San Antonio Spurs wyczyścili AI productivity dip w sześć miesięcy

TLDR: Organizacje przechodzą przez "productivity J-curve" po przyjęciu general-purpose technologies. Produktywność spada zanim wzrośnie — to jest moment gdzie dzieje się prawdziwa praca. San Antonio Spurs skompresowali 24-miesięczny enterprise AI rollout do sześciu miesięcy, pokazując że wyjście z dipu jest możliwe.

Summary: Masz zaawansowanych użytkowników którzy prowadzą realną pracę przez Claude i ChatGPT. Masz roadmapę. Masz vendor contracts. I nadal nie możesz wskazać linii na P&L i powiedzieć, to jest AI. Nie wyobrażasz sobie tej luki. Ty siedzisz w jej środku. W 2021 roku, Stanford economist Erik Brynjolfsson sformalizował coś co nazwał "productivity J-curve". Kiedy organizacje adoptują general-purpose technology, mierzona produktywność spada zanim wzrośnie. Spadek to miejsce gdzie dzieje się prawdziwa praca: workflow redesign, role-specific training, governance, data plumbing. Kontynuuj inwestowanie przez dip i wyjdziesz z compounding advantage. Przetnij i ucieknij, a zostaniesz na dnie. Większość firm teraz jest w dipie. Brak earnings lift nie jest dowodem że strategia jest zepsuta. To jest expected outcome dla każdej organizacji która nadal inwestuje w complements. Dip to jest praca.

Artykuł odnosi się do case study San Antonio Spurs — organizacja która skompresowała 24-miesięczny enterprise AI rollout do sześciu miesięcy, pokazując że wyjście z J-curve jest możliwe. Pełny artykuł zawiera research i liczby za 94% stall rate, z każdym źródłem podlinkowanym, playbook z czterema fazami, sector benchmarks i diagnostyczne pytania dla własnego rolloutu.

Key takeaways:

Productivity J-curve: spadek przed wzrostem po adoptcji GPT
Dip to nie failure — to expected phase
Spurs: 24 miesiące → 6 miesięcy rollout
94% organizacji stall w AI adoption
Wyjście z dipu wymaga: workflow redesign, training, governance, data plumbing

Why do I care: To jest koncepcja którą widzę w każdej firmie próbującej adoptować AI. Ludzie mówią "używamy AI" ale nie mogą pokazać earnings impact. To frustrujące, szczególnie dla tych którzy pchają adoptję. J-curve daje im język do wyjaśnienia co się dzieje: "jesteśmy w dipie, to jest expected, pracujemy nad workflow redesign i governance." Dla mnie jako architekta, to jest useful framing — mogę powiedzieć leadership "musimy inwestować przez dip, nie cut and run." Ciekawy jestem szczegółów Spurs case — jak oni skompresowali timeline? Co zrobili inaczej niż inne organizacje? Mam nadzieję że pełny artykuł ma te detale, bo to byłby actionable insight dla każdego wpodobnej sytuacji.

The Spurs cleared the AI productivity dip