

66. Absorbability Intervention Portfolio

67. 時代拓撲下的「追趕」

68. 不需要全面同步

69. Minimum Absorbable Configuration

8. Data State $\Sigma^D$

9. Workflow State $\Sigma^W$

10. Architecture State $\Sigma^{Ar}$

11. Observation State $\Sigma^O$

12. Authority State $\Sigma^{Au}$

13. Verification State $\Sigma^V$

14. Governance State $\Sigma^G$

15. Human State $\Sigma^H$

16. Learning State $\Sigma^L$

17. Economic State $\Sigma^E$

26. 路徑 $\gamma$

$A_0$ ｜AI Access

$A_1$ ｜AI Local Use

$A_2$ ｜AI Workflow Integration

$A_3$ ｜AI Cross-System Integration

$A_4$ ｜AI Organizational Absorption

$A_5$ ｜AI-Native Reconfiguration

$K$ ｜Established / externally supported

$E$ ｜本文推導

$S$ ｜需要 simulation / retrospective data

$X$ ｜需要企業實證

$F$ ｜工程化