文/陈永伟
过去几年中，人工智能（ArtificialIntelligence，以下简称AI）技术日新月异，几乎每一天都有新的AI模型或应用诞生。与此同时，围绕AI的各种叙事也可谓气势磅礴。诸如“AI是新的电力”“AI是新的互联网”“AI是‘第四次工业革命’”这样的言论几乎不绝于耳。无论是企业年会、学术论坛，还是资本市场的推介材料，人们谈起AI时几乎都带着一种近乎宗教般的热情；而在企业界，“AI即将全面改造企业”几乎成为了一种共识。
然而，不久前，麻省理工学院（MassachusettsInstituteofTechnology，以下简称MIT）“互联智能体和去中心化 AI”（NetworkedAgentsandDecentralizedAI，以下简称NANDA）项目组的一份报告却给当前的AI热泼下了一盆冷水。根据这份名为《商业领域AI使用状况》（StateofAIinBusiness）的报告，尽管目前80%以上的企业已经尝试使用生成式AI，约40%的企业订阅了生成式AI服务，但只有约5%的试点真正进入生产阶段并带来了实质性的价值，其余95%的项目则未产生任何可见的回报。换言之，已经切切实实尝到AI甜头的企业仅是少数，绝大多数企业则陷于“高采用、低转型”的泥潭。报告的作者将这种现状命名为“AI鸿沟”。
乍看之下，MIT报告的结论令人颇感意外，但其实，目前AI经济学领域的许多研究成果都可以与之相互印证。比如，2024年诺贝尔经济学奖得主、MIT经济系教授达龙·阿西莫格鲁（DaronAcemoglu）曾对AI在宏观层面上对全要素生产率（TotalFactorProductivity，简称TFP）的影响进行过研究。根据他的估算，AI在10年内引发的TFP提升比率大约为0.66%，平均到每年仅为0.066%，可以说是微乎其微。而著名增长问题专家菲利普·阿吉翁（PhilippeAghion）的一项估算则表明，AI每年对经济增长率的贡献大约在0.8%到1.3%之间，其影响也不算显著。
上述研究是否说明AI其实并不像人们想象的那样有用呢？答案当然是否定的。实际上，MIT的报告指出，AI虽然尚未在宏观层面表现出对生产率的显著提升，但却在个人层面悄然引发了一场效率革命，构建了一个“影子AI经济”。报告显示，在所调查的企业中，有超过九成的员工已经通过个人账户频繁调用ChatGPT、Claude等工具，并借助它们来完成日常写作、翻译、检索、编程等工作。而且，AI工具的使用确实显著提升了他们的个体工作效率。
那么，AI这项炙手可热的技术，似乎并没有在企业以及更为宏观的层面带来显著的生产率提升？制约AI影响发挥的因素究竟有哪些？要让AI的发展真正成为推动生产率提升的有效手段，又究竟需要做好哪些工作？对于所有这些问题，且让我们一一说来。
一、作为通用目的技术的AI
在漫长的历史长河中，人类曾发明过无数的技术。然而，不同技术对经济和社会产生的影响却截然不同。其中，一些技术可能推动人类社会发生根本性的变化，而另一些技术则只会在某个狭小的领域起到作用。
在所有技术中，对经济社会影响最大的，是“通用目的技术”（GeneralPurposeTechnologies，以下简称GPT）。顾名思义，这类技术的应用范围通常十分广泛，对经济具有整体性影响。根据学者们的总结，这类技术具有三个重要特点：一是普遍适用性（Pervasiveness），即这类技术的应用范围应十分广阔，而不应局限于某几个特定领域；二是进步性（Improvement），即通过持续的创新和学习，这类技术的表现会随着时间推移不断改进；三是创新孕育性（InnovationSpawning），即这类技术的创新会引发相关应用技术的创新，从而提升这些部门的生产率，反过来，应用部门的技术进步又会促进通用目的技术自身的改进，由此形成一个正向的反馈循环。
