千亿美元砸向AI为何未能提升生产率？AI时代求解“生产率悖论”

在技术大爆发的时代，社会和企业的整体生产率何时才能出现明显增长？

美国国家经济研究局（NBER）在今年一份超大规模企业AI使用调查中，询问了美国、英国、德国和澳大利亚近6000名高管。结果显示，尽管七成受访企业已在不同程度上使用了AI，但超过80%的高管表示，过去三年内AI对其企业的就业水平和生产率均未产生可衡量的影响。

这并非一个全新现象。1987年，诺贝尔经济学奖得主索洛（Robert Solow）在一篇评论文章中写下那句名言：“你能在任何地方看到计算机时代，唯独在生产率统计数据里看不到。”这在后来被称为“索洛悖论”，即“生产率悖论”。

如今，这个悖论正在AI领域重演。风险咨询公司达信（Marsh）今年发布的《人力风险2026》报告调查了全球26个市场、逾4500名企业人力与风险管理专业人士，报告认为，比起数据泄露、幻觉等常被关注的AI风险，一个更大的威胁在于未能将AI投入转化为实质性的生产率提升。

对于这背后的原因，世界经济论坛人工智能卓越中心（CAIE）人工智能应用与影响力负责人巴索（Maria Basso）在接受第一财经记者采访时解释道：“核心问题并非出在技术本身。对于许多应用和落地场景而言，技术已经足够成熟了。问题更多出在领导力、人才和流程上。”

“问题不在技术本身”

调查显示，一方面，AI在实际运营层面的渗透程度可能远低于账面上的投入数字。NBER发现，尽管三分之二的高管表示自己会使用AI工具，但他们平均每周使用AI的时间仅为1.5小时；还有四分之一的受访高管完全不用AI。

在达信报告中，“对AI缺乏信心和采纳AI的心态障碍”在高管层的风险排名中位列第三。受访者中，40%将“对AI投入但未配套员工培训和再培训”列为最担忧的问题，另有38%担心HR部门对AI知识的匮乏正在阻碍人力转型。

另一方面，问题可能出现在技术与组织流程的错位中。达信在报告中写道，当前多数企业的失误在于，“将AI视为可以安装在现有岗位和流程上的附件，从而只带来边际效率提升，而不是实质性改变”。

达信中国区首席执行官、美世中国区总裁李兆琦（Catherine Li）对第一财经记者表示：“当落后的生产关系匹配不上先进的生产力时，新技术的优势是发挥不出来的。如果员工原本只会赶马车，现在直接给他一辆汽车，一切都必须重新来过。企业一上来不能只想着削减成本，而是要先明确员工是否愿意转型，并重新搞定分工与流程，将岗位重塑（Reskill）落到实处。”

她解释称，在没有AI的传统时代，最初的岗位设计默认所有工作要素都需要由人类、甚至多个人协同完成。因此，除非重新梳理所有工作流程和岗位，明确划分出AI和人类的职责边界，否则直接用AI替换人力的流程无法运转。

李兆琦以产品经理为例称，未来这一工种的任务可能会被拆分，机械性的总结工作交给AI，但涉及核心的商业判断，即便AI能够给出清晰的条理分析，最终选择“信还是不信”的决策责任，依然在人。在岗位重组和技术成熟度完美匹配之前，技术带来的红利无法全面释放。

另外，麻省理工学院2025年8月的一份研究发现，企业AI项目的失败率据报道高达95%。究其原因，巴索表示称：“很多企业都在做试点项目，他们虽然在推进，但这些项目都孤立在各自特定的业务职能内部。这些处于试点阶段的流程彼此割裂、互不相通，企业无法以此进行资本化沉淀，也无法在彼此之上叠加并创造价值。”

重构工作与岗位角色

世界经济论坛6月发布的《AI优先操作系统：运营与商业模式创新蓝图》针对上述错位给出了系统性回应。报告发现，尽管2025年全球在人工智能领域的投资已超过2500亿美元，但仅有25%的企业认为AI对其产生了颠覆性的变革影响。在报告看来，问题恰恰在于多数组织把AI“嫁接”到既有流程之上，而没有围绕“智能”去重新构筑整个运营模式。

报告由此提出“AI优先”的理念，即系统性地重塑工作流、岗位角色和决策权，使AI成为大规模创造和交付价值的战略杠杆。巴索称，“AI优先”并非指AI比人更重要，而是必须首先考虑如何最大限度利用AI优势。

巴索对第一财经介绍称，报告发现，那些在AI应用中做得好的企业普遍构建了一套被称为“智能引擎”的核心数据架构。“这是公司的核心，所有业务流程的数据都围绕着这个智能引擎进行连接。他们的所有工作流都是自动化且互联的，并形成反哺：他们从智能引擎中获取信息，同时在处理完这些信息后又将其输送回去，形成一个持续的价值创造闭环。”她解释称。

此外，这些企业还拥有可扩展、自适应的技术栈。巴索表示：“因为没人知道未来的技术栈会变成什么样，所以他们从设计之初就使其易于适配和更改。在此基础之上，他们能够清晰地了解应该将人才安排在哪些最合理的岗位上。”

李兆琦也表示，要真正发挥技术的作用，组织层面必须做出改变，推行全员学习，并进行组织建制、分工流程的重新梳理。达信在报告中强调了“工作再设计”的概念，即将职位分解为具体任务，逐一评估哪些可以被AI替代、辅助或优化，再据此重新定义人与AI各自的角色边界。

“对于传统公司来说，做出这样的改变绝非易事。”巴索表示，“要做到这一点，不仅要调整技术层面，还必须改变组织架构。领导层必须作出改变，而有时管理层在这些决策中往往牵涉既得利益。因此，大型企业要发生这种彻底的转型是极具挑战性的。相比之下，规模较小的初创企业做起来就非常容易，他们也正是目前成功将技术效益最大化的群体。”

谈及当前企业面临的“AI投入焦虑”，李兆琦称，任何新工具和新流程的采用都需要时间来沉淀。“技术本身已经就绪，但一个组织如何吸收和应用它，绝非一刀切的问题，”李兆琦比喻道，这就像拿到一辆新车，企业必须先去熟悉它，经历从“小步尝试”到“大步奔跑”的调适期，“不可能今天投入技术，明天就立刻看到生产力的飞跃。”

斯坦福大学经济学家布鲁姆（Nicholas Bloom）也持有类似观点。他发现，与计算机和互联网等传统技术的演进规律大相径庭的是，AI并非先在工作场所普及、再逐步渗透进千家万户，“人们在工作之外使用 AI 的频率，实际上超过了在工作场景中的使用”。其次，小型企业和自雇人士对 AI 的采用速度明显快于大型企业。

布鲁姆表示，就经济学中的“J曲线”而言，重大技术通常需要10年以上的时间沉淀，才能在宏观层面上产生实质性影响。“历史经验来看，蒸汽机、电动机、计算机和互联网在长期来看都产生了颠覆性的效果，但在问世的前5年里，对宏观经济几乎没有留下任何印记。”他表示，但许多人预测，生成式AI将打破历史惯性，在5年内迅速释放出近期的爆发性红利。