哪裏能找到全面的人工智能生產力數據？

在科技新聞開始報道企業發現AI成本高於預期時，我不禁疑惑：為何這麼久才意識到這一點？過去兩年，我目睹無數公司盲目投入AI，卻很少有人真正衡量其財務和其他成本。對於小公司而言，資源有限，必須迅速放棄不划算的嘗試，避免“沉沒成本謬誤”。理想的實踐是先小規模試水並測量結果，再決定是否推廣。

AI確實能輔助熟練人員加速某些流程並保持質量。我親身經歷過成功案例，例如利用AI優化內容集，否則這些工作很難值得投入。然而，這種成功高度依賴個人判斷——我能識別AI何時偏離軌道，像審核初級作者一樣檢查其輸出。若交給缺乏經驗的人，結果充其量只是表面相似的劣質仿品。

同樣的現象出現在代碼生成中。AI可以創建看似可運行的應用程序，但沒有深厚的構建知識，得到的往往是功能原型，充其量是個人工具，絕不應投入生產。個人效率提升存在上限：工具的能力受限於審查輸出的需要。當所有人都在談論生產力時，我並未看到任何嚴謹研究從整體視角證明AI顯著提高了生產力。

個體AI生產力提升

個體層面，利用LLM提高生產力是可行的。熟練者可以有選擇地引入AI執行機械但非腳本化的任務。這類似於掌握電子表格或簡單編程帶來的提升。倫敦政治經濟學院的研究顯示，專業人士使用AI平均每週節省7.5小時。但我認為，對非編碼者而言，AI只是解決了編程的形象問題——這些收益本可通過非AI方式獲得。

另一種提升個體的方式是轉嫁工作。可能把任務丟給其他人或團隊：作家需要修改草稿，代碼審查者處理冗餘的合併請求，QA團隊耗費更多時間修復漏洞。用户也可能被迫閲讀冗長的內容或被不準確文檔誤導。這種情況下，個人感覺更高效，實則只是轉移了負擔，降低了整體質量。

因此，衡量組織層面的生產力必須採取全局視角。僅觀察個體或團隊很容易忽略AI導致的隱性任務重新分配。

AI作為數據可訪問性的催化劑

另一個難以量化AI效用的原因是：AI工具迫使數據更易獲取，從而間接促進非AI自動化。過去拒絕寫文檔的人現在開始生成“技能”（即文檔），這有助於識別重複流程，而這是自動化的第一步。

我的許多流程得益於便捷的數據訪問，例如MCP服務器或網站的Markdown導出，免去了解析混亂HTML的麻煩。這使我能夠用常規腳本完成更多工作。我逐漸將更多任務遷移到Python，僅對腳本返回的可靠數據進行離散的AI處理。

我們無法為不理解的成本辯解

除了個人軼事，很難找到AI提升組織整體生產力的客觀數據。如果真的存在可衡量的提升，為什麼看不到相關數據？如果現實僅是小幅提升，且可以通過教會更多人使用現有工具或簡單編程實現，我們如何證明AI的財務、環境和人力成本是合理的？為何企業不鼓勵在可能的情況下使用非AI方法，僅在AI真正增值時使用？考慮到社會成本以及招聘和培訓人才的好處，或許即使是AI擅長的任務，由人完成也更好。

缺乏嚴謹性令我困擾。我很幸運能一直與重視精準和道義的同事共事。我們曾在尊重數據的行業裏茁壯成長，而現在許多人正陷入精疲力竭。當你耗費畢生精力建立的專業技能被試圖用AI取代，且僅依靠模糊的信念時，這令人疲憊。我擔心，等這場狂熱平息，網絡行業將失去大量不可或缺的資深人才。我看不到任何證據表明AI能接近取代我們將失去的專業知識。