文/陳永偉

過去幾年中，人工智能（ArtificialIntelligence，以下簡稱AI）技術日新月異，幾乎每一天都有新的AI模型或應用誕生。與此同時，圍繞AI的各種敘事也可謂氣勢磅礴。諸如“AI是新的電力”“AI是新的互聯網”“AI是‘第四次工業革命’”這樣的言論幾乎不絕于耳。無論是企業年會、學術論壇，還是資本市場的推介材料，人們談起AI時幾乎都帶著一種近乎宗教般的熱情；而在企業界，“AI即將全面改造企業”幾乎成為了一種共識。

然而，不久前，麻省理工學院（MassachusettsInstituteofTechnology，以下簡稱MIT）“互聯智能體和去中心化 AI”（NetworkedAgentsandDecentralizedAI，以下簡稱NANDA）項目組的一份報告卻給當前的AI熱潑下了一盆冷水。根據這份名為《商業領域AI使用狀況》（StateofAIinBusiness）的報告，盡管目前80%以上的企業已經嘗試使用生成式AI，約40%的企業訂閱了生成式AI服務，但只有約5%的試點真正進入生產階段并帶來了實質性的價值，其余95%的項目則未產生任何可見的回報。換言之，已經切切實實嘗到AI甜頭的企業僅是少數，絕大多數企業則陷于“高采用、低轉型”的泥潭。報告的作者將這種現狀命名為“AI鴻溝”。

乍看之下，MIT報告的結論令人頗感意外，但其實，目前AI經濟學領域的許多研究成果都可以與之相互印證。比如，2024年諾貝爾經濟學獎得主、MIT經濟系教授達龍·阿西莫格魯（DaronAcemoglu）曾對AI在宏觀層面上對全要素生產率（TotalFactorProductivity，簡稱TFP）的影響進行過研究。根據他的估算，AI在10年內引發的TFP提升比率大約為0.66%，平均到每年僅為0.066%，可以說是微乎其微。而著名增長問題專家菲利普·阿吉翁（PhilippeAghion）的一項估算則表明，AI每年對經濟增長率的貢獻大約在0.8%到1.3%之間，其影響也不算顯著。

上述研究是否說明AI其實并不像人們想象的那樣有用呢？答案當然是否定的。實際上，MIT的報告指出，AI雖然尚未在宏觀層面表現出對生產率的顯著提升，但卻在個人層面悄然引發了一場效率革命，構建了一個“影子AI經濟”。報告顯示，在所調查的企業中，有超過九成的員工已經通過個人賬戶頻繁調用ChatGPT、Claude等工具，并借助它們來完成日常寫作、翻譯、檢索、編程等工作。而且，AI工具的使用確實顯著提升了他們的個體工作效率。

那么，AI這項炙手可熱的技術，似乎并沒有在企業以及更為宏觀的層面帶來顯著的生產率提升？制約AI影響發揮的因素究竟有哪些？要讓AI的發展真正成為推動生產率提升的有效手段，又究竟需要做好哪些工作？對于所有這些問題，且讓我們一一說來。

一、作為通用目的技術的AI

在漫長的歷史長河中，人類曾發明過無數的技術。然而，不同技術對經濟和社會產生的影響卻截然不同。其中，一些技術可能推動人類社會發生根本性的變化，而另一些技術則只會在某個狹小的領域起到作用。

在所有技術中，對經濟社會影響最大的，是“通用目的技術”（GeneralPurposeTechnologies，以下簡稱GPT）。顧名思義，這類技術的應用范圍通常十分廣泛，對經濟具有整體性影響。根據學者們的總結，這類技術具有三個重要特點：一是普遍適用性（Pervasiveness），即這類技術的應用范圍應十分廣闊，而不應局限于某幾個特定領域；二是進步性（Improvement），即通過持續的創新和學習，這類技術的表現會隨著時間推移不斷改進；三是創新孕育性（InnovationSpawning），即這類技術的創新會引發相關應用技術的創新，從而提升這些部門的生產率，反過來，應用部門的技術進步又會促進通用目的技術自身的改進，由此形成一個正向的反饋循環。

經濟史學家肯尼斯·卡洛（KennethCarlaw）和理查德·里普賽（RichardLipsey）曾依據上述標準，對人類歷史上的數千種技術進行甄別，結果發現，僅有二十余種技術可以被稱為“通用目的技術”。在這二十余種技術中，就包括蒸汽機、電力、內燃機等支撐前幾輪工業革命的關鍵技術。

