人工智能與生產力 – Stripe經濟學

近期學術研究正逐漸形成共識：AI工具在工人或企業層面能帶來實際的生產率提升。例如，大語言模型（LLM）或AI助手使客服人員平均效率提高14%（Brynjolfsson等，2023），作家寫作速度加快40%，且質量提升（Noy和Zhang，2023）。使用LLM的諮詢顧問完成任務量增加12%，每項任務時間減少25%（Dell’Acqua等，2023）。根據一項覆蓋66家企業的研究，使用AI的知識工作者每週在電子郵件上少花兩小時（Dillon等，2025）。這些發現尤為引人注目，因為多數研究基於較老一代的LLM。可以合理推斷，隨着模型改進和普及率上升，這些效應將更加顯著。

在微觀生產率提升證據積累的同時，美國宏觀或總體生產率也在加速。過去一年，美國勞動生產率增長約2.5%，顯著高於過去二十年年均1.6%的增速。

目前看來，美國很可能正處於一個高生產率增長期，至少暫時如此。我們的馬爾可夫轉換模型——經濟學家用於判斷某項經濟指標是否顯著偏離常態的工具——顯示，美國進入“高”生產率時期的概率達93%。但如下圖示，這本身並不能説明高生產率狀態將持續多久。

一種自然的假設是，宏觀生產率的提升直接反映了AI在工人和企業層面的微觀效率增益。但事實上，儘管AI很可能是故事的一部分，但其作用方式卻與多數人的想象不同。

首先，有理由懷疑即便是良好測量的微觀效率增益，當前也尚未在宏觀層面產生顯著影響。例如，我們預期強勁的微觀效率提升會體現為全要素生產率（TFP）的增長。TFP是生產率增長中無法由資本或勞動投入增加解釋的部分，更通俗地説，TFP被經濟學家視為“純粹”的技術和效率進步——但重要前提是TFP無法直接觀測，需藉助經濟模型估算。如果AI正在前沿領域提升工人效率，TFP估計值應當像總體勞動生產率一樣加速增長。但實際情況並非如此：儘管總體勞動生產率數據強勁，舊金山聯儲的估算顯示，過去一年TFP增長近乎為零。我們的馬爾可夫轉換模型也顯示，美國處於高TFP增長期的概率低於20%。

此外，行業層面的生產率增長與AI採納之間關係微弱。將美國人口普查局商業趨勢與展望調查（BTOS）中的AI採納率與芝加哥聯儲的季度行業勞動生產率數據（我們按其方法向後推延兩個季度）結合來看，當前企業自報的AI採納率與近期生產率增長之間存在正相關，但相關性不大（下圖上面板）。然而，AI採納程度最高的行業在2016-2019年期間——即生成式AI尚未出現時——已顯示出更強的生產率增長（中間面板）。剔除這些既有趨勢後，AI採納與近期生產率增長之間的殘差相關性幾乎降至零（下面板）。

換言之，AI採納率高的行業本就因疫情前經驗而具備更強的生產率增長預期。這不一定意味着AI採納對總體生產率毫無影響——疫情前的高生產率可能刺激了當前採用AI的意願或能力——但確實表明行業數據中無法清晰看出這種關係。

這引出一個明顯的問題：既然有證據表明AI在具體任務上帶來微觀效率提升，為何這種提升未轉化為更強勁的宏觀生產率增長？另一支近期研究給出了可能答案：AI可能加速有界任務，卻未解除決定最終產出的下游約束。韓國銀行的經濟學家發現，生成式AI採納使工作時間減少3.8%（約每週1.5小時），與前述Dillon論文的規模相似；但他們還發現，除非工人擁有自主權或強烈激勵來高效重新分配節省的時間，否則這些時間節省與實際產出增長之間基本無關（Suh等，2026）。其他研究在軟件領域觀察到同樣的衰減：AI編碼工具大幅增加提交次數和代碼量，但收益在每一個更高生產階段（從拉取請求到項目再到發佈版本）遞減，因為審查、集成、測試、發佈、發現和用户採用仍然是人工瓶頸（Demirer等，2026）。也就是説，AI加速了內循環，但尚未（充分）加速成為約束的外循環。簡言之，在企業重新設計工作流程、激勵和互補流程以將這些增益體現於總體生產率之前，AI可以創造任務層面的效率。

但如果人工瓶頸假説成立，為何美國總體勞動生產率卻在加速？提升美國勞動生產率的似乎並非微觀效率增益，而是AI帶來的宏觀生產率提升——具體而言，企業更密集地運用現有資本。例如，延長既有工廠的運行時間、提高已付費服務器機架和GPU集羣的利用率、增加現有酒店客房的入住率。經濟學家稱之為“資本強度”或“利用率”。更高的資本利用率代表着真實的經濟收益，但這不同於微觀效率。我們可以從舊金山聯儲的TFP估算中看到利用率貢獻的上升，其水平（除疫情復甦期外）為數十年來最高。這與“資本深化”（通過擴大資本供給——例如資本投資——帶來的可度量生產率增長）不同。但利用率與深化常常相關：有動機增加資本支出的企業也往往更充分地利用現有資本。

這些都不是對AI的悲觀解讀。首先，多數研究基於GPT-2至GPT-4時代模型。如果更近期模型中的任務級AI增益（10%-40%的範圍）得到倍增（從經驗上看高度可能），如果企業在將模型融入工作流程方面更加熟練，並且這些增益得以持續和更廣泛傳播，那麼最終這些微觀效率提升將在宏觀數據中更顯著地體現。越來越多的學術證據表明此類增益可以實現。此外，如果人工或其他瓶頸是AI生產率提升的約束，那麼企業將逐漸重組以釋放這些潛力——正如它們在應對以往技術衝擊時所做的。

但當前數據尚不支持以下論斷：這種傳導已在宏觀層面充分展開。採納率仍不夠廣泛，截面信號太弱，下游瓶頸依然存在，且生產率提升過多歸因於利用率，令人難以確信這一結論。相反，我們迄今看到的加速主要源於企業試圖通過推高現有基礎設施極限來滿足AI容量需求。