哪里能找到全面的人工智能生产力数据？

在科技新闻开始报道企业发现AI成本高于预期时，我不禁疑惑：为何这么久才意识到这一点？过去两年，我目睹无数公司盲目投入AI，却很少有人真正衡量其财务和其他成本。对于小公司而言，资源有限，必须迅速放弃不划算的尝试，避免“沉没成本谬误”。理想的实践是先小规模试水并测量结果，再决定是否推广。

AI确实能辅助熟练人员加速某些流程并保持质量。我亲身经历过成功案例，例如利用AI优化内容集，否则这些工作很难值得投入。然而，这种成功高度依赖个人判断——我能识别AI何时偏离轨道，像审核初级作者一样检查其输出。若交给缺乏经验的人，结果充其量只是表面相似的劣质仿品。

同样的现象出现在代码生成中。AI可以创建看似可运行的应用程序，但没有深厚的构建知识，得到的往往是功能原型，充其量是个人工具，绝不应投入生产。个人效率提升存在上限：工具的能力受限于审查输出的需要。当所有人都在谈论生产力时，我并未看到任何严谨研究从整体视角证明AI显著提高了生产力。

个体AI生产力提升

个体层面，利用LLM提高生产力是可行的。熟练者可以有选择地引入AI执行机械但非脚本化的任务。这类似于掌握电子表格或简单编程带来的提升。伦敦政治经济学院的研究显示，专业人士使用AI平均每周节省7.5小时。但我认为，对非编码者而言，AI只是解决了编程的形象问题——这些收益本可通过非AI方式获得。

另一种提升个体的方式是转嫁工作。可能把任务丢给其他人或团队：作家需要修改草稿，代码审查者处理冗余的合并请求，QA团队耗费更多时间修复漏洞。用户也可能被迫阅读冗长的内容或被不准确文档误导。这种情况下，个人感觉更高效，实则只是转移了负担，降低了整体质量。

因此，衡量组织层面的生产力必须采取全局视角。仅观察个体或团队很容易忽略AI导致的隐性任务重新分配。

AI作为数据可访问性的催化剂

另一个难以量化AI效用的原因是：AI工具迫使数据更易获取，从而间接促进非AI自动化。过去拒绝写文档的人现在开始生成“技能”（即文档），这有助于识别重复流程，而这是自动化的第一步。

我的许多流程得益于便捷的数据访问，例如MCP服务器或网站的Markdown导出，免去了解析混乱HTML的麻烦。这使我能够用常规脚本完成更多工作。我逐渐将更多任务迁移到Python，仅对脚本返回的可靠数据进行离散的AI处理。

我们无法为不理解的成本辩解

除了个人轶事，很难找到AI提升组织整体生产力的客观数据。如果真的存在可衡量的提升，为什么看不到相关数据？如果现实仅是小幅提升，且可以通过教会更多人使用现有工具或简单编程实现，我们如何证明AI的财务、环境和人力成本是合理的？为何企业不鼓励在可能的情况下使用非AI方法，仅在AI真正增值时使用？考虑到社会成本以及招聘和培训人才的好处，或许即使是AI擅长的任务，由人完成也更好。

缺乏严谨性令我困扰。我很幸运能一直与重视精准和道义的同事共事。我们曾在尊重数据的行业里茁壮成长，而现在许多人正陷入精疲力竭。当你耗费毕生精力建立的专业技能被试图用AI取代，且仅依靠模糊的信念时，这令人疲惫。我担心，等这场狂热平息，网络行业将失去大量不可或缺的资深人才。我看不到任何证据表明AI能接近取代我们将失去的专业知识。