AI 与生产力：微观提效显著，宏观增长另有其因

一篇来自 Stripe Economics 的最新分析指出，虽然多项学术研究证实 AI 工具在个体层面带来了显著的生产力增益，但这种微观效率提升尚未在国家层面的宏观生产力数据中清晰显现。文章给出的解释是：AI 当前主要加快了"内循环"任务速度，但尚未打通"外循环"中的瓶颈环节；而真正推高美国整体劳动生产率的，可能是 AI 投资浪潮带来的资本利用率上升。

微观层面：AI 提效证据充分

多项同行评议研究为 AI 的个体提效提供了量化证据：

• 客服人员使用 LLM 后，平均生产力提升约 14%（Brynjolfsson 等，2023）
• 写作者速度提升约 40%，且文本质量同步上升（Noy 与 Zhang，2023）
• 咨询顾问完成任务数增加 12%，单任务耗时减少 25%（Dell'Acqua 等，2023）
• 66 家企业的知识工作者每周减少约 2 小时邮件处理时间（Dillon 等，2025）

需要注意的是，上述研究大多基于早期版本的 LLM。随着模型能力提升和普及率上升，实际效应可能更强。

宏观层面：增长在加速，但 TFP 并未跟上

与此同时，美国整体劳动生产率在过去一年增长约 2.5%，明显高于过去二十年 1.6% 的年均水平。文章采用的 Markov 区制转换模型估计，美国进入"高生产率"区间的概率达 93%。

然而，全要素生产率（TFP）——即剔除资本与劳动投入增加后的"纯"技术与效率增长——在过去一年几乎为零，旧金山联储的估计亦是如此。同一模型给出美国进入"高 TFP 增长"区间的概率不足 20%。

这构成了文章的核心谜题：若 AI 真的在推动生产力，理论上 TFP 应同步加速，但事实并非如此。

行业数据：高 AI 采用行业本就增长更快

进一步将人口普查局 BTOS 调查中的 AI 采用率，与芝加哥联储的行业级劳动生产率进行对照后可以看到：

• 当前的 AI 采用率与近期生产力增长呈温和正相关
• 但 2016–2019 年（即生成式 AI 出现之前），同一批高 AI 采用行业就已表现出更强的生产力增长
• 剥离前期趋势后，AI 采用率与近期生产力增长的残差相关几乎为零

换言之，今天 AI 采用率高的行业，本就是疫情前增长较快的行业。这一发现削弱了"AI 正在推动行业层面生产力"的直接叙事。

一种解释：AI 解锁了内循环，但外循环仍是瓶颈

那么，微观提效为何没有反映到宏观层面？文章援引两条研究线索给出一种可能答案：AI 能加速"有界任务"，但未必能松解决定最终产出的下游约束。

• 韩国央行经济学家发现，生成式 AI 使每周工时减少约 3.8%（约 1.5 小时），但只有当员工拥有自主权或重新分配时间的激励时，时间节省才能转化为产出（Suh 等，2026）
• 软件领域研究显示，AI 编码工具大幅提升了 commit 与代码量，但收益沿"拉取请求 → 项目 → 发布版本"逐级递减，因为评审、集成、测试、发布、分发、用户采纳仍是人类主导的瓶颈环节（Demirer 等，2026）

简言之，AI 在企业尚未完成工作流、激励与配套流程改造前，更多创造的是任务级效率，而非聚合生产力。

真正推高宏观劳动生产率的，可能是资本利用率

文章给出的判断是：当前推升美国整体劳动生产率的，可能不是微观层面的 AI 提效，而是资本密集度与利用率的上升——即用更饱和的方式运行既有资本。

具体表现包括：让既有工厂开工更久、提高已部署服务器机架与 GPU 集群的利用率、提升现有酒店客房入住率。经济学家把这种效应称为"资本密集度"或"利用率"。文章认为，更高的资本利用率本身就足以解释美国近期的劳动生产率反弹，而无需把功劳归于 AI 自身的微观提效。

余下的关键问题

资本利用率上升通常具有阶段性：随着产能被拉满、利用率回归正常，这一波生产率红利可能回落。文章的 Markov 模型虽判定美国已进入高生产率区间，但难以预判该区间会持续多久。AI 微观提效能否在未来几年内转化为宏观生产力，最终仍取决于企业能否真正重构工作流、打通从任务到产出的"外循环"。