AI 生产力幻觉：个人提速为何没有转化为经济增长

四年过去，生成式 AI 让个人任务完成得更快，却没有在企业层面和宏观经济层面带来明显的生产率提升。Open Markets Institute 的 Matt Scherer 在最新发表的评论文章中，把这种落差称为「AI 生产力幻觉」，并尝试从经济学角度给出解释。

个人效率与经济效率的口径差异

文章开篇便区分了两层「生产力」：日常语境下的个人生产力，指的是单位时间内产出更多内容；而经济学意义上的全要素生产率（TFP），衡量的则是投入与产出之间的经济价值关系，二者更接近大规模投资回报率的概念。

• 个人层面的提速确实存在。不少经验研究显示，使用 AI 后，部分编码、写作任务的完成时间明显缩短。
• 但经济生产率还取决于产出质量、错误率以及整体投入产出比，速度只是其中一个变量。

这一区分与经济学家 Erik Brynjolfsson 提出的「生产力悖论」一脉相承。上世纪七八十年代，计算机与互联网在企业内部普及之前，宏观生产率统计同样长期停滞，直到组织流程被重塑，增长才真正显现。文章认为，AI 也可能正处在这个「重塑期」。

AI 自动化未能同步提升产出质量

文章借用《屋顶上的提琴手》中裁缝 Motel 拿到缝纫机的桥段说明：工业革命的自动化之所以带来巨大经济收益，关键不只是速度，更是稳定性与一致性——机器让纺织品「针脚更密更均匀」。

相比之下，生成式 AI 的输出质量并不稳定：

• 存在编造判例、误删代码库、给出错误诊断等严重错误；
• 专业人士往往需要花更多时间核查与修正，反而比亲自完成更费力。

文章比喻，这就像《幻想曲》中米老鼠指挥魔法扫帚做家务的场景——自动化带来混乱，结果得不偿失。在经济学框架下，速度提升被错误成本和返工成本抵消，净收益有限。

高昂的基础设施投入加重负担

除了输出端的质量问题，文章还从投入端提出质疑。AI 基础设施的建设已经耗费约 1.5 万亿美元，电力与冷却等持续性支出还在加速。要让 AI 在经济生产率口径下回本，自动化任务必须创造相当规模的价值。

• 软件工程、法律、医学等「知识工作」被视为最有潜力的落地领域；
• 但由于错误频发，这些领域目前更多是「人机协作」而非真正替代，整体投入产出比仍待验证。

「提速」并不等于「增效」

文章的核心观点是：AI 让人做得更快，并不自动意味着经济生产率的提升。当质量、可靠性和基础设施成本被纳入考量后，所谓的「10 倍效率提升」更多停留在个人感知层面，而非宏观数据层面。

• 个人叙事：用户感觉产出更多、更快；
• 经济现实：企业级与国家级的生产率统计尚无显著跃升。

文章并未否认 AI 的长期潜力，只是提醒：当评估一项技术对经济的影响时，速度只是起点，价值、错误与成本同样决定最终结果。在生成式 AI 进入第五个年头之际，这种冷静视角或许比「革命性突破」的叙事更值得产业与政策制定者倾听。