个体提效与宏观失速：AI生产力悖论正在考验大科技赌注

在生成式AI狂飙突进的背景下，软件工程师的个体体验与宏观经济数据之间，正浮现一道越来越难以弥合的裂缝。一位创业公司的工程师Iren Azra Zou声称，Anthropic的Claude Code帮助她把原本需要一周的软件工程任务缩短到了一天内完成。Zou在一家卡车物流初创公司Double Nickel工作。类似地，亚马逊数据科学家Sarthak Gupta也表示，AI在短期内实际上创造了更多工作，他的工作时间变长，并称此为“自动化阶段”。他坦言前期投资是真实的，正在构建数据管道、集成AI工具，并将现有工作流接入新系统。 然而，微观层面的效率提升能否扩散为宏观经济意义上的生产力繁荣，答案远非清晰。商业情报平台AlphaSense的分析显示，在第二季度，AI与生产力在大型公司财报电话会议中共同出现了637次，同比增长约25%。讨论热度虽在攀升，但汇总数据并没有给出明确的答案。 美国劳动生产率增长自2020年起已超过疫情前趋势，并在2022年末ChatGPT发布前后进一步增强。表面看来，生成式AI的扩散似乎与这一周期吻合，但经济学家提醒不宜过早归因。根据美国国家经济研究局（NBER）2月发布的一份工作论文，基于对近6000名高管的调查，约90%积极使用AI的公司表示该技术在过去三年内未对生产力产生影响。研究者指出，近期生产力激增的其他解释包括远程办公、2021年和2022年较高的换工率以及劳动力构成的变化。 穆迪首席经济学家Mark Zandi直言，到目前为止AI对生产力的影响似乎很小，尚未真正带动总生产力增长。这种宏观冰冷与微观火热的反差，构成了当下AI应用的独特张力。麦肯锡高级合伙人Alexander Sukharevsky将其称为一种“gen AI paradox”，许多公司还没有找到在运营中规模化部署AI的方法。 更令人警惕的是，大科技的投入节奏似乎已经跑在了现实回报的前面。沃顿商学院的一篇论文发现，科技公司的支出水平似乎预期将出现生产力繁荣，但如果这种繁荣未能实现，当前的扩建将成为历史上最大的资本错配。论文警告，部分大型科技公司若不迅速提升生产力，可能面临破产风险。这一论断虽属情景推测，却为狂热氛围注入了一剂清醒剂。 在个人层面，效率提升真实可感；在企业层面，却需要穿越“自动化阶段”的痛苦再投资。Gupta所描述的构建管道、接入系统，正是一种前期沉没成本，真正的解锁在于运行的管道能否持续产出回报，但这目前还只是他的个人判断，缺乏全公司范围的验证。个体生产力提升能否转化为公司级的营收或利润增长，依然是一个开放问题。

EntAI观察

从本次调研的素材来看，AI生产力悖论的结构性成因或许可以从三个层面理解。首先，个体的工具性效率提升并不自动等同于组织层面的生产率跃迁，因为企业还需要投入大量资源进行工作流程重构、数据治理和人员再培训，这些成本往往在短期抵消了局部收益。其次，AI的采纳呈现出高度偏态分布，少数应用走在前列，多数企业仍处于实验或观望阶段，使得宏观加总数据中难以观察到实质变化。最后，当前大科技公司庞大的资本开支建立在对未来AI驱动的生产力繁荣的强假设之上，如果这一假设落空，其财务脆弱性值得关注。对于决策者而言，或许应更关注AI在具体场景中的可衡量回报，而不是寄望于一次总体的、神秘的生产力爆炸。