经济史学家肯尼斯·卡洛（KennethCarlaw）和理查德·里普赛（RichardLipsey）曾依据上述标准，对人类历史上的数千种技术进行甄别，结果发现，仅有二十余种技术可以被称为“通用目的技术”。在这二十余种技术中，就包括蒸汽机、电力、内燃机等支撑前几轮工业革命的关键技术。
值得一提的是，尽管“通用目的技术”对经济和社会发展起着关键推动作用，但通常来说，技术产生与其影响显现之间会存在一段时间间隔。比如，电力技术刚被发明时，对整个社会的影响微乎其微，直到40多年后，它的力量才真正展现出来。又如，互联网应用初期，其影响也十分有限。当时，2008年诺贝尔经济学奖得主保罗·克鲁格曼（PaulKrugman）甚至断言，互联网的作用不会超过传真机。直到十多年后，互联网对生产的影响才逐渐显现，克鲁格曼的质疑也随之不攻自破。
为什么“通用目的技术”的影响往往会滞后显现？最常见的解释是：技术的扩散与相关基础设施的建设需要时间。“通用目的技术”的重要性并不在于它在某些特定场合可以展现巨大力量，而在于它能被全社会广泛使用。这个特点决定了它必须充分扩散才能发挥影响，而要实现这一点，就必须有相应的基础设施加以支撑。
以电力技术为例，早在18世纪中期，人们就在电学方面取得了一系列成就。1866年，第一台发电机就已问世。然而，在此后近半个世纪中，电力对经济社会的影响仍非常有限。直到20世纪初，随着大量发电站的建立和大面积输电网络的铺设，电力才真正“飞入寻常百姓家”，其对经济和社会的影响才逐步显现。
通过简单比照，我们不难发现，AI可以被视为一种全新的“通用目的技术”。从这个角度看，AI技术当前在微观上表现卓越、在宏观上影响较小的现象似乎是可以理解的。毕竟，从AI这门学科出现至今，不过半个多世纪；而如果从“深度学习革命”算起，也仅有区区十几年。按照“通用目的技术”的一般特征，它还未到充分彰显其力量的时候。
乍看之下，上述说法似乎自圆其说。但若进一步分析，就会发现它其实还存在一个致命的缺陷。正如前文所述，人们通常认为，制约“通用目的技术”充分发挥影响的两种因素是技术的普及程度和基础设施的建设程度。那么，在当前AI技术的发展过程中，是否也受到了这两种因素的掣肘呢？答案显然是否定的。
先看普及率。如前所述，目前大多数企业已经尝试过AI，并有相当一部分企业专门订阅了AI产品。如果仅看普及率，那么现在的AI早已超过了产生显著影响的临界点。
再看基础设施的建设状况。尽管从理论上说，服务器和数据中心的数量永远也赶不上人们日益增长的AI性能需求，但若从满足基本AI应用的角度看，当下社会的基础设施已然绰绰有余。更何况，那些进行AI转型的企业，通常也会投入大量资金用于专门的基础设施建设。因此，“基础设施不足”这个理由似乎也难以用来解释当前AI在宏观层面表现不彰的现象。
要理解“生成式AI鸿沟”，乃至更广义上的“AI鸿沟”的存在，我们必须寻求更新的解释。
二、AI是怎样提升生产率的？
那么，“AI鸿沟”究竟为何存在？为探讨这一问题，我们必须先理解AI可能通过哪些机制提升生产率。目前文献中主要有两种流行理论：“预测机器”（PredictionMachine）与“自动化”（Au－tomation）。前者解释传统“分析式AI”的增效机制，后者适用于“分析式AI”与“生成式AI”。
先看“预测机器”理论，由AI经济学家阿格拉瓦尔（AjayAgrawal）、甘斯（JoshuaGans）和戈德法布（AviGold－farb）提出。该理论认为，AI最核心的经济价值在于显著降低预测成本。
所谓预测，是“利用已知信息生成对世界状态的认识”。现实中，人们面对各种不确定性，这些不确定性会对生产生活构成干扰。比如，工厂在投产前需投入固定成本形成产能，而此时尚不清楚市场真实需求，只能基于经验和数据进行预测。预测准确，产能与需求匹配，企业可能盈利；若预测失误，则可能蒙受损失。过去，企业在预测上需投入大量资源，如调研、专家分析等，以提高准确性。AI的出现大幅降低了这些成本，企业可借助机器学习更精准地预测未来情境，既节省费用，也减少误判风险。
