砸下2500亿美元，为何经济指标却毫无反应？
AI的技术能力与经济效果，处在不同的时间表上
开篇
订阅者朋友，您好。这里是Oswarld的OZ Talking。
最近无论去哪里，都能听到AI的话题。打开新闻是AI，公司会议上也是AI，投资报告里还是AI。不过，最近《经济学人》一篇文章的标题引起了我的注意——“AI生产力大爆发尚未到来”。2024年至2025年间，全球企业投入AI的资金超过2,500亿美元，折合约350万亿韩元。然而，阿波罗（Apollo）首席经济学家托尔斯滕·斯洛克（Torsten Slok）却这样说：“AI无处不在，除了在宏观经济数据里。”
正因为这句话与40年前某人的说法如出一辙，今天我们就来深入探讨一下这个话题。既然AI获得了如此庞大的投资，为什么经济指标却完全没有反映出来呢？
索洛的幽灵：40年前也曾有过同样的疑问
1987年，诺贝尔经济学奖得主罗伯特·索洛（Robert Solow）在《纽约时报》的一篇书评中留下了这样一句话：“计算机时代随处可见，除了在生产率统计数据里。” 从1960年代到80年代，晶体管、微处理器、存储芯片飞速发展，个人电脑开始进入每一间办公室。然而，奇怪的事情发生了。美国的生产率增长率从1948年至1973年间的年均2.9%，骤降到1973年以后的1.1%。技术明明取得了巨大进步，生产率却反而近乎腰斩。
这一现象正是“索洛生产率悖论”（Solow Paradox）。技术明明在进步，却在经济数据中不见踪影。而到了2025年，经济学家们正在AI身上目睹着一模一样的模式。
这里有一个重要概念登场了——通用技术（General Purpose Technology）1。指的是像蒸汽机、电力、计算机这样对整个经济产生广泛影响的技术。这类技术的共同点在于：适用范围广泛，持续改进，并以此为中心衍生出其他创新。AI恰好符合这一范畴。
数字的错觉：GDP增长的90%不是来自AI“使用”，而是来自AI“建设”
看2025年美国的经济指标，会发现一个有趣的谜题。GDP增长率为2.2%，表现还不错，但就业增长每月平均仅15,000人，年增长率仅0.1%。乍一看，人们可能会想：“用更少的人力生产更多，这不正是拜AI所赐吗？”但现实完全不是这么回事。
根据哈佛大学教授杰森·弗曼（Jason Furman）的分析，**2025年上半年GDP增长中约90%来自数据中心和基础设施投资。这并不是AI提升了生产力从而拉动了经济增长，而是为建设AI所进行的建楼、买服务器等投资推高了GDP。**这完全是两码事。
旧金山联储的研究也支持这一点。该研究分析发现，剔除投资效应之后的基础生产率提升几乎为零。耶鲁大学预算实验室（Budget Lab）研究员玛莎·金贝尔（Martha Gimbel）也呼吁保持谨慎——生产率数据本身波动性就很大，不应该对一两个季度的数据反应过度。事实上，自1950年以来，产出与就业之间的差距超过2个百分点的年份，占到了全部年份的三分之一。
核心在于：“经济增长了，所以是拜AI所赐”这种简单的等式可能并不成立。深入挖掘数据后会发现，AI真正的纯贡献目前几乎还看不到。
“用过了”和“改变了”，完全是两回事
那么可能会有人产生这样的疑问：“大家明明在大量使用AI啊，ChatGPT也好，Claude也好，应该是有效果的吧？”确实，使用的人在增加。根据圣路易斯联储亚历克斯·比克（Alex Bick）研究团队的实时调查数据，美国劳动者中使用过生成式AI的比例从2024年8月的约39%，上升到2024年底的45%。
不过还有一个重要的数字。在总工作时间中，使用AI的时间比例只有1%到5%。也就是说，工作100个小时，其中用AI的时间最多只有5个小时。每天都用AI的人只占约10%。
BCG（波士顿咨询）2025年的全球调查（覆盖11个国家、10,635人）揭示了一个更有趣的现象。领导层、经理层中有78%每周使用AI数次，而一线员工的常态使用率则停留在51%，再也没有上升。BCG将这一现象称为“硅制天花板”（Silicon Ceiling）。意思是，上层管理者不断强调AI，但实际现场每天使用AI的人数却陷入停滞。
