張瑜：AI的生產(chǎn)率悖論？——20+篇論文中找答案

張瑜系華創(chuàng)證券首席經(jīng)濟學家、中國首席經(jīng)濟學家論壇成員

核心觀點

本文將通過文獻綜述，討論AI能否帶來生產(chǎn)率提升？

① AI屬于什么類型的技術(shù)進步？歷史上的科技進步存在不同類型，對生產(chǎn)率的影響也不同。學術(shù)界普遍認為AI符合通用技術(shù)的特征，能在長周期推動生產(chǎn)率增長。而客觀數(shù)據(jù)也顯示，2023年以來美國勞動生產(chǎn)率已出現(xiàn)提升。

② AI能否帶來生產(chǎn)率的長期提升？存在兩派觀點。一派觀點以Gordon為代表，認為在第二次工業(yè)革命以后的新技術(shù)普遍難以帶來持久的生產(chǎn)率提升；另一派觀點則以“索洛生產(chǎn)率悖論”、J曲線效應(yīng)為代表，認為信息技術(shù)、AI技術(shù)作為通用技術(shù)，能夠在長期帶來生產(chǎn)率提升，只不過在技術(shù)發(fā)展早期對生產(chǎn)率的影響并不顯著，主要原因在于時滯效應(yīng)、資源錯配、測量誤差等。

③ AI何時才能帶來生產(chǎn)率提升？目前的研究普遍預測，AI對生產(chǎn)率提振效應(yīng)最顯著的時期大致在2030年前后。

④ “AI生產(chǎn)率悖論”如何影響貨幣政策？學界普遍認為貨幣政策應(yīng)更關(guān)注轉(zhuǎn)型時期的經(jīng)濟結(jié)構(gòu)變化、更重視企業(yè)微觀調(diào)查數(shù)據(jù)（它們比宏觀數(shù)據(jù)更早看到變化），貨幣政策需維持相對寬松以支持新技術(shù)的擴散。

報告摘要

1、AI屬于什么類型的技術(shù)進步？

歷史上的科技進步存在不同類型，如“燈泡型”技術(shù)、“發(fā)電機型”的通用技術(shù)、“顯微鏡型”的“發(fā)明方法的發(fā)明”。而AI兼具通用技術(shù)與“發(fā)明方法的發(fā)明”的雙重屬性。一方面，AI具備通用技術(shù)的普遍特征（技術(shù)在經(jīng)濟各部門廣泛擴散；技術(shù)隨時間持續(xù)改進；技術(shù)能夠催化創(chuàng)新），另一方面，AI作為“發(fā)明方法的發(fā)明”，能夠優(yōu)化組織結(jié)構(gòu)、提升研發(fā)效率、催生新的經(jīng)營模式。

2023年以來美國勞動生產(chǎn)率已出現(xiàn)提升。從總量表現(xiàn)看，美國勞動生產(chǎn)率已顯著高于疫情前的趨勢水平。從生產(chǎn)率的貢獻結(jié)構(gòu)分解來看，2023年至今，生產(chǎn)率提升主要由資本深化（從0.3pp升至0.9pp）和勞動質(zhì)量提升（從0.2pp升至0.4pp）驅(qū)動，而全要素生產(chǎn)率的提升仍然較為溫和。

2、AI能否帶來生產(chǎn)率的長期提升？

這一問題存在兩派觀點。一派觀點以Gordon為代表，認為在第二次工業(yè)革命以后的新技術(shù)普遍難以帶來持久的生產(chǎn)率提升，即新技術(shù)對生產(chǎn)率的提升效益在放緩。

Gordon（2000）是這一觀點最經(jīng)典的文獻之一，通過對比1870–1970年第二次工業(yè)革命（電力、內(nèi)燃機、自來水、抗生素、電信等）與信息革命的影響，認為前者從根本上重構(gòu)了生產(chǎn)與生活，而信息技術(shù)主要影響娛樂、信息和溝通領(lǐng)域，對生產(chǎn)效率的邊際拉動遠小于前者，因此無法支撐長期的高生產(chǎn)率增長。

當前也有一部分研究支持Gordon的觀點，認為AI可能同樣難以帶來長期生產(chǎn)率的提升，原因在于：教育水平已觸及平臺期；互聯(lián)網(wǎng)革命的滲透廣度遠非當前AI可比；AI創(chuàng)造的是“信息”而非“能源”，在物理上不具備生產(chǎn)力等。

另一派觀點則以“索洛生產(chǎn)率悖論”、J曲線效應(yīng)為代表，認為信息技術(shù)、AI技術(shù)作為通用技術(shù)，能夠在長期帶來生產(chǎn)率提升，只不過在技術(shù)發(fā)展早期對生產(chǎn)率的影響并不顯著，主要原因在于時滯效應(yīng)、資源錯配、測量誤差等。

①時滯效應(yīng)：通用技術(shù)釋放生產(chǎn)率需要周期

所謂時滯假說，是指蒸汽機、電力、半導體這類通用技術(shù)，由于需要配套的組織變革、人力資本積累和技術(shù)擴散，因此其生產(chǎn)率紅利必然會經(jīng)歷較長的釋放周期，而非立刻兌現(xiàn)。生產(chǎn)率J曲線理論則是對時滯假說的定量解釋。