但仅有预测并不足够，完整的决策还包括“判断”。在该理论中，判断指对特定行为后果的估算。
以银行放贷为例，员工根据职业、收入、信用评分等信息评估违约概率，此为预测。AI可提升这一效率。但是否批准贷款，还涉及违约损失、客户关系影响等隐性因素，需综合判断何种选择更有利。这类判断往往涉及难以量化的因素，AI难以完全胜任。
因此，阿格拉瓦尔等人指出，企业若要借助AI实现转型，必须同步变革组织结构与激励机制，实现预测与判断的协同。现实中，AI的普及使各部门具备原本仅限特定团队的预测能力，具备提出判断的基础。这为效率提升提供了潜力。但若缺乏明确承接机制，如标准化流程、分级授权等，AI的预测可能停留在报告层面，难以转化为行动。
再来看“自动化”理论。该理论代表人物包括阿西莫格鲁（DaronAce－moglu）及其MIT同事。AI在该理论中被视为广义自动化技术，其作用是替代人类完成部分任务，通过两种机制提升生产率：一是接管低价值但耗时的任务，提高其效率；二是促进人力再分配。例如，某员工兼具策划与文案能力，因文案更强被安排为文秘；AI替代文案后，该员工可转任策划，从而在不增加人力的前提下，同步提升两项职能效率。
根据该理论，要显著提升生产率，需满足两个条件：第一，AI所替代的任务本身需存在效率改进空间。若任务已高效，AI的边际收益有限；第二，AI引发的人力再配置必须是良性的。只有如此，生产率提升才能从局部扩展至整体，否则可能只是优化局部而宏观效率无增。
三、AI鸿沟究竟是怎样产生的？
在理解了AI影响生产率的机制之后，我们可以进一步对“AI鸿沟”的产生原因进行系统分析。总体上看，导致“AI鸿沟”的原因可分为技术性和非技术性两类。
先看技术性原因。在实践中，至少存在三个主要障碍，导致AI转型效果不明显。第一个是企业业务和数据的专用性。无论是“分析式AI”还是“生成式AI”，要让模型表现出色，都需要大量优质数据。但现实中，不同行业、企业的业务结构差异巨大，且出于商业机密保护，企业间很少共享数据，给AI模型训练带来很大障碍。即便企业经营者看到同行通过AI转型实现效率跃升，也无法直接拿来对方的模型使用，而必须从头开始收集数据、训练模型。为了保证模型运行的安全与稳定，企业还往往需要部署专门的硬件设备，甚至配备维护人员。若将这些成本计算在内，AI的引入未必显著降低任务执行的总体花费，难以带来真正的生产率提升。
第二个是“学习缺口”的存在。AI虽能完成一次性的预测或生成任务，却缺乏长期经验积累和持续自我改进能力。换言之，AI在“算一次”的时候很聪明，但在“持续学习”过程中却很笨。它不像人类员工那样能通过反复实践逐步提高，而是始终停留在“永远的新人”状态，每次交互都要从零开始。根据MIT报告，许多企业使用的AI系统缺乏记忆、无法沉淀反馈，“学习缺口”严重。在这种特征下，AI的使用成本不会随任务次数增加而递减，长期来看，基于AI的自动化未必能有效提升生产率。
第三个是“技术债”的存在。所谓技术债，是指企业在过去信息化建设中，为追求短期上线和局部优化积累下来的冗余代码、碎片化系统和不兼容接口。从当时视角看，这些技术债似乎无伤大雅，甚至被认为是提高效率的必要代价。但若企业长期拖延清理与重构，它们就会堆积成难以跨越的技术屏障，阻碍包括AI转型在内的系统性升级。一个典型案例是美国社保体系，其信息化始于20世纪60年代，COBOL语言被联邦政府采纳为唯一指定的业务处理语言。随着时间推移，COBOL逐渐无法满足现代需求。但若更换语言，就需重写大量程序、迁移海量数据，成本与风险极高，几乎没有一届政府愿承担。结果，这套陈旧系统只能在“将错就错”的惯性下继续使用。今年初，马斯克主导的“政府效率部”尝试用AI重构该系统，却几无切入点，最终无果而终。