值得一提的是，盡管“通用目的技術”對經濟和社會發展起著關鍵推動作用，但通常來說，技術產生與其影響顯現之間會存在一段時間間隔。比如，電力技術剛被發明時，對整個社會的影響微乎其微，直到40多年后，它的力量才真正展現出來。又如，互聯網應用初期，其影響也十分有限。當時，2008年諾貝爾經濟學獎得主保羅·克魯格曼（PaulKrugman）甚至斷言，互聯網的作用不會超過傳真機。直到十多年后，互聯網對生產的影響才逐漸顯現，克魯格曼的質疑也隨之不攻自破。

為什么“通用目的技術”的影響往往會滯后顯現？最常見的解釋是：技術的擴散與相關基礎設施的建設需要時間。“通用目的技術”的重要性并不在于它在某些特定場合可以展現巨大力量，而在于它能被全社會廣泛使用。這個特點決定了它必須充分擴散才能發揮影響，而要實現這一點，就必須有相應的基礎設施加以支撐。

以電力技術為例，早在18世紀中期，人們就在電學方面取得了一系列成就。1866年，第一臺發電機就已問世。然而，在此后近半個世紀中，電力對經濟社會的影響仍非常有限。直到20世紀初，隨著大量發電站的建立和大面積輸電網絡的鋪設，電力才真正“飛入尋常百姓家”，其對經濟和社會的影響才逐步顯現。

通過簡單比照，我們不難發現，AI可以被視為一種全新的“通用目的技術”。從這個角度看，AI技術當前在微觀上表現卓越、在宏觀上影響較小的現象似乎是可以理解的。畢竟，從AI這門學科出現至今，不過半個多世紀；而如果從“深度學習革命”算起，也僅有區區十幾年。按照“通用目的技術”的一般特征，它還未到充分彰顯其力量的時候。

乍看之下，上述說法似乎自圓其說。但若進一步分析，就會發現它其實還存在一個致命的缺陷。正如前文所述，人們通常認為，制約“通用目的技術”充分發揮影響的兩種因素是技術的普及程度和基礎設施的建設程度。那么，在當前AI技術的發展過程中，是否也受到了這兩種因素的掣肘呢？答案顯然是否定的。

先看普及率。如前所述，目前大多數企業已經嘗試過AI，并有相當一部分企業專門訂閱了AI產品。如果僅看普及率，那么現在的AI早已超過了產生顯著影響的臨界點。

再看基礎設施的建設狀況。盡管從理論上說，服務器和數據中心的數量永遠也趕不上人們日益增長的AI性能需求，但若從滿足基本AI應用的角度看，當下社會的基礎設施已然綽綽有余。更何況，那些進行AI轉型的企業，通常也會投入大量資金用于專門的基礎設施建設。因此，“基礎設施不足”這個理由似乎也難以用來解釋當前AI在宏觀層面表現不彰的現象。

要理解“生成式AI鴻溝”，乃至更廣義上的“AI鴻溝”的存在，我們必須尋求更新的解釋。

二、AI是怎樣提升生產率的？

那么，“AI鴻溝”究竟為何存在？為探討這一問題，我們必須先理解AI可能通過哪些機制提升生產率。目前文獻中主要有兩種流行理論：“預測機器”（PredictionMachine）與“自動化”（Au－tomation）。前者解釋傳統“分析式AI”的增效機制，后者適用于“分析式AI”與“生成式AI”。

先看“預測機器”理論，由AI經濟學家阿格拉瓦爾（AjayAgrawal）、甘斯（JoshuaGans）和戈德法布（AviGold－farb）提出。該理論認為，AI最核心的經濟價值在于顯著降低預測成本。

所謂預測，是“利用已知信息生成對世界狀態的認識”。現實中，人們面對各種不確定性，這些不確定性會對生產生活構成干擾。比如，工廠在投產前需投入固定成本形成產能，而此時尚不清楚市場真實需求，只能基于經驗和數據進行預測。預測準確，產能與需求匹配，企業可能盈利；若預測失誤，則可能蒙受損失。過去，企業在預測上需投入大量資源，如調研、專家分析等，以提高準確性。AI的出現大幅降低了這些成本，企業可借助機器學習更精準地預測未來情境，既節省費用，也減少誤判風險。

