备用播放链接：https://pub-e2d65fa7f70240878f2e556592826485.r2.dev/headlines/ep032-ai-productivity-data.mp3

有一个关于人工智能的现象，现在越来越奇怪。

你问正在用人工智能的人，它有没有提高效率，很多人会毫不犹豫地说，有。

程序员说写代码快了。客服说处理问题快了。做报告、写邮件、整理资料的人，也经常觉得以前要一个小时的事情，现在二十分钟就能完成。

甚至已经有不少研究真的测到了这种提升。

一项研究跟踪了五千多名客服人员。接入生成式人工智能助手以后，他们平均每小时解决的问题数量提高了大约百分之十五。对经验比较少的员工，提升还要明显得多。

可是问题来了。

如果一家公司里的很多人都快了百分之十、百分之二十，甚至更多，为什么我们打开宏观经济数据，却很难看到一个同样明显的人工智能生产率奇迹？

难道大家只是觉得自己变快了，其实没有？

未必。

更可能的答案是，我们把三件完全不同的事情，都叫成了“生产率”。

第一件事，是一个任务做得更快。

比如以前写一封复杂邮件需要二十分钟，现在十分钟。以前写一段代码需要一个小时，现在四十分钟。

这是最容易感受到，也最容易在实验里测出来的效率提升。

第二件事，是一个完整的工作流程真的变快。

这就难得多。

因为一项工作通常不是只有一个任务。

程序员把代码写出来以后，还要测试、review、合并、部署，还要确认它真的解决了用户的问题。

人工智能可能把“写代码”这一环加速很多，但后面的测试、沟通、审批和产品决策，并不会自动一起变快。

二零二六年有一项研究看了超过十万名开发者。研究发现，随着人工智能编程工具越来越强，开发者的代码提交活动增长非常明显。到了更自动化的编程代理阶段，提交量的累计提升可以达到接近百分之一百八十。

听起来像是软件生产力爆炸了。

但继续往后看，差距就出现了。

项目数量的提升只剩大约百分之五十，真正发布出去的软件版本，提升进一步缩小到大约百分之三十。

也就是说，人工智能可以让代码产生得非常快，但“产生代码”和“把一个真正能用的产品交到用户手里”，不是同一件事。

这就是第一个原因：人工智能经常先加速局部，而经济价值取决于整条链条。

一条生产链里，只要还有几个环节没有加速，最后的总产出就不会按照最快那个环节一起增长。

这其实很好理解。

假设一家餐厅突然买了一台机器，让厨师切菜速度提高三倍。但点单速度没变，炉灶数量没变，服务员数量没变，顾客数量也没变。

切菜效率确实提高了三倍。

可是餐厅一天卖出的菜，不会因此变成三倍。

人工智能现在在很多公司里，很像那台突然变得极快的切菜机。

第二个原因，是省下来的时间，不一定马上变成更多产出。

一个员工原来一天花两个小时整理资料。人工智能帮他省下一个小时。

这个小时去了哪里？

可能拿去做更重要的工作。

也可能拿去开更多会。

可能让他多服务几个客户。

也可能只是让原来晚上七点才能完成的工作，下午六点完成。

对员工来说，这仍然是真实的效率提升，甚至可能是非常好的生活质量提升。

但在宏观统计里，如果公司的销售额没有增加，产品没有多卖，服务数量没有增加，这一个小时很难马上表现成生产率的大幅上升。

美国的一项全国性调查曾经发现，生成式人工智能在工作场景里的采用速度非常快。到二零二四年末，大约百分之二十三的就业者在此前一周里用过生成式人工智能处理工作。受访者报告的节省时间，折算下来大约相当于全部工作时间的百分之一点四。

百分之一点四不是零。

但它也提醒我们，从“某些任务快了百分之几十”，到“整个经济每小时多生产百分之几十”，中间隔着非常大的距离。

第三个原因更重要。

真正的大规模生产率提升，通常需要公司重新设计自己，而不只是给每个人装一个人工智能聊天窗口。

个人电脑刚进入办公室的时候，也发生过类似的事情。

公司可以买电脑很快，但要重新设计流程、改变岗位、培训员工、改软件系统、改变管理方式，需要很多年。

互联网也是一样。

一家传统零售企业不是装上浏览器，第二天就自动变成电商公司。

它要重新做仓储、物流、支付、库存、客服，甚至整个组织结构。

人工智能可能也是这种技术。

经济学里经常把这一类东西叫做通用目的技术。它真正产生巨大影响的时候，往往不是技术第一次出现的时候，而是围绕它的组织和流程终于重新搭起来的时候。

这也是为什么现在企业内部会出现一个很有意思的矛盾。

二零二六年，一项针对接近七百五十名企业高管的调查发现，超过一半的企业已经进行了人工智能投资。很多管理者也认为人工智能确实带来了生产率提升。

但研究人员发现，管理者感受到的提升，比企业财务和产出数据里已经能够测出来的提升更大。

这不一定意味着管理者在吹牛。

可能只是收益还在传导。

一个销售团队更快整理客户资料，不代表这个季度马上多签合同。

一个研发团队更快做原型，不代表产品马上上市。

一个员工因为人工智能少花很多时间处理低价值工作，也不代表公司立刻知道应该怎样利用这些省下来的时间。

所以今天关于人工智能生产率最容易犯的错误，是走向两个极端。

第一个极端是说，你看，我每天真的快了很多，所以人工智能马上就会让整个经济生产率暴涨。

第二个极端是说，你看，宏观数据还没有出现巨大变化，所以所谓人工智能效率提升都是幻觉。

这两个判断都太早。

现在更接近现实的情况可能是：微观提升是真的，宏观传导也是真的慢。

而且已经有一些宏观数据开始出现可能与人工智能一致的信号。经济合作与发展组织在二零二六年的生产率报告里提到，美国近期比较强的劳动生产率增长，以及部分服务行业的多因素生产率改善，可能已经是早期信号。

但他们用的词仍然非常谨慎：早期，而且只是可能。

因为宏观经济里同时还有疫情后的调整、资本投资、劳动力变化、产业结构变化等很多因素。我们不能看到生产率上升，就把功劳全部算给人工智能。

所以真正值得观察的，不是某个员工说自己每天省了多少分钟。

而是接下来企业会不会开始发生更深的变化。

比如同样一百个人，能不能持续服务更多客户。

产品从想法到上线的时间，能不能真的缩短。

收入增长的时候，员工数量是不是不需要同比例增长。

人工智能投入增加以后，利润率和自由现金流最终有没有改善。

以及最关键的一点：这些变化能不能从少数人工智能公司和科技企业，扩散到银行、制造业、零售、医疗、物流这些更大的经济部门。

如果这些事情开始同时发生，那么宏观数据里的人工智能生产率提升就会越来越难忽略。

如果没有，那么我们可能会发现一个更有意思的事实。

人工智能确实让很多人工作得更快了，但公司并没有因此自动学会创造更多价值。

技术可以帮你省下一小时。

真正困难的问题是，你拿这一小时做什么。