人工智能与生产力 – Stripe经济学

近期学术研究正逐渐形成共识：AI工具在工人或企业层面能带来实际的生产率提升。例如，大语言模型（LLM）或AI助手使客服人员平均效率提高14%（Brynjolfsson等，2023），作家写作速度加快40%，且质量提升（Noy和Zhang，2023）。使用LLM的咨询顾问完成任务量增加12%，每项任务时间减少25%（Dell’Acqua等，2023）。根据一项覆盖66家企业的研究，使用AI的知识工作者每周在电子邮件上少花两小时（Dillon等，2025）。这些发现尤为引人注目，因为多数研究基于较老一代的LLM。可以合理推断，随着模型改进和普及率上升，这些效应将更加显著。

在微观生产率提升证据积累的同时，美国宏观或总体生产率也在加速。过去一年，美国劳动生产率增长约2.5%，显著高于过去二十年年均1.6%的增速。

目前看来，美国很可能正处于一个高生产率增长期，至少暂时如此。我们的马尔可夫转换模型——经济学家用于判断某项经济指标是否显著偏离常态的工具——显示，美国进入“高”生产率时期的概率达93%。但如下图示，这本身并不能说明高生产率状态将持续多久。

一种自然的假设是，宏观生产率的提升直接反映了AI在工人和企业层面的微观效率增益。但事实上，尽管AI很可能是故事的一部分，但其作用方式却与多数人的想象不同。

首先，有理由怀疑即便是良好测量的微观效率增益，当前也尚未在宏观层面产生显著影响。例如，我们预期强劲的微观效率提升会体现为全要素生产率（TFP）的增长。TFP是生产率增长中无法由资本或劳动投入增加解释的部分，更通俗地说，TFP被经济学家视为“纯粹”的技术和效率进步——但重要前提是TFP无法直接观测，需借助经济模型估算。如果AI正在前沿领域提升工人效率，TFP估计值应当像总体劳动生产率一样加速增长。但实际情况并非如此：尽管总体劳动生产率数据强劲，旧金山联储的估算显示，过去一年TFP增长近乎为零。我们的马尔可夫转换模型也显示，美国处于高TFP增长期的概率低于20%。

此外，行业层面的生产率增长与AI采纳之间关系微弱。将美国人口普查局商业趋势与展望调查（BTOS）中的AI采纳率与芝加哥联储的季度行业劳动生产率数据（我们按其方法向后推延两个季度）结合来看，当前企业自报的AI采纳率与近期生产率增长之间存在正相关，但相关性不大（下图上面板）。然而，AI采纳程度最高的行业在2016-2019年期间——即生成式AI尚未出现时——已显示出更强的生产率增长（中间面板）。剔除这些既有趋势后，AI采纳与近期生产率增长之间的残差相关性几乎降至零（下面板）。

换言之，AI采纳率高的行业本就因疫情前经验而具备更强的生产率增长预期。这不一定意味着AI采纳对总体生产率毫无影响——疫情前的高生产率可能刺激了当前采用AI的意愿或能力——但确实表明行业数据中无法清晰看出这种关系。

这引出一个明显的问题：既然有证据表明AI在具体任务上带来微观效率提升，为何这种提升未转化为更强劲的宏观生产率增长？另一支近期研究给出了可能答案：AI可能加速有界任务，却未解除决定最终产出的下游约束。韩国银行的经济学家发现，生成式AI采纳使工作时间减少3.8%（约每周1.5小时），与前述Dillon论文的规模相似；但他们还发现，除非工人拥有自主权或强烈激励来高效重新分配节省的时间，否则这些时间节省与实际产出增长之间基本无关（Suh等，2026）。其他研究在软件领域观察到同样的衰减：AI编码工具大幅增加提交次数和代码量，但收益在每一个更高生产阶段（从拉取请求到项目再到发布版本）递减，因为审查、集成、测试、发布、发现和用户采用仍然是人工瓶颈（Demirer等，2026）。也就是说，AI加速了内循环，但尚未（充分）加速成为约束的外循环。简言之，在企业重新设计工作流程、激励和互补流程以将这些增益体现于总体生产率之前，AI可以创造任务层面的效率。

但如果人工瓶颈假说成立，为何美国总体劳动生产率却在加速？提升美国劳动生产率的似乎并非微观效率增益，而是AI带来的宏观生产率提升——具体而言，企业更密集地运用现有资本。例如，延长既有工厂的运行时间、提高已付费服务器机架和GPU集群的利用率、增加现有酒店客房的入住率。经济学家称之为“资本强度”或“利用率”。更高的资本利用率代表着真实的经济收益，但这不同于微观效率。我们可以从旧金山联储的TFP估算中看到利用率贡献的上升，其水平（除疫情复苏期外）为数十年来最高。这与“资本深化”（通过扩大资本供给——例如资本投资——带来的可度量生产率增长）不同。但利用率与深化常常相关：有动机增加资本支出的企业也往往更充分地利用现有资本。

这些都不是对AI的悲观解读。首先，多数研究基于GPT-2至GPT-4时代模型。如果更近期模型中的任务级AI增益（10%-40%的范围）得到倍增（从经验上看高度可能），如果企业在将模型融入工作流程方面更加熟练，并且这些增益得以持续和更广泛传播，那么最终这些微观效率提升将在宏观数据中更显著地体现。越来越多的学术证据表明此类增益可以实现。此外，如果人工或其他瓶颈是AI生产率提升的约束，那么企业将逐渐重组以释放这些潜力——正如它们在应对以往技术冲击时所做的。

但当前数据尚不支持以下论断：这种传导已在宏观层面充分展开。采纳率仍不够广泛，截面信号太弱，下游瓶颈依然存在，且生产率提升过多归因于利用率，令人难以确信这一结论。相反，我们迄今看到的加速主要源于企业试图通过推高现有基础设施极限来满足AI容量需求。