但僅有預測并不足夠，完整的決策還包括“判斷”。在該理論中，判斷指對特定行為后果的估算。

以銀行放貸為例，員工根據職業、收入、信用評分等信息評估違約概率，此為預測。AI可提升這一效率。但是否批準貸款，還涉及違約損失、客戶關系影響等隱性因素，需綜合判斷何種選擇更有利。這類判斷往往涉及難以量化的因素，AI難以完全勝任。

因此，阿格拉瓦爾等人指出，企業若要借助AI實現轉型，必須同步變革組織結構與激勵機制，實現預測與判斷的協同。現實中，AI的普及使各部門具備原本僅限特定團隊的預測能力，具備提出判斷的基礎。這為效率提升提供了潛力。但若缺乏明確承接機制，如標準化流程、分級授權等，AI的預測可能停留在報告層面，難以轉化為行動。

再來看“自動化”理論。該理論代表人物包括阿西莫格魯（DaronAce－moglu）及其MIT同事。AI在該理論中被視為廣義自動化技術，其作用是替代人類完成部分任務，通過兩種機制提升生產率：一是接管低價值但耗時的任務，提高其效率；二是促進人力再分配。例如，某員工兼具策劃與文案能力，因文案更強被安排為文秘；AI替代文案后，該員工可轉任策劃，從而在不增加人力的前提下，同步提升兩項職能效率。

根據該理論，要顯著提升生產率，需滿足兩個條件：第一，AI所替代的任務本身需存在效率改進空間。若任務已高效，AI的邊際收益有限；第二，AI引發的人力再配置必須是良性的。只有如此，生產率提升才能從局部擴展至整體，否則可能只是優化局部而宏觀效率無增。

三、AI鴻溝究竟是怎樣產生的？

在理解了AI影響生產率的機制之后，我們可以進一步對“AI鴻溝”的產生原因進行系統分析。總體上看，導致“AI鴻溝”的原因可分為技術性和非技術性兩類。

先看技術性原因。在實踐中，至少存在三個主要障礙，導致AI轉型效果不明顯。第一個是企業業務和數據的專用性。無論是“分析式AI”還是“生成式AI”，要讓模型表現出色，都需要大量優質數據。但現實中，不同行業、企業的業務結構差異巨大，且出于商業機密保護，企業間很少共享數據，給AI模型訓練帶來很大障礙。即便企業經營者看到同行通過AI轉型實現效率躍升，也無法直接拿來對方的模型使用，而必須從頭開始收集數據、訓練模型。為了保證模型運行的安全與穩定，企業還往往需要部署專門的硬件設備，甚至配備維護人員。若將這些成本計算在內，AI的引入未必顯著降低任務執行的總體花費，難以帶來真正的生產率提升。

第二個是“學習缺口”的存在。AI雖能完成一次性的預測或生成任務，卻缺乏長期經驗積累和持續自我改進能力。換言之，AI在“算一次”的時候很聰明，但在“持續學習”過程中卻很笨。它不像人類員工那樣能通過反復實踐逐步提高，而是始終停留在“永遠的新人”狀態，每次交互都要從零開始。根據MIT報告，許多企業使用的AI系統缺乏記憶、無法沉淀反饋，“學習缺口”嚴重。在這種特征下，AI的使用成本不會隨任務次數增加而遞減，長期來看，基于AI的自動化未必能有效提升生產率。

第三個是“技術債”的存在。所謂技術債，是指企業在過去信息化建設中，為追求短期上線和局部優化積累下來的冗余代碼、碎片化系統和不兼容接口。從當時視角看，這些技術債似乎無傷大雅，甚至被認為是提高效率的必要代價。但若企業長期拖延清理與重構，它們就會堆積成難以跨越的技術屏障，阻礙包括AI轉型在內的系統性升級。一個典型案例是美國社保體系，其信息化始于20世紀60年代，COBOL語言被聯邦政府采納為唯一指定的業務處理語言。隨著時間推移，COBOL逐漸無法滿足現代需求。但若更換語言，就需重寫大量程序、遷移海量數據，成本與風險極高，幾乎沒有一屆政府愿承擔。結果，這套陳舊系統只能在“將錯就錯”的慣性下繼續使用。今年初，馬斯克主導的“政府效率部”嘗試用AI重構該系統，卻幾無切入點，最終無果而終。

