AI的"生产率悖论"：300亿美元投资，95%零回报

1987年，诺贝尔经济学奖得主罗伯特·索洛在《泰晤士书评》中写下了一句后来被反复引用的话："计算机时代随处可见，唯独在生产率的统计数据中不见踪影。"

近40年后，历史似乎正在重演。这一次，主角换成了生成式AI。

## 惊人的发现：95%的AI投资零回报

麻省理工学院媒体实验室的一项最新研究，揭示了一个令人震惊的事实：

**"尽管企业在生成式AI上投入了300到400亿美元，本报告发现95%的组织回报为零。"**

这不是危言耸听。研究团队审查了300多个公开的AI项目和公告，采访了50多名公司高管。他们对"成功的AI投资"的定义非常具体：

- 已经超越了试点阶段
- 被实际部署到生产环境
- 在六个月后产生了可衡量的财务回报或显著的生产率提升

结果是：**只有5%的AI试点项目正在创造数百万美元的价值，而绝大多数项目仍停滞不前，对损益表没有任何可衡量的影响**。

## 来自一线的失望之声

研究中的采访，揭示了企业高管们的真实感受：

**"LinkedIn上炒得天花乱坠，好像一切都变了，但我们的实际运营中，根本性的东西一点没变。我们处理合同是快了点，但仅此而已。"** ——某中型制造公司首席运营官

**"我们今年看了几十个演示。可能一两个是真有用。剩下的要么是'套壳'（仅仅包装了现有技术），要么就是'科学项目'（离实际商业应用还很远）。"** ——某企业高管

这些评论，与硅谷的乐观叙事形成了鲜明对比。在科技媒体和投资者的话语体系中，AI正在"革命性地改变一切"。但在真实的商业世界里，许多企业正在艰难地寻找AI的实际价值。

## CEO信心骤降：从82%到49%

麻省理工学院的研究不是孤例。跨国咨询公司Akkodis的另一项调查显示：

**对本公司AI实施策略"非常有信心"的CEO比例，已从2024年的82%骤降至今年的49%**。

这是一个惊人的下降——在短短一年内，CEO们的信心几乎腰斩。

Akkodis的分析认为，这些变化"可能反映了先前在数字化或AI项目上令人失望的结果、实施中的延迟或失败，以及对可扩展性的担忧。"

更值得注意的是，高德纳（Gartner）的研究发现，**只有不到一半的CEO相信他们的首席信息官"精通AI"**。这意味着，许多企业在投资AI时，连内部的技术领导者都不确定自己在做什么。

## 为什么AI没有兑现承诺？

从ChatGPT发布到现在，生成式AI的宏大叙事一直是：它将带来生产率的巨大飞跃，从而创造丰厚利润。

但现实是，这一幕似乎还没有发生。为什么？

### 1. 管理失误和实施方法

麻省理工学院的研究发现，**成功与失败的分野"似乎不是由模型质量或监管驱动的，而是由实施方法决定的"**。

一些最成功的AI投资，是由初创公司在工作流程的狭窄领域使用高度定制化的工具做出的。而那些不太成功的公司，"要么在构建通用工具，要么试图在内部开发能力"。

这让人想起上世纪八九十年代的"生产率悖论"。当时，一些经济学家认为，管理失误限制了计算机带来的生产力效益。历史似乎在重演。

### 2. AI的实际能力被高估

一位受访者的评论一针见血：

**"它在头脑风暴和撰写初稿方面非常出色，但它记不住客户的偏好，也不会从以前的编辑中学习。它会重复同样的错误，每次会话都需要输入大量上下文。对于高风险的工作，我需要一个能够积累知识并不断改进的系统。"**

这揭示了生成式AI的一个根本局限：**它擅长模式匹配和内容生成，但缺乏真正的学习能力和上下文记忆**。

对于许多成熟企业而言，生成式AI（至少在目前的形式下）根本没有被吹嘘的那么神。

### 3. 应用场景有限

休闲和酒店业、零售业、建筑业、房地产业和护理行业——这些行业总共雇佣了大约5000万美国人，但它们看起来并不像是AI转型的直接候选者。

**生成式AI虽然引人注目，但在经济的许多领域中应用有限**。它可能对知识工作者有用，但对大量的体力劳动者、服务业从业者来说，影响微乎其微。

## "影子AI经济"：员工比公司更聪明？

研究发现了一个有趣的现象：**许多员工正在工作中使用他们的个人工具，如ChatGPT或Claude**。

报告将这种现象称为"影子AI经济"（shadow AI economy），并评论说"它带来的投资回报率往往优于雇主发起的项目"。

这意味着什么？

- **个人使用AI的效果，可能好于企业级部署**
- **自下而上的采用，可能比自上而下的推动更有效**
- **简单的工具，可能比复杂的定制系统更实用**

这对那些投入数百万美元构建企业AI系统的公司来说，是一个讽刺的发现。

## 历史的教训：J曲线和漫长的等待

经济史告诉我们，即使是最具变革性的技术，也需要时间才能发挥其效用。

**詹姆斯·瓦特在1769年发明了蒸汽机。三十年后，英国大多数棉纺厂仍在使用水车提供动力**。直到19世纪初蒸汽火车发展起来，情况才改变。

**电力的普及也很缓慢，并没有立即带来全经济范围的生产率增长**。

**计算机的发展也遵循了同样的模式**。从1996年到2003年，美国整体经济的生产率增长终于提速，许多经济学家将其归因于信息技术的延迟效应。但随后，增长率又回落了。

经济学家将这种模式称为"J曲线"：

- **初期**：新技术具有颠覆性，难以融入现有工作方式，生产率可能下降
- **中期**：需要配套的基础设施、技能和产品发展起来
- **后期**：生产率提高才会显现