再看非技术性原因。实践中，制约AI转型效果的非技术性因素也有三个。第一个是组织结构和激励机制的不匹配。正如“预测机器”理论所指出，要让AI转型真正发挥效力，组织结构和激励机制必须与新技术实现良性协同。但现实中，组织结构惰性大，改革阻力重重。许多企业虽引入了先进AI系统，却未同步重构组织架构，潜在问题由此层出不穷。例如，AI辅助决策降低了预测门槛，使各部门都能获得预测能力，并与自身判断相结合，作出有利于本部门的决策。但由于部门间利益导向不同，各自最优决策可能存在冲突，反而导致组织层面“内耗”激增，整体效率下降。
第二个是AI替代目标的不当。根据“自动化”理论，只有当AI替代的任务本身效率较低，且人力资源再分配机制健全时，AI转型才可能带来宏观层面效率改善。但现实中，AI多替代客服、文案、数据录入等外包或初级岗位，这些岗位对整体效率的边际贡献本就有限，且人力成本已被压缩，即便用AI取代，也难显著推动生产率提升。与此同时，企业内部那些更复杂、附加值更高的岗位未被有效重构，人力资源再配置也未及时跟进。结果，自动化红利仅在局部被吸收，未能扩展至组织甚至社会层面，宏观效率依旧停滞。
第三个是AI转型的表面化倾向。许多企业的AI战略投入最热衷于“客户看得见的地方”。从自动撰写文案到智能客服、个性化推荐与营销脚本，AI最早落地在前台环节。其原因简单：这些项目最容易展示成效——点击率、转化率、回复速度，数据亮眼，汇报方便，转型负责人能向管理层交差，管理层也能向股东展示成绩单。但这些应用的投资回报率并不高，边际收益迅速递减。相比之下，许多不被注意的后台环节才是真正ROI潜力巨大的领域，如财务对账、合同审查、风险合规、供应链预测等，虽不显眼，却直接关系到成本控制与风险管理。AI一旦深度嵌入这些流程，企业不仅可节省人力和外包支出，还能减少差错、缩短周期，改善现金流与利润率。但根据MIT调查，许多企业迟迟未重视这些后台项目，也成为限制AI影响释放的重要原因。
四、如何跨越AI鸿沟？
通过前面的分析，我们已经对“AI鸿沟”的产生原因有了较深入的了解。那么，我们又应如何跨越“AI鸿沟”，彻底释放AI转型的力量？在我看来，以下几方面尤为关键。
第一，要构建决策闭环，弥补预测与判断的断裂。根据“预测机器”理论，提升预测精度、降低成本，是AI推动生产率的核心机制。但在实际企业中，即便AI预测精准，如果无法与高效判断协同，效力也难以发挥。为此，构建决策闭环、实现预测与判断的高效协同尤为重要。具体而言：首先，应科学分工，使预测结果有明确的责任承接。企业需明确哪些岗位负责解读预测结果并承担风险，建立制度化“判断岗位”，避免预测结果在各部门之间漂流。其次，应推动判断制度化，而非依赖个别领导拍板。许多企业仍由少数高层拍板决策，效率低下，AI价值被浪费。更可行的是建立标准流程：不同风险等级对应不同机制，小额事务系统自动批准，大额事项委员会审议，为预测与判断之间建立稳定接口。再次，应将预测嵌入流程，让其不再只是“辅助信息”，而是直接触发行动。例如，在供应链管理中，需求预测应自动生成采购指令进入审批，而非仅以报告形式发送经理。
第二，要重构员工技能体系，推进人力资源再配置。当前企业更倾向用AI替代客服、数据录入、文案等低技能岗位，而这些原本就可通过外包低成本完成，AI转型红利自然有限。因此，企业应将转型重心转向更高价值业务环节。一般来说，业务含金量越高，任务越复杂，AI越难独立胜任。与其奢望“完全替代”，不如投入“AI+人类”协作模式，培养员工与AI配合能力，使AI成为能力放大器，从而实现实质性效率提升。在此基础上，企业还需根据AI转型后的实际情况调整岗位配置。现实中，不少管理者一旦发现某岗位任务可被AI取代，便倾向直接裁撤。但员工对企业流程和文化的理解本身就是一笔宝贵资产。与其淘汰，不如转岗。例如，AI接管基础核算后，可将会计人员转为财务分析师，从“算账”转向“用账”。他们对数据生成机制的理解，往往让分析更贴近实际。
