AI 真实生产力研究：省时易，变现难

经济学家 Anders Humlum 和 Emilie Vestergaard 的一项研究，将覆盖约 25,000 名丹麦工人、7,000 个工作场所的 AI 使用调查，与实际工资记录进行匹配。结果显示，AI 确实节省了约 2.8% 的工作时间，相当于每周一小时；但在所有职业中，它对收入或工时没有产生显著影响，节省的时间只有 3% 到 7% 流向了工资单。这与实验室和演示场景中 15%、40%、甚至 55% 的提速形成了鲜明对比——两者都是真的，只是衡量的对象不同。

实验室里的「火箭」

在受控的短时任务中，AI 的表现确实亮眼：

• 在针对 453 名职场人士的随机实验中，使用 ChatGPT 完成中等难度的写作任务（新闻稿、短报告、敏感邮件）使时间减少 40%，评分质量提升 18%。
• 在对 5,179 名客服人员的实地研究中，AI 助手使每小时解决的工单数平均提升 14%，对新员工的提升幅度约为 34%。

这些数据真实、可重复、可度量。如果工作内容是结构化、文本密集、高重复的，使用 AI 是值得的，提速并非炒作。

现实中的「小火苗」

实验室衡量的是单个任务，现实工作却是一堆会议、上下文切换、AI 帮不上忙的杂事，以及核验 AI 产出的额外开销。丹麦的工资数据显示，原本 15%–40% 的任务级提速，被稀释到总工时的约 2.8%。这不是对实验室研究的否定，而是大任务收益在真实岗位中被稀释后的样子。

失灵的边界

AI 的能力分布并不平滑，越界代价很高。哈佛与 BCG 对 758 名咨询顾问的实验显示：在 AI 擅长的任务中，使用 GPT-4 的人多完成 12.2% 的任务、提速 25.1%、质量评分高出 40% 以上；但当任务被刻意设计为「刚刚踩在 AI 能力圈之外」时，使用 AI 的人比不使用的人达到正确答案的比例低了 19 个百分点。AI 不会告诉你它已经越界，它会一如既往地自信地回答错误，而纠正一个自信的错误，往往比省下一个正确答案更费时。

钱去哪儿了

时间被省下来了，但并未变成钱。从企业层面看，MIT 2025 年发布的 Project NANDA 报告指出，尽管企业支出达到 300–400 亿美元，仍有 95% 的组织回报为零，绝大多数试点未能体现在损益表上，只有 5% 真正拿到了价值。从宏观经济看，MIT 经济学家 Daron Acemoglu 估计，AI 在十年内对全要素生产率的提升不超过约 0.66%，更可能低于 0.53%——相比银行曾预测的每年 1.5%–3%，几乎可以忽略不计。

模式在每个尺度上重复：任务级有真实收益，岗位级收益缩水，到了工资和损益表层面几乎归零。时间确实被省下，只是没有被「接住」。

如何让收益落袋

研究本身并不否定 AI 的价值，而是把价值描述为真实、有限、易流失。要把它变成钱，需要刻意去做：

• 把 AI 用在它真正擅长的任务：初稿、摘要、结构化写作、客服回复、模板化产出。
• 别让它碰那些会悄悄翻车的任务；越界后多花的核对成本，常常吃掉省下的时间。
• 把单点提速叠加在高量、可重复的工作流上，否则它会被工作总量摊薄到可忽略。
• 主动把省下的时间「接住」：开发票、多交付一个客户、砍掉一项成本，否则它会回流到一天的工作里。
• 不要指望 AI 自动抬高薪酬或利润率。研究给出的结论很直接：收益流向主动接住它的人，而目前多数人并没有。