今年早些时候，四位经济学家发表了一篇论文，认为**美国制造业现在可能正处于AI"J曲线"的下降部分**。

多伦多大学教授克里斯蒂娜·麦克埃尔赫兰写道：**"AI不是即插即用的。它需要系统性的变革，而这个过程会带来摩擦，尤其是对老牌企业而言。"**

## 谁会是最终的赢家？

如果我们接受"J曲线"的理论，那么当前的失望只是暂时的。一旦"摩擦"被克服，生产率就会腾飞。

但问题是：**沿着曲线的旅程可能很漫长，因此很难预测谁将成为赢家和输家**。

在互联网商业化浪潮中，许多最终的赢家直到2000年互联网泡沫破灭之后才出现：

- **谷歌**成立于1998年，但直到2004年才上市
- **Facebook**直到2004年才创建
- **Airbnb**直到2008年才出现

这意味着，当前的AI热潮中，真正的赢家可能还没有出现。那些现在被热捧的公司，未必是最终的胜利者。

## Sam Altman的警告：估值"高得离谱"

就在麻省理工学院的研究报告引发关注的同一周，OpenAI首席执行官Sam Altman在一次与记者的晚宴上表示：

**目前的估值"高得离谱"（insane），并在15秒内三次使用了"泡沫"（bubble）一词**。

这是一个值得注意的信号。当AI领域最核心的玩家之一都在警告泡沫时，投资者应该保持警惕。

随后，英伟达、Meta和Palantir等高估值的AI相关股票出现了下跌。虽然相关性不等于因果关系，但市场情绪的变化是明显的。

## 少数成功案例：定制化和后台运营

公平地说，并非所有AI投资都失败了。研究报告也指出了一些成功案例：

**1. 针对后台运营的定制化工具**

报告强调："这些早期结果表明，有学习能力的系统，如果针对特定流程，确实可以带来真正的价值，甚至无需进行重大的组织结构调整。"

**2. 营销和客户关系**

一些公司报告称"通过自动化外联和智能跟进系统，提高了客户保留率和销售转化率"。

**3. 初创公司的狭窄应用**

最成功的AI投资，往往来自初创公司在工作流程的狭窄领域使用高度定制化的工具。

这些成功案例的共同点是：**专注、定制、具体**。而那些试图用AI"革命性地改变一切"的项目，往往失败。

## 学术研究 vs 商业现实

值得注意的是，有很多学术证据支持AI的有效性：

- **2023年，麻省理工学院的两位经济学家发现**，在一项随机试验中，接触ChatGPT的参与者能更快地完成"专业写作任务"，写作质量也有所提高

- **其他研究团队发现**，使用GitHub Copilot的程序员，以及使用专有AI工具的客户支持代理，都获得了生产率提升

但问题是：**为什么这些个人层面的生产率提升，没有转化为公司层面的利润增长？**

可能的原因包括：

1. **测量问题**：个人生产率提升容易测量，但公司整体效益难以量化
2. **规模问题**：个人工具的效果，可能无法扩展到企业级应用
3. **协调问题**：即使每个人都更高效，如果协调成本增加，整体效益可能下降
4. **替代效应**：AI提升了某些任务的效率，但可能创造了新的瓶颈

## 媒体实验室的"沉默"

有一个值得注意的细节：在最初一轮新闻报道之后，**有消息称，与许多科技公司有联系的媒体实验室正在悄悄限制对该报告的访问**。

《纽约客》的作者约翰·卡西迪表示，他留给该组织公关办公室和两位报告作者的信息都石沉大海。

这引发了一些猜测：是否有来自科技公司的压力？报告是否触及了某些敏感的商业利益？

无论如何，这种"沉默"本身就很说明问题。如果研究结论是错误的，为什么不公开反驳？如果是正确的，为什么要限制访问？

## 对投资者的启示

《纽约客》文章的结尾，给出了一个审慎的建议：

**"那些仍在AI热潮中乘风破浪的投资者，现在兑现一部分筹码或许是明智之举。"**

这不是说AI没有未来，而是说：

1. **当前的估值可能过高**，不反映实际的商业价值
2. **真正的赢家可能还没有出现**，就像互联网泡沫后的谷歌和Facebook
3. **从炒作到现实需要时间**，可能是5年、10年甚至更长
4. **风险和不确定性很高**，分散投资和适时退出是明智的

## 结语：历史不会简单重复，但会押韵

罗伯特·索洛在1987年提出的"生产率悖论"，持续了十多年才得到解决。

现在，我们可能正面临一个新的悖论：**AI无处不在，但利润无处可寻**。

历史告诉我们，这个悖论最终可能会被解决。新技术需要时间来发挥其潜力，需要配套的基础设施、技能和商业模式。

但历史也告诉我们，这个过程可能很漫长，充满了失败和泡沫。那些在互联网泡沫中幸存下来的公司，往往不是最早的、最热门的，而是最有耐心的、最务实的。

对于AI，或许也是如此。

**300亿美元的投资，95%零回报**——这不是AI的终结，而可能只是一个漫长旅程的开始。

但对于那些期待快速回报的投资者和企业来说，这是一个清醒的提醒：**炒作和现实之间，还有很长的路要走**。