为什么 AI 没有让企业变得更高效

1987年，诺贝尔奖得主、经济学家罗伯特·索洛写道：“你到处都能看到计算机时代，唯独在生产率统计数据里看不到。”

今天的人工智能也可以这么说。

Gartner预测2026年全球人工智能支出将达到2.59万亿美元，较去年增长47%，而根据各种估算，美国至少占其中一半。

但在美国，经利用率调整的全要素生产率在截至2026年第一季度的四个季度中仅增长0.07%。按历史标准衡量，这几乎处于停滞状态，远低于ChatGPT出现前十年约0.5%的年均增速。

约95%的企业生成式人工智能试点项目对利润没有产生可衡量的影响。

本周发布的一份报告发现，即便是人工智能最响亮的支持者之一Meta，其用人工智能取代员工的计划也未能达标。

这十年的问题是：为什么？

一种观点：怪用户

匹兹堡大学商学院教授Mark Ma及其同事发布在SSRN上的一篇工作论文提出了一个宏大的论断：生产率缺口是由那些因担心饭碗而抵制人工智能的员工造成的。

在五年时间里，研究人员考察了数百万条Glassdoor评论、数千份财务报告、数百份美国上市公司的AI投资和裁员公告，以及约1万份财报电话会议记录。

他们发现，管理者与员工之间存在巨大分歧：管理者往往真心相信人工智能将带来超高生产率的承诺，而员工则担心人工智能驱动的生产率提升会让他们丢掉工作。

研究人员称，公司陷入了一个死亡循环：它们以生产率提升为由裁员。但对裁员的恐惧导致员工抵制这项技术，从而破坏了公司所指望的那些收益。高管们看到生产率没有提升，便得出结论：再多裁一些会有帮助。（鞭打会一直持续，直到士气好转……）

这是一个简洁的叙事。但只有一个问题——虽然这项研究的部分内容有可验证的数据支持，但有两个关键要素没有。该报告未能支持其假设，即对裁员的恐惧会导致员工抵制使用人工智能，也未能证明只要员工热情拥抱人工智能，生产率提升就会更高。

研究人员从未在其数据中确立因果关系。这只是一种相关性。（这并未阻止其他媒体将该关联报道为因果关系。）

（顺便说一句：我最喜欢的主播之一、经济学家Tyler Cowen本周提到了一项研究，该研究考察了194,631篇横截面社会科学论文，发现在标题或摘要中使用因果性语言的比例从2000年前稳定的20%上升到2024年的60%以上。未经证实的因果论断似乎成了社会科学界的一种时尚。）

我不认同员工消极怠工可以解释生产率增益缺失的说法，原因很简单：这说不通。

首先，认为普通员工普遍抵制 AI 的观点并不完全属实。许多人正在拥抱它。哥伦比亚商学院对 1,400 名美国员工进行的一项调查，被《哈佛商业评论》报道，发现 31% 的个体贡献者表示对采用 AI 充满热情。而许多不热情的人正被迫接受它。如今超过一半的美国员工使用 AI。

如果 AI 是生产力的重要驱动力，那么既然大约一半的美国员工报告在工作中使用它，企业现在总体上应该看到可衡量的收益。

另一个问题：那些认为 AI 可能夺走自己工作的员工，完全有动机不去回避它，而是 conspicuously 使用它，以表明自己支持公司的亲 AI 政策。

我认为更可能的解释涉及另一种完全不同的动态。

一个更好的想法：归咎于 AI 过载

过去，制作一份商业报告、提案、计划、幻灯片或预算所需的时间和麻烦，限制了这类文件的规模、复杂程度和频率。如今，借助 AI，人们可以在几分钟内批量产出极其复杂的商业沟通、想法和提案。

使用 AI 让生成此类文件的人超级高效。但随后它给所有其他人带来了负担，他们必须筛选这些文件，梳理出幻觉、问题和无关内容，并努力理解那些连所谓的创作者都没有花时间去理解的想法。

一个人的生产力就是其他人的信息过载，从而降低了公司的整体生产力。

“AI 可以让一个组织异常忙碌，却不一定让它更有生产力，”咨询公司 Acceligence 的 CEO Justin Greis 在我上面提到的关于 Meta 的报告中说道。

这种动态正在各处上演：

求职者可以用 AI 申请多得多的职位，给招聘经理带来负担并拖慢招聘流程。（LinkedIn 数据显示，自 2022 年春季以来，美国每个职位的申请量大约翻了一番。）本应让找工作更容易的 AI 实际上让它更难了。

AI 正在鼓励更多人在法庭上自我代理，同时也加快了律师的工作。麻省理工学院和南加州大学的研究人员 2026 年的一项研究，利用了 2005 年至 2026 年间提交的 450 万件联邦民事案件，对 1,600 份投诉的随机样本应用了 AI 文本检测器，发现包含 AI 生成文本的比例从 2023 年的 1% 上升到 2026 年初的 18%。这给法官带来了负担，他们现在必须梳理冗长复杂的文件，寻找对不存在案件的引用和其他幻觉，从而拖慢了司法。本应让法庭案件更快的 AI 却让它们更慢了。

学生越来越多地使用 AI 来写出更长的论文，而越来越多的教师报告依赖 AI 工具来跟上评分，在这个循环中，写作和阅读都在一定程度上自动化了。

那些相信这项技术能解决所有问题的 AI 狂热聊天机器人爱好者，是通过狭隘的个人视角来评判 AI。同样，分析师和 AI 公司看着一个人的生产力提升，推断到数千名员工身上，并错误地得出结论，认为这些收益会规模化，而没有考虑这些产出对他人生产力的影响。

理解大规模的问题

提高生产力的 AI 反而可能降低生产力，这个想法听起来自相矛盾，所以不妨考虑这个过于简化的思想实验。假设 AI 让你能写出比以前多三倍的邮件（比如每天 30 封而不是 10 封）。你的邮件写作生产力提高了两倍，让你对公司更有价值。

问题在于，你每多发一封邮件，它都会落入别人的收件箱。你的同事，过去每天收到你 10 封邮件，现在收到 30 封。把这种情况放大到整个组织：如果 10 个人把邮件产出提高两倍，团队每天就会收到 300 封邮件，而不是 100 封。如果 100 个人都这样做，这个数字就会膨胀到 3,000 封，阅读负担也变成三倍。让写邮件变得容易的 AI，却让其他所有人的读邮件变得困难。

当然，这种动态并不适用于 AI 的每一种用途、每一个行业或每一位员工。

但在宏观层面上，这显然正在发生。我相信你在自己的公司里也见过。这也有助于解释德勤所说的“投资上升与回报难觅的悖论”。

AI 并不“坏”。但对其短视和妄想的思考才是。

AI 就像工业革命以来几乎所有强大的技术一样：它奖励个人的行为，而这些行为 collectively 耗尽了共享资源（在这里，就是人的注意力）。

我们需要的，是对职场 AI 进行彻底重新设计。我们需要构建的工具，不是为了使用户个人更“高效”，而是为了让组织更高效，放大个人能力，同时不把不必要的工作甩给其他所有人。

AI 披露：本文 100% 由作者 Mike Elgan 人工撰写。部分研究、头脑风暴以及事实和语法检查使用了 AI 工具。