在单个任务层面，效果是明确的。麻省理工学院（MIT）2023年的研究发现，使用ChatGPT时，写作任务的耗时缩短了约40%；哈佛商学院针对BCG顾问的研究也显示生产力提升了12%至25%。**但如果把这换算成整体宏观经济层面呢？根据《经济学人》的计算，仅为每年0.25%至0.5%的水平。原因在于，使用AI的人只占总人数的一部分，而即便是这部分人，也只把工作时间中极小一部分分配给了AI。**而且，这一计算本身还是建立在“节省下来的时间全都被生产性地重新分配”这一乐观假设之上的。
再加上“AI糟粕”2现象也来凑热闹——人们需要花额外时间去核查和修改AI生成的低质量成果。AI节省下来的时间，又被用来修正AI犯下的错误。
电动机的教训：买工具和重建工厂，是两回事
这番话听起来可能有些令人沮丧，但纵观历史，这并非头一遭。1870年代电力发电机问世时，工厂只是简单地把原本蒸汽机所在的位置换成了电动机，而由一根巨大的中央动力轴通过皮带向所有机器传递动力的结构却原封不动地保留了下来。
结果如何呢？效率几乎没有任何改善。电力真正的优势在于可以分散动力，但这一优势完全没有被利用起来。真正的革命是在30到40年后的1920年代才到来的——当每台机器都装上独立电动机，工厂动线本身根据作业流程重新设计之后，生产率才真正实现了爆发式增长。经济史学家保罗·大卫（Paul David）1990年发表的著名研究《The Dynamo and the Computer》分析的正是这一过程。
个人电脑也是同样的模式。1970年代到80年代开始普及，但生产率效应直到90年代后期才显现出来，而且并非在硅谷本身，而是在沃尔玛这类零售企业中，利用计算机进行物流和库存管理的创新，才是真正生产率提升的来源。
斯坦福大学的埃里克·布林约尔松（Erik Brynjolfsson）将这一模式整理为“生产率J曲线”（Productivity J-Curve）这一框架。**新技术引入之初，生产率反而会下降，因为组织重组需要成本，人们适应也需要时间。**之后随着适应完成，才会出现急速上升、呈J字形的曲线。
事实上，多伦多大学克里斯蒂娜·麦克埃尔赫兰（Kristina McElheran）与布林约尔松研究团队分析美国制造业AI应用情况的最新论文中，也证实了AI导入初期生产率反而下降的模式。但从长期来看，这些企业相较于未导入AI的企业最终确立了优势。
为什么组织的反应比个人更慢
美国国家经济研究局（NBER）2026年2月发布的一项大规模调查，最清晰地揭示了这一鸿沟。该调查覆盖美国、英国、德国、澳大利亚四国约6,000名首席执行官、首席财务官等高管，结果显示：**虽然70%的企业在使用AI，但过去三年间表示生产力或雇佣情况出现可测量变化的企业不到10%。**高管本人使用AI的时间，每周仅1.5小时。
提升个人生产力和提升组织生产力，是根本不同的两个问题。**个人可以用ChatGPT把写作任务提速40%。**但这个人所属组织的决策结构、审批流程、部门间协作方式、绩效评估体系却原封未动。导入AI工具，和改变工作方式以适应AI，是完全不同层次的课题。
电力时代也是如此。买来电动机并不会让工厂自动改变，工厂动线本身必须重新设计，工作方式也必须从头再来。AI也是一样。开一个ChatGPT账号，或者在公司里装上Copilot，并不会提升组织的生产力。首先要思考的是，如何将业务流程围绕AI进行重新设计。
Oswarld视角
坦白说，我并不认为这种状况是一种“失败”，反而认为这是理所当然的过程。
在制定GTM战略的过程中，我见过无数次同样的模式。新工具一出现，企业几乎无一例外地遵循同样的顺序：先买工具，然后叠加到现有业务上，接着疑惑“为什么没有效果”，过了很久之后才开始重新设计流程本身。SaaS导入时是这样，云转型时是这样，CRM导入时也是这样。
问题在于，目前大多数企业还停留在第一阶段。**AI工具是“导入”了，但真正进入把工作方式本身围绕AI进行“重塑”这一阶段的企业却极为罕见。**BCG的调查显示，全面重新设计工作流程的企业，与仅仅部署工具的企业之间，业绩差距十分明显，原因正在于此。