再看非技術性原因。實踐中，制約AI轉型效果的非技術性因素也有三個。第一個是組織結構和激勵機制的不匹配。正如“預測機器”理論所指出，要讓AI轉型真正發揮效力，組織結構和激勵機制必須與新技術實現良性協同。但現實中，組織結構惰性大，改革阻力重重。許多企業雖引入了先進AI系統，卻未同步重構組織架構，潛在問題由此層出不窮。例如，AI輔助決策降低了預測門檻，使各部門都能獲得預測能力，并與自身判斷相結合，作出有利于本部門的決策。但由于部門間利益導向不同，各自最優決策可能存在沖突，反而導致組織層面“內耗”激增，整體效率下降。

第二個是AI替代目標的不當。根據“自動化”理論，只有當AI替代的任務本身效率較低，且人力資源再分配機制健全時，AI轉型才可能帶來宏觀層面效率改善。但現實中，AI多替代客服、文案、數據錄入等外包或初級崗位，這些崗位對整體效率的邊際貢獻本就有限，且人力成本已被壓縮，即便用AI取代，也難顯著推動生產率提升。與此同時，企業內部那些更復雜、附加值更高的崗位未被有效重構，人力資源再配置也未及時跟進。結果，自動化紅利僅在局部被吸收，未能擴展至組織甚至社會層面，宏觀效率依舊停滯。

第三個是AI轉型的表面化傾向。許多企業的AI戰略投入最熱衷于“客戶看得見的地方”。從自動撰寫文案到智能客服、個性化推薦與營銷腳本，AI最早落地在前臺環節。其原因簡單：這些項目最容易展示成效——點擊率、轉化率、回復速度，數據亮眼，匯報方便，轉型負責人能向管理層交差，管理層也能向股東展示成績單。但這些應用的投資回報率并不高，邊際收益迅速遞減。相比之下，許多不被注意的后臺環節才是真正ROI潛力巨大的領域，如財務對賬、合同審查、風險合規、供應鏈預測等，雖不顯眼，卻直接關系到成本控制與風險管理。AI一旦深度嵌入這些流程，企業不僅可節省人力和外包支出，還能減少差錯、縮短周期，改善現金流與利潤率。但根據MIT調查，許多企業遲遲未重視這些后臺項目，也成為限制AI影響釋放的重要原因。

四、如何跨越AI鴻溝？

通過前面的分析，我們已經對“AI鴻溝”的產生原因有了較深入的了解。那么，我們又應如何跨越“AI鴻溝”，徹底釋放AI轉型的力量？在我看來，以下幾方面尤為關鍵。

第一，要構建決策閉環，彌補預測與判斷的斷裂。根據“預測機器”理論，提升預測精度、降低成本，是AI推動生產率的核心機制。但在實際企業中，即便AI預測精準，如果無法與高效判斷協同，效力也難以發揮。為此，構建決策閉環、實現預測與判斷的高效協同尤為重要。具體而言：首先，應科學分工，使預測結果有明確的責任承接。企業需明確哪些崗位負責解讀預測結果并承擔風險，建立制度化“判斷崗位”，避免預測結果在各部門之間漂流。其次，應推動判斷制度化，而非依賴個別領導拍板。許多企業仍由少數高層拍板決策，效率低下，AI價值被浪費。更可行的是建立標準流程：不同風險等級對應不同機制，小額事務系統自動批準，大額事項委員會審議，為預測與判斷之間建立穩定接口。再次，應將預測嵌入流程，讓其不再只是“輔助信息”，而是直接觸發行動。例如，在供應鏈管理中，需求預測應自動生成采購指令進入審批，而非僅以報告形式發送經理。

第二，要重構員工技能體系，推進人力資源再配置。當前企業更傾向用AI替代客服、數據錄入、文案等低技能崗位，而這些原本就可通過外包低成本完成，AI轉型紅利自然有限。因此，企業應將轉型重心轉向更高價值業務環節。一般來說，業務含金量越高，任務越復雜，AI越難獨立勝任。與其奢望“完全替代”，不如投入“AI+人類”協作模式，培養員工與AI配合能力，使AI成為能力放大器，從而實現實質性效率提升。在此基礎上，企業還需根據AI轉型后的實際情況調整崗位配置。現實中，不少管理者一旦發現某崗位任務可被AI取代，便傾向直接裁撤。但員工對企業流程和文化的理解本身就是一筆寶貴資產。與其淘汰，不如轉崗。例如，AI接管基礎核算后，可將會計人員轉為財務分析師，從“算賬”轉向“用賬”。他們對數據生成機制的理解，往往讓分析更貼近實際。

