2022 年 11 月，ChatGPT 上线。2024 年，全球企业 AI 投资超过 2500 亿美元。2026 年，美国国家经济研究局（NBER）调查了 6000 名企业高管，结论是：近 90% 的企业表示，过去三年 AI 对就业或生产率未产生任何影响。

这不是某个环节出了问题。这是整个传导链条的结构性失灵。

微观热，宏观冷：一道算不平的账

先看微观证据，数字相当漂亮。

Noy 和 Zhang 在《Science》上发表的预注册实验：453 名受过高等教育的专业人士，使用 ChatGPT 后，写作任务完成时间下降 40%，质量提高 18%。

Brynjolfsson、Li 和 Raymond 在《Quarterly Journal of Economics》上追踪了 5172 名客服人员：AI 助手让每小时解决问题数平均提高 15%，最低技能组提升约 36%。

NBER 2026 年的工作论文追踪了十万多名 GitHub 开发者：从自动补全到自主代理，开发者提交活动累计提高约 180%。

再看宏观数据，几乎纹丝不动。

美国劳工统计局：2025 年私人非农商业部门全要素生产率增长 0.8%，劳动生产率增长 2.2%。2019 年第四季度到 2026 年第一季度，非农商业劳动生产率年均增长 2.1%——高于上一个商业周期的 1.5%，但这个差异能不能全算给 ChatGPT，谁敢认领，谁大概比 AI 还会幻觉。

阿波罗首席经济学家 Torsten Slok 的判断更直接：“无论是在就业数据、生产率数据还是通胀数据中，都看不到 AI 带来的实质变化。” 除了美股"七巨头"之外，AI 在利润率和盈利预期中也没有体现。

Gartner 的调查补了一刀：67% 的企业无法量化 AI 工具投资的 ROI。

这不是"AI 没用"，而是"AI 有用，但有用到不了该到的地方"。

这张图展示了效率从个人到宏观的传递路径：每一层都有"漏点"，180% 的代码提交增幅，到最终使用量只剩 5%。

瓶颈转移：不是消失了，是被堵住了

NBER 那篇追踪十万名开发者的论文，是理解这个悖论最有力的证据。

AI 自主代理让代码提交活动提高 180%。但沿着生产链继续往下看：项目数增长约 50%，正式发布增长约 30%，四大应用市场里的新应用增加了，总使用量却几乎没有增长。

有人说：写了更多代码，却没有人用，所以只是生产力幻觉。

这个判断有问题。

写代码提高 180%，最终发布只提高 30%，不是前面的 180% 凭空消失了，而是整套系统只允许一部分收益通过。 过去软件生产的一个瓶颈是写代码，AI 把这道瓶颈打穿以后，审查、集成、测试、发布、获客和需求变成了新瓶颈。

经济不是某个工位上的秒表，而是一串互相咬合的齿轮。单独把一只齿轮换成发动机，整台机器不会同步加速，甚至会因为上游向下游狂倒半成品而暂时堵死。

这就是为什么"买几个 ChatGPT 账号"不叫完成了 AI 改造。企业还要重写流程、整理数据、划定责任、改审批、培训员工、建立审查标准。成本先付，收益后到，中间还可能出现一段生产率下降。

BCG 2026 年 6 月的调查给出了另一个角度：74% 的一线员工已是 AI 常规用户，42% 表示每周节省了 8 小时以上。但同一份调查也发现，当员工使用不少于 4 种 AI 工具时，自评工作效率大幅下滑——员工称之为"AI 脑疲劳"。

更扎心的是验证成本。2026 年 3 月的一项调查：高管预估每周使用 AI 省下 4 小时 36 分钟，但花了 4 小时 20 分钟检查 AI 产出，净收益 16 分钟。普通员工省下 3 小时 36 分钟，验证花了 3 小时 21 分钟，净收益 15 分钟。

这不是 AI 不行。是组织没跟上。

索洛悖论 2.0：历史不会缺席，但总是迟到

1987 年，诺贝尔经济学奖得主罗伯特·索洛在《纽约时报书评》写下一句话：

“计算机带来的改变无处不在，但在生产率的数据统计上却没有体现。”

这句话被引用了近四十年。现在，计算机换成了大模型，那个"看不见"的问题依然还在。

但历史也给出了答案。

电力等了四十年。 爱迪生 1882 年在纽约建立第一家商业发电站，但美国制造业的电气化生产率红利要到 1920 年代才全面兑现。早期工厂装上电动机，起初只是把中央蒸汽机换掉，厂房仍按天花板传动轴和旧工序布置。真正的收益，要等到每台机器配置独立电机、厂房重新布局、管理和技能一起改变。

IT 等了二十四年。 1971 年微处理器问世，但美国全要素生产率增速从 1948-1973 年的 2.9% 降至 1973 年后的 1.1%。直到 1995-2005 年间，生产率才真正爆发，年均增速超过 2.5%。

经济学家 Paul David 把这个规律总结为"生产率 J 曲线"：通用技术刚进入企业时，训练、数据库、软件、流程和组织资本先消耗资源，许多无形投资还没被统计为产出；等互补资产长成，收益才逐渐兑现。

