同顺号-创作平台

　　英国《金融时报》（Financial Times）最近发了一篇评论文章，主题很直接：AI带来的生产力“起飞”，可能终于能在宏观统计里看见了。

　　文章作者是埃里克·布林约尔松（Erik Brynjolfsson），他是斯坦福大学数字经济实验室主任，也是一家研究AI与组织效率的公司Workhelix的联合创始人，既站在学术研究的一线，也能看到企业真实的AI落地情况。

　　在这篇文章里，他抛出的核心判断是：美国可能正在从“AI投入期”跨入“AI收获期”。他引用最新经济数据指出，过去那种“到处都在谈AI，但生产率数据看不到”的局面，正在发生变化。

　　更具体地说，他基于更新后的数据预测，美国2025年的生产率增速大约会达到2.7%，几乎是过去十年1.4%年均水平两倍。如果这一趋势站稳脚跟，意味着：AI不再只是PPT里的故事，开始变成GDP里可被计量的效率提升。

　　宏观数据给出的信号：产出没掉，但用工少了

　　布林约尔松先从一个“反直觉”的宏观修正说起：美国劳工统计局的基准修订显示，总薪资就业人数增长被向下修正约40.3万个岗位。同时，美国经济产出并没有走弱，实际GDP仍然强劲，四季度增速达到3.7%。

　　他把这种“产出高、投入的劳动却更少”的组合，称为生产率增长的典型特征，并直接写道：“This decoupling — maintaining high output with significantly lower labour input — is the hallmark of productivity growth.”即：同样甚至更多的活儿，用更少的人做完了，生产率自然会上去。

　　不过，作者也提醒不要过度兴奋，因为生产率数据本来就“爱波动”，短期读数容易受统计修订与周期因素影响，“仍需更多时期验证”。

　　对此，像MIT经济学家达龙·阿西莫格鲁（Daron Acemoglu）就曾在公开研究中偏谨慎地指出：AI对总体生产率的影响，取决于它能否在足够多的任务上真正替代或增强劳动，而不仅是“点状提效”。

　　“J曲线”解释了为什么现在才显现：先栽树，再结果

　　布林约尔松把AI的扩散路径，放进一个更长的技术史框架里。他提到经济学界长期纠结一个现代版“索洛悖论”（Solow Paradox）。

　　并用一句原文概括这种尴尬：“we have seen artificial intelligence everywhere except in the productivity statistics.”也就是：AI无处不在，但统计里的生产率就是不动。

　　他给出的解释是“生产力J曲线”。许多通用技术，从蒸汽机到计算机，都不会一装上就立刻抬升生产率，而是要经历一个“投入期”。

　　企业要重组流程、培训员工、重做业务模式，这些投入很多是无形资本，短期还可能把“可测量的生产率”压下去。等组织改造完成，才进入“收获期”，效率才会在数据里体现。

　　经济史学者Paul David研究过电气化时代的“生产率滞后”，发现工厂把蒸汽动力换成电动机后，真正的大幅提效往往要等到厂房布局、工序组织、管理方式一起重构完成才出现。AI今天遭遇的“先改造组织，再看到统计回报”，本质上是同一套逻辑。

　　微观层面正在变：初级招聘降16%，但“强力用户”在压缩工期

　　除了宏观数据，作者还给出微观证据。他与合作者Bharat Chandar、Ruyu Chen的研究发现：在“AI暴露度高”的行业里，入门级岗位招聘降温明显，初级岗位招聘大约下降16%。

　　但另一方面，那些用AI来增强技能的人，就业反而在增长。作者的解读是：企业已经开始把AI用于部分“可编码、标准化”的初级任务。

　　作者还区分了“潜力”和“已实现收益”。很多公司目前只把生成式AI用在翻译、摘要等轻量场景，他用一个很尖锐的说法形容这种用法是“glorified dictionary”（“高级词典”）。

　　而在他公司观察到的一小撮“强力用户”那里，AI代理（agents）已经能通过交互式对话自动化端到端流程，比如直接生成完整营销方案，把“几周工作压缩到几小时”。他强调企业真正的难点在于：不仅仅是获得技术，而是如何运用技术。

　　从外部研究看，这种“少数人先吃到红利”的现象并不意外。麦肯锡在多份行业报告中都强调：生成式AI的价值释放，很大部分取决于流程再造与人员再培训，而不是简单买工具。

　　从试验走向结构性效用：接下来拼的是组织能力与宏观环境

　　布林约尔松在文末给出一个更强的趋势判断：“We are transitioning from an era of AI experimentation to one of structural utility.”意思是，AI正在从“试试看、玩一玩”的阶段，进入能稳定提供价值的阶段。对企业而言，下一步竞争焦点会从“有没有模型”转向“能不能把模型嵌进业务骨架”。

　　那企业具体该做什么？结合作者观点，可以归纳成三件事：第一，别停留在“高级词典”，要把AI嵌入端到端流程，让它参与交付而非只做辅助；第二，把培训目标从“会用工具”升级为“会用AI重做工作法”，让平均员工能力被AI拉升；第三，用数据与指标追踪收益，避免热闹一阵后难以复盘、无法规模化。

　　同时，他也提醒外部风险可能抵消效率收益，包括“地缘政治贸易战”以及财政、货币政策误判等宏观逆风。保持中立地看，技术进步与宏观治理是两条线：前者提供可能性，后者决定能否顺利兑现。

　　风险提示及免责条款

　　市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。