第三，要克服“学习缺口”，实现AI与组织的持续共进。当前AI模型普遍缺乏长期记忆，限制了其经验积累与能力进化。既然AI无法自我记忆，企业就应为其设计“外脑”。首先，可构建“组织知识库”，为AI提供长期上下文支持，使其在多次交互中保持一致性。以客服为例，AI应记住客户的历史行为，实现连续服务，而非每次从零开始。其次，应建立反馈回路，将员工在使用AI过程中的修正意见沉淀为系统经验，形成“反馈即培训”的机制，支持强化学习。再次，应将AI深度嵌入团队协作，将其视作“虚拟成员”，参与项目管理、任务分配与复盘。只有这样，AI才能在组织实践中不断积累“准经验”，逐步弥补学习缺口。
第四，要采取渐进式系统改造策略，降低技术阻力。“技术债”是AI转型的重要障碍，许多企业在面对遗留系统时常感无从下手。相比“推倒重来”的大拆大建，更务实的策略是渐进式改造。首先，我们可引入“语义层”架构，在不触动底层系统的前提下，实现数据抽象与统一。语义层是在底层系统与AI应用之间建立的一套标准化业务逻辑映射，可将异构数据整合为统一语言。例如，将“顾客”“用户”“买方”等统一建模为“客户”，方便AI系统调用，规避底层技术债。Palantir等领先AI服务企业，已在多个项目中成功实践该策略。其次，可采用模块化推进方式，先选取接口清晰、边际效益高的模块（如合同初审、供应链预测等）作为试点，通过“局部试点—经验积累—全局推广”的路径，逐步推进转型。
第五，要调整资源配置重心，从前台“炫技”转向后台深改。企业常将资源集中于前台AI项目，以追求可见成果，但其边际效应下降极快。相比之下，后台流程虽不显眼，却往往是决定AI长期效益的关键环节。例如，在财务部门，许多大企业每月结账仍需大量人工核对，特别是在人工审查与Excel制作环节，效率低下、差错频出，成为流程瓶颈。若在此引入AI，不仅能显著提升效率，还能降低差错率和人力成本。尽管这些改进难以在展板上做成眩目的案例，却能带来真实、持久的效率红利。
第六，要调整管理思路，让一线实践反哺上层设计。许多企业的AI项目采用自上而下模式：高层定调、成立小组、引入供应商、启动试点。但结果往往是“上热下冷”：高层期待宏大成果，一线员工却因工具“难用”而抵触，最终项目流于形式。对此，企业可尝试自下而上路径，由一线先行试验，上层提供资源保障。MIT报告指出，不少员工已自发使用ChatGPT、Claude等AI工具辅助工作，效果良好。企业与其禁止，不如顺势而为，调研员工使用习惯与痛点，找出这些工具优于内部系统之处，重新设计企业级AI系统，真正服务于一线实践。通过这一路径，企业可以将“影子AI经济”正式化，将局部效率提升转化为组织层面的生产率进步。
五、结语
“AI鸿沟”的存在提醒我们：技术本身从未自动等同于生产率的跃升。历史上，每一次通用目的技术的崛起，都伴随着组织、制度与观念的深刻重塑，AI亦不例外。它既非万能灵药，也非虚妄泡影，而是一种唯有与治理体系、业务流程、人才结构深度耦合，才能释放潜能的力量。
正如电力、互联网曾经历漫长的扩散与再造期，AI若要跨越从个体效率到整体生产率的鸿沟，同样需要企业与社会付出艰巨的制度性努力。真正的突破，不在前台的炫技展示，而在后台的深层改造；不在局部的短期提效，而在全局的长期再造。
只有当预测与判断形成闭环，“影子AI经济”被纳入正式流程，技术债逐步化解、学习缺口持续弥合，我们才可能真正见证AI带来如电力、互联网那般量级的社会变革。跨越“AI鸿沟”，既是一个持续的过程，也是一场深刻的考验，不仅考验技术能力，更考验制度智慧。
微信公众号
证券之星APP