第三，要克服“學習缺口”，實現AI與組織的持續共進。當前AI模型普遍缺乏長期記憶，限制了其經驗積累與能力進化。既然AI無法自我記憶，企業就應為其設計“外腦”。首先，可構建“組織知識庫”，為AI提供長期上下文支持，使其在多次交互中保持一致性。以客服為例，AI應記住客戶的歷史行為，實現連續服務，而非每次從零開始。其次，應建立反饋回路，將員工在使用AI過程中的修正意見沉淀為系統經驗，形成“反饋即培訓”的機制，支持強化學習。再次，應將AI深度嵌入團隊協作，將其視作“虛擬成員”，參與項目管理、任務分配與復盤。只有這樣，AI才能在組織實踐中不斷積累“準經驗”，逐步彌補學習缺口。

第四，要采取漸進式系統改造策略，降低技術阻力。“技術債”是AI轉型的重要障礙，許多企業在面對遺留系統時常感無從下手。相比“推倒重來”的大拆大建，更務實的策略是漸進式改造。首先，我們可引入“語義層”架構，在不觸動底層系統的前提下，實現數據抽象與統一。語義層是在底層系統與AI應用之間建立的一套標準化業務邏輯映射，可將異構數據整合為統一語言。例如，將“顧客”“用戶”“買方”等統一建模為“客戶”，方便AI系統調用，規避底層技術債。Palantir等領先AI服務企業，已在多個項目中成功實踐該策略。其次，可采用模塊化推進方式，先選取接口清晰、邊際效益高的模塊（如合同初審、供應鏈預測等）作為試點，通過“局部試點—經驗積累—全局推廣”的路徑，逐步推進轉型。

第五，要調整資源配置重心，從前臺“炫技”轉向后臺深改。企業常將資源集中于前臺AI項目，以追求可見成果，但其邊際效應下降極快。相比之下，后臺流程雖不顯眼，卻往往是決定AI長期效益的關鍵環節。例如，在財務部門，許多大企業每月結賬仍需大量人工核對，特別是在人工審查與Excel制作環節，效率低下、差錯頻出，成為流程瓶頸。若在此引入AI，不僅能顯著提升效率，還能降低差錯率和人力成本。盡管這些改進難以在展板上做成眩目的案例，卻能帶來真實、持久的效率紅利。

第六，要調整管理思路，讓一線實踐反哺上層設計。許多企業的AI項目采用自上而下模式：高層定調、成立小組、引入供應商、啟動試點。但結果往往是“上熱下冷”：高層期待宏大成果，一線員工卻因工具“難用”而抵觸，最終項目流于形式。對此，企業可嘗試自下而上路徑，由一線先行試驗，上層提供資源保障。MIT報告指出，不少員工已自發使用ChatGPT、Claude等AI工具輔助工作，效果良好。企業與其禁止，不如順勢而為，調研員工使用習慣與痛點，找出這些工具優于內部系統之處，重新設計企業級AI系統，真正服務于一線實踐。通過這一路徑，企業可以將“影子AI經濟”正式化，將局部效率提升轉化為組織層面的生產率進步。

五、結語

“AI鴻溝”的存在提醒我們：技術本身從未自動等同于生產率的躍升。歷史上，每一次通用目的技術的崛起，都伴隨著組織、制度與觀念的深刻重塑，AI亦不例外。它既非萬能靈藥，也非虛妄泡影，而是一種唯有與治理體系、業務流程、人才結構深度耦合，才能釋放潛能的力量。

正如電力、互聯網曾經歷漫長的擴散與再造期，AI若要跨越從個體效率到整體生產率的鴻溝，同樣需要企業與社會付出艱巨的制度性努力。真正的突破，不在前臺的炫技展示，而在后臺的深層改造；不在局部的短期提效，而在全局的長期再造。

只有當預測與判斷形成閉環，“影子AI經濟”被納入正式流程，技術債逐步化解、學習缺口持續彌合，我們才可能真正見證AI帶來如電力、互聯網那般量級的社會變革。跨越“AI鴻溝”，既是一個持續的過程，也是一場深刻的考驗，不僅考驗技術能力，更考驗制度智慧。