所以，在这场争论中，比起“AI到底有没有效果”，我认为“组织是否已经准备好为适应AI而改变”才是更本质的问题。瓶颈不在于技术的能力，而在于组织适应的速度。能从J曲线的谷底多快爬升上来，取决的不是AI的性能，而是管理层的决断力以及组织重塑的深度。
结语
今天内容的核心，可以总结如下。
第一，AI的技术能力与经济效果，处在不同的时间轴上。技术正以惊人的速度发展，但要让这转化为整体经济的生产率，就需要组织和产业进行重塑。
第二，历史清楚地展示了通用技术的共同模式。电力花了40年，个人电脑花了20年。按照布林约尔松的J曲线来看，我们现在正处于曲线谷底附近。
第三，“导入”与“重塑”之间的鸿沟才是核心所在。正如重要的不是买电动机，而是重建工厂一样，比起购买AI工具，重新设计工作方式才是真正的转折点。
读完这篇文章后，希望大家能检验一下这一点：我们的组织现在是在“导入”AI，还是在为适应AI而“重塑”？这个答案，将告诉你我们正站在J曲线的哪个位置。
参考资料与延伸阅读
- The Economist，“The AI productivity boom is not here (yet)”，2026年2月22日：这是今天这期新闻通讯的出发点。文章梳理了AI投资规模与宏观经济数据之间的落差。
- Yotzov, I., Barrero, J.M., Bloom, N. 等，“Firm Data on AI”，NBER Working Paper No. 34836，2026年2月：对四个国家6,000名高管的调查。这里有关于AI导入率相对于实际生产力、雇佣影响几乎为零的核心数据。
- Bick, A., Blandin, A. & Deming, D.，“The Rapid Adoption of Generative AI”，圣路易斯联储 Working Paper，2024年（2025年修订）：这项研究通过实时调查，展示了AI采用率与实际工作时间中使用比例之间的差距。
- Brynjolfsson, E., Rock, D. & Syverson, C.，“The Productivity J-Curve: How Intangibles Complement General Purpose Technologies”，American Economic Journal: Macroeconomics，13(1)，2021：这是J曲线框架的原始出处。文章解释了为什么通用技术导入初期生产率会下降。
- McElheran, K., Yang, M., Brynjolfsson, E. & Kroff, Z.，“The Rise of Industrial AI in America: Microfoundations of the Productivity J-curve(s)”，US Census Bureau Working Paper，2025：这项研究以实证方式验证了美国制造业现场AI导入初期生产率下降的模式。
- David, P.A.，“The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox”，The American Economic Review，80(2)，1990：这是首次比较分析电力与计算机生产率悖论的经典之作。仅凭这一篇论文，就能理解“为什么通用技术运作缓慢”。
- 耶鲁大学预算实验室（Budget Lab），“An AI Productivity Boom? Don’t Count Your (Productivity Data) Chickens”，2025：这篇分析很好地梳理了生产率数据中的噪音与测量问题。
- BCG，“AI at Work 2025: Momentum Builds, But Gaps Remain”，2025年6月：这份报告正是“硅制天花板”概念的出处，很好地展示了一线员工与管理层之间AI使用的差距。
作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。