AI新知（五）：人人都在用AI，为什么效率数据里什么都看不到？

1987年，诺贝尔经济学奖得主罗伯特·索洛说了一句著名的话："You can see the computer age everywhere but in the productivity statistics."（你可以在各处看到计算机时代，唯独在生产率统计数据中看不见。）

快进到2026年。把"计算机"换成"AI"，这句话依然成立。大模型遍地、企业AI采购井喷、人人用AI办公——但全球主要经济体的劳动生产率依旧低速增长，宏观数据里几乎找不到AI的贡献。

这是泡沫吗？未必。因为计算机当年经历了完全相同的阶段，而那次最终被证明不是泡沫。

计算机花了20年才兑现红利

70到90年代，美国企业IT投资暴涨，PC和信息化改造遍地开花。但整整20年间，劳动生产率不升反降。索洛的质疑就是在这个背景下提出的。

后来发生了什么？90年代中期，生产率突然起飞，年均增速超过2.5%。不是因为计算机突然变强了，而是因为企业终于完成了一件更难的事：围绕计算机重构了业务流程、供应链管理和组织架构。

计算机本身不产生红利。围绕计算机重组生产方式，才产生红利。中间那20年的"效率真空"，是学习、适应和组织再造的代价。

电力的教训：技术接入只是成本，要素重组才是利润

很多人以为蒸汽机和电力作为通用技术，红利是立竿见影的。其实不然。电力的生产率红利同样滞后了大约40年。早期的工厂只是简单地用电动机替换了蒸汽机——动力源换了，但多层厂房、围绕中央动力轴布局的生产线纹丝不动。本质上就是"旧流程套新动力"。

直到后来工厂布局从多层变为单层，生产线按工序而非动力源重新排布，电力的红利才真正爆发。

这给了我们一个更准确的判断框架：技术接入只是成本，只有当技术迫使空间、权力和流程重新排布时，才是利润。计算机如此，AI也如此。

AI正在重走这条老路，而且摩擦更大

当下AI的困境和计算机时代高度相似，某些方面甚至更严重。

表层辅助，不碰核心流程。绝大多数AI应用还停留在写文案、润色报告、简单数据分析这些边缘环节。企业的核心业务流程、决策机制、组织层级纹丝不动。AI缩短了"知"的时间，但组织尚未缩短"行"的路径——一个预测结果如果依然要经过层层审批、以周为单位的决策周期才能落地，那么预测的提速就被系统的摩擦力完全抵消了。

岗位惯性吞噬红利。一个很真实的现象：员工用AI省下的时间，并没有投入更高维度的创造，而是用来做更华美的PPT、写更冗长的报告——"精致的勤奋"替代了真正的效率提升。

内卷式效率抵消。单个员工用AI效率翻倍，但全员普及后，考核标准和工作负荷同步拉高。个体提速，整体内卷，宏观产出不增长。

统计体系天然失效。宏观生产率统计的是"产出除以工时"。当AI让原本1小时的工作在5分钟内完成，但剩下的55分钟被用来处理AI产生的大量碎片化信息——分子没变，分母也没变。AI优化决策质量、降低试错成本、压缩研发周期，这些全是长期、隐性、非标准化的价值，现行统计体系比对待计算机更难捕捉。

企业自身的会计处理也在加剧这种失真。多数企业把AI投入——API调用、模型训练、数据治理——计入当期费用，在损益表上直接体现为成本。但AI投入的本质更接近无形资产：它沉淀的是可复用的业务规则、决策模型和组织知识，价值会在未来多年持续释放。用期间费用的方式处理资产性投入，结果就是当期利润被压低，而未来的收益无处体现。财务报表上看到的是"AI花了很多钱但没产出"，但真实情况可能是"资产已经在积累，只是还没到兑现的时候"。

红利什么时候来

计算机的经验给了一个参考：从技术普及到生产率兑现，大约需要15到20年。中间不是技术在进步，而是组织在追赶技术。

AI的红利释放大概率也遵循同样的规律。但触发条件不是"模型更大更强"，而是企业完成三件事：

围绕AI重构业务流程。不是在旧流程上叠加AI工具，而是废除基于人力极限设计的旧流程，建立以AI自动触发为核心的协作模式。

重新定义决策权限。必须回答"谁为AI的决策负责"这个问题。如果AI没有决策权，它永远只是昂贵的打字机。

沉淀可复用的AI能力资产。每一次探索的成果——模型微调、业务规则、数据处理流程——都应该被组织积累下来，而不是每个项目从零开始。

这三件事和这个系列前几篇的逻辑完全一致。Abel的三原则讲的是"先想清楚AI改善了什么"，双轨制讲的是"用正确的方式管理不确定性"，本质上都在解决同一个问题：怎么让AI从"叠加在旧流程上的新工具"，变成"驱动要素重组的新生产方式"。

不是AI没用，是我们还没变

索洛悖论最终被证明不是悖论——计算机确实带来了巨大的效率提升，只是兑现的时间比所有人预期的都要长。电力也走过同样的弯路。

AI大概率也是同样的故事。人人都在用AI，但效率数据里什么都看不到——这不是因为AI是泡沫，而是因为我们还在用旧的方式使用一个新的东西。

真正的效率革命，不会发生在AI变得更强的那一天，而会发生在企业愿意为AI改变自己的那一天。

这是「AI新知」系列的第五篇。欢迎关注这个系列。