Brynjolfsson、Rock 和 Syverson 后来把这个理论正式化：信息技术只有和组织重构、新产品以及新服务一起出现时，生产率效果才显著。

那么 AI 走到哪里了？

美国人口普查局 2025 年 11 月至 2026 年 1 月的全国代表性调查：18% 的企业在某项业务职能中使用 AI，按就业人数加权为 32%。采用 AI 的企业中，57% 只把它用在三个或更少的业务职能里。

四年对于一款产品很长。对于全社会的资本存量、责任制度、数据系统、组织流程和劳动技能来说，实在谈不上很长。

GDP 失灵：一把伟大但对 AI 失效的尺子

还有一层问题容易被忽略：我们用来测量生产力的工具本身出了问题。

GDP 的设计哲学存在一个深层局限：它计量的是交换价值，而不是使用价值或消费者剩余。一件商品或服务，只有在市场上以货币价格成交，才能计入 GDP。

当 ChatGPT 基础版免费、谷歌搜索免费、维基百科免费，这些零价格的巨大价值在原理上就无法计入 GDP。AI 时代使这个缺口剧烈扩大。

美国经济分析局 2026 年做了一项实验性核算：把广告支持、营销支持的免费内容和 AI 服务纳入扩展账户后，2022-2025 年实际 GDP 年均增速会比官方口径高 0.22 个百分点。

0.22 个百分点听起来不大，但放在"纹丝不动"的叙事里，它意味着我们可能一直在用一把量不到 AI 的尺子，然后抱怨尺子上没有刻度。

这张图展示了 GDP 核算的盲区：企业买 GPU 的钱进了 GDP，但员工用 AI 省下的时间、免费工具带来的消费者剩余、流程重构的无形投资，全部逃出了统计视野。

恩格斯停顿：生产率上去了，体感为什么更差？

认可"AI 提高了生产率"，不等于认可"AI 让多数人过得更好"。

这两个判断不矛盾，甚至经常同时发生。

经济史学家 Robert Allen 汇总英国 1760-1913 年数据发现：19 世纪上半叶，单位劳动产出上升，真实工资却长期停滞；利润率翻了一倍，利润在国民收入中的份额扩大。直到 19 世纪中叶以后，资本积累赶上技术变化，工资才开始和生产率同步。

这段时期有个名字：恩格斯停顿（Engels’ Pause）。

机器确实更能生产了。工人的日子也确实没有立刻变好。

回到今天，一个文职人员用 Codex 十分钟干完八小时的任务，剩下时间摸鱼。如果单位没有增加产出，GDP 没怎么动；但他用更少劳动完成了同样工作，生产率提高了。如果单位发现这件事，把七小时五十分钟全部塞进新任务，产出可能上升，他的体感反而更差。如果单位干脆裁掉其他人，利润上升，失业者会觉得技术在倒退。

同一项技术收益，可以被分成闲暇、产出、利润与失业四种不同结果。 这取决于制度，不取决于生产率。

达拉斯联储 2026 年初的研究显示：22-25 岁、从事 AI 高暴露职业的年轻人就业率下降了 13%。J.P. Morgan 发现美国大学毕业生失业率升至 5.8%，四年多来最高，而且罕见地开始高于全体劳动力总失业率。

Block 金融支付公司 2026 年 2 月宣布裁员 40%，同期上调全年利润指引。60% 的人力完成了超过原有水平的产出。Pinterest、CrowdStrike、Chegg 相继出现类似模式。2025 年全年，美国至少有 5.5 万个岗位被明确归因于 AI 驱动的效率优化，是两年前的 12 倍。

这不是"AI 没用"。这是 AI 的收益正在被分配——只是分配的方向，不是多数人期待的那个。

真正的问题不是"有没有用"，而是"归谁"

知乎那个问题下面，有人写了一句话：“人既不能吃信息，也不能穿信息。”

这句话在 1866 年也成立。那一年跨大西洋电报接通，它既没有多种一公斤棉花，也没有让货轮跑得更快。但经济史学家 Claudia Steinwender 的研究显示：信息传递加快后，纽约与利物浦的棉花价差均值和波动都下降了，贸易增加，估算出的效率收益相当于出口价值的 8%。

"不能吃的信息"减少了错误发货、错误定价、无效等待和库存风险，最后改变的是实实在在的棉花贸易。

所以真正该追问的不是"人能不能吃信息"，而是：

谁拥有模型、数据与算力？谁决定节省下来的时间怎样分配？谁承担幻觉和失业的成本？我们能不能把局部提效变成更低价格、更短工时、更好的公共服务和多数人的真实收入？

如果这些问题没有答案，AI 可能提高生产率，却无法兑现为普遍繁荣。

那不是生产力幻觉。那是政治经济制度没有把生产力进步转化成人类生活的改善。

诺贝尔经济学奖得主 Daron Acemoglu 的谨慎估计是：未来十年 AI 给全要素生产率带来的提升不超过 0.66%。把难学习的任务算进去，可能低于 0.53%。

这和咨询公司的宣传差得很远。但"小于广告"不等于"等于幻觉"。

AI 已经在部分信息密集、目标明确、结果可核验的任务中提高了生产率。局部收益穿过企业流程时被人类瓶颈层层折损；有效需求决定企业是否扩产，竞争与劳动制度决定收益归谁，统计制度决定我们最后能看见多少。

四年不够。电力用了四十年，IT 用了二十四年。AI 正在"黑暗隧道"里，但隧道有出口——前提是，我们愿意在到达出口之前，先解决分配问题。