AI 生产力幻觉：效率承诺为何尚未变成经济产出

为什么“做得更快”不等于经济生产力

人们很容易把生成式 AI 看成革命性技术。大量工作都涉及写作，而 ChatGPT、Claude 和其他大型语言模型的写作速度远超任何人。除了大量“AI 让我的工作效率提高十倍”的个人感受，也有实证研究表明，人们借助 AI 可以更快完成编码等特定任务。既然它显然提高了很多人的工作速度，人们很自然会认为，它也必然提高整个经济的生产力。

但 ChatGPT 发布四年后，为什么这种提升仍没有清楚地出现在单个企业或宏观经济的生产力数据中？

一些人把这种脱节称为“生产力悖论”。经济学家埃里克·布林约尔松（Erik Brynjolfsson）借用罗伯特·索洛（Robert Solow）的观察，用这个概念描述 20 世纪 70 至 80 年代的现象：信息技术快速发展，整个经济的生产力统计却几乎没有变化。后来，企业围绕计算机和互联网重组组织与工作流，生产力增长才开始加快——尽管增幅仍不及工业革命时期和二战之后。布林约尔松等人认为，AI 也在经历同样的等待期；等企业完成面向 AI 的重组，增长就会出现。

但也许有一个更简单的解释：AI 让人工作得更快，并不等于它提高了真正重要的生产力。

日常对话中，一个人说自己更有“生产力”，通常是指用更少时间做出了更多东西：

图示解读：个人生产力等于产出数量除以投入的生产时间；在这个定义里，更快完成更多任务就意味着生产力提高。

但在决定一项技术如何影响企业和经济时，经济学所说的“全要素生产力”衡量的是投入与产出的经济价值，更接近大规模的投资回报率：

图示解读：经济生产力等于产出的经济价值除以生产这些产出所消耗投入的经济价值。速度和数量只是其中一部分，质量、成本和最终需求同样会改变结果。

两种含义当然有很大重叠。产出更多商品，通常能创造更多价值；减少完成任务所需的时间，也往往会降低投入成本。如果一项原本需要 20 小时、价值 500 美元的任务现在 10 小时就能完成，那么个人效率和经济生产力都可能翻倍。

但经济生产力并不只取决于数量和速度。个人感受到的效率提升，与一项技术对经济的真实影响，正是在这里开始分离。

质量会同时改变分子和分母

商品或服务的经济价值取决于质量，而不只是数量。工业革命首先改变纺织业，很大程度上是因为新机器自动化了多项生产任务，能在更短时间内制造更多衣物和纺织品；关键在于，自动化没有降低质量，很多时候反而改善了质量。

音乐剧《屋顶上的提琴手》提供了一个虚构却生动的例子。裁缝莫泰得到一台新缝纫机，兴奋地告诉邻居，它“工作速度快了一倍”；他举起布料，赞叹针脚紧密又均匀，宣称今后的衣服会因为机器制作而变得完美。

莫泰看中的不只是速度，还有机器的精确和可靠。无论缝纫机多快，如果它经常故障，做出的衬衫尺寸不对、多出第三只袖子，或到了顾客手里就散架，他很可能宁愿继续手工裁衣。

图注：文章借《幻想曲》中“魔法师的学徒”一幕比喻失控的自动化：本想让工具代劳，最后却要投入更多精力收拾残局。

生成式 AI 既抬高投入，也可能压低产出价值

先看经济生产力公式的分母。AI 基础设施建设已经投入约 1.5 万亿美元，未来一年支出预计还会增加，此外还有芯片供电和冷却等持续成本。要在经济生产力上实现收支平衡，AI 必须创造极其庞大的价值。

人们期待它通过自动化软件工程、法律和医学等“知识工作”来创造这些价值。但生成式 AI 会犯严重且难以彻底消除的错误，例如捏造判例、删除代码库，或写出错误的患者诊断。结果常常像《幻想曲》中的米奇让魔法扫帚代做家务：专业人士收拾 AI 留下的残局，可能比一开始自己完成任务还费力。

这种不可靠同时损害公式两端。分子方面，含有严重错误或质量低劣的输出，经济价值很低甚至为零；分母方面，只要严重错误仍经常发生，组织就必须投入大量时间做质量控制，增加成本。

常见假设是，这些错误现在已经很少，或很快会少到足以被产量增长抵消。但技术进步通常不是这样发生的。人们不断从一项具体技术中挤出改进时，往往会遇到收益递减，而不是永远保持指数增长。

AI 支持者喜欢说，今天的 AI 是你此生用过最差的 AI；但另一种可能是，今天的生成式 AI 已经接近它在这条技术路径上能够达到的上限。

可靠性提高，也不保证存在足够需求

即使生成式 AI 的可靠性问题奇迹般解决，它的输出也未必拥有足够经济价值，无法显著提高生产力。工业革命之所以具有变革性，是因为它让人们更容易获得真正需要、甚至迫切需要的衣物、食物、交通和建筑材料。需求极其庞大，因此即使生产过程并不完美，大幅增加产量仍会释放巨大价值。

生成式 AI 的产出也有同样强烈的需求吗？企业多年来一直在自动化、外包、数字化或取消办公室工作，许多容易摘取的果实早已被摘走。到目前为止，即便是在生成式 AI 被认为擅长的任务上，也几乎没有证据表明它正从剩余工作中创造大量新价值。

作者举出《金融时报》的一张图表：

图示解读：以 2024 年月均值为 100，智能体 AI 兴起后，iOS 应用发布量一路升至约 180；但获得显著使用量的应用数量没有同步增长，应用评论量反而走低。图表说明“生产出更多应用”并没有自动转化为用户采用和经济价值。

AI 让每月发布的应用数量几乎翻倍，但真正获得大量使用的应用总数已经开始下降。在应用开发中，仅仅制造更多东西并不会创造新价值。如果同样模式出现在其他白领领域，并不令人意外，因为生成式 AI 至今仍未形成与产量相称的采用率。

还要考虑另一股力量：生成式 AI 的一些有效用途，会严重损害别人的生产力。它擅长发起网络攻击，却不擅长编写阻止攻击所需的可靠安全代码，因此很可能降低网络安全人员的生产力。人们也会利用 AI 欺骗企业，让企业雇用并不能胜任工作的人。更隐蔽的是，低质量的 AI “工作废料”会充斥工作环境，浪费他人的时间，并增加识别合格成果的难度。

人们谈论幻觉和 AI 废料时，常把它们当作单纯的烦恼；但它们触及 AI 能否发动新工业革命的核心。生成式 AI 更快完成任务所带来的收益，可能被它通过不可靠性破坏经济价值的各种方式抵消，甚至完全淹没。

对于生成式 AI，也许根本不存在所谓“生产力悖论”，存在的只是生产力幻觉。

（正文二级标题为编者根据原文分隔与论证推进所加。）

思想框架

文章先区分个人效率与经济生产力：前者关注单位时间产出多少，后者计算产出价值与全部投入价值之比。随后它把生成式 AI 放进这套公式，逐层加入输出质量、基础设施成本、纠错负担、真实需求和负外部性。结论不是否认 AI 能让某些任务变快，而是指出“更快”只有在输出可靠、有人需要且没有把成本转嫁给他人时，才会转化为经济生产力。