針對AI何時能帶來生產(chǎn)率的提升，時滯效應(yīng)正是目前學術(shù)界的主流觀點。學者普遍認為，由于AI屬于通用技術(shù)，因此也符合通用技術(shù)的時滯效應(yīng)特點。只有在前期AI投資滲透到全產(chǎn)業(yè)鏈，同時企業(yè)基于AI技術(shù)重新設(shè)計生產(chǎn)與經(jīng)營邏輯、而非在原有業(yè)務(wù)框架內(nèi)簡單疊加AI工具（類比在鐵路革命時代在鐵軌上駕駛馬車），才會帶來更顯著的生產(chǎn)率提升。

而基于微觀調(diào)查也能看到AI當前存在的時滯效應(yīng)。McElheran et al.（2025） 調(diào)查了美國制造業(yè)企業(yè)利用AI的微觀數(shù)據(jù)，發(fā)現(xiàn)在利用AI初期，AI指數(shù)（作者編制的衡量企業(yè)使用AI強度的指標）每提升一個標準差，制造業(yè)企業(yè)的全要素生產(chǎn)率下降1.33個百分點；不過2017年已采用AI技術(shù)且延續(xù)至2021年的企業(yè)，其生產(chǎn)率的增長速度顯著高于未采用AI的企業(yè)。

②資源錯配：生產(chǎn)率提升集中在頭部企業(yè)

新技術(shù)收益可能集中于少數(shù)“超級明星”企業(yè)，導致整體宏觀生產(chǎn)率未提升。資源錯配在AI領(lǐng)域，也得到了大量微觀企業(yè)與行業(yè)層面的數(shù)據(jù)驗證。

?ak?r Melek & Miller（2026）研究認為：從結(jié)構(gòu)特征看，本輪生產(chǎn)率回升尚不具備廣泛的行業(yè)基礎(chǔ)，生產(chǎn)率的增長主要集中在特定細分領(lǐng)域（如數(shù)據(jù)處理與托管業(yè)、計算機系統(tǒng)設(shè)計業(yè)等），并非全行業(yè)普遍提升。

Brynjolfsson et al.（2023）利用來自5179名客服人員的數(shù)據(jù)，發(fā)現(xiàn)AI能夠帶來整體生產(chǎn)率提升14%，但結(jié)構(gòu)上對新人和低技能員工的生產(chǎn)力提高了34%，而對經(jīng)驗豐富和高技能員工的影響甚微。

2026年美英德澳四國央行聯(lián)合調(diào)查也顯示，規(guī)模更大、勞動生產(chǎn)率更高、員工平均薪資水平更高的企業(yè)，AI落地概率顯著更高；行業(yè)維度上，金融、信息通信、專業(yè)科研服務(wù)業(yè)AI普及率領(lǐng)先，相應(yīng)行業(yè)的生產(chǎn)率提升預期也最強，呈現(xiàn)高度的行業(yè)分化。

③測量誤差：存在但影響有限

由于國民經(jīng)濟核算方法不能及時適配新技術(shù)，會在技術(shù)發(fā)展早期出現(xiàn)統(tǒng)計誤差。研究認為，一則，由于當前的核算方法無法充分核算無形資產(chǎn)、AI服務(wù)的價值，因此會低估AI對生產(chǎn)率的影響。二則，當企業(yè)通過API、云服務(wù)訂閱等方式使用AI時，這些支出被記為中間消費，而非資本形成，這會通過“產(chǎn)出渠道”（高估了中間投資、壓低增加值）和“投入渠道”（低估資本投入）影響勞動生產(chǎn)率的測算。

3、AI何時才能帶來生產(chǎn)率提升？

歷史研究認為，通用技術(shù)對生產(chǎn)率的滯后效應(yīng)可能在10-40年，且從蒸汽機到信息技術(shù)，滯后時長在不斷縮短。目前的研究普遍預測，AI對生產(chǎn)率提振效應(yīng)最顯著的時期大致在2030年前后。

4、“AI生產(chǎn)率悖論”如何影響貨幣政策？

由于在第一次和第二次工業(yè)革命期間全球?qū)嵭薪鸨疚恢疲虼藢@一問題的研究大部分圍繞格林斯潘時代的經(jīng)驗展開。從研究結(jié)論來看，普遍認為央行應(yīng)更關(guān)注轉(zhuǎn)型時期的經(jīng)濟結(jié)構(gòu)變化、更重視企業(yè)微觀調(diào)查數(shù)據(jù)（它們比宏觀數(shù)據(jù)更早看到變化），貨幣政策需維持相對寬松以支持新技術(shù)的擴散。

風險提示：本文僅系統(tǒng)整理學術(shù)界關(guān)于新技術(shù)對生產(chǎn)率影響的各類研究視角與理論成果，相關(guān)議題在學術(shù)領(lǐng)域存在多元觀點與討論，本文不做立場判斷與觀點取舍。

報告目錄

報告正文

一、AI屬于什么類型的技術(shù)進步？

歷史上的科技進步存在不同類型，也具備對生產(chǎn)率的不同影響。因此在討論AI會如何影響勞動生產(chǎn)率的變化前，我們需要先明確AI究竟屬于哪一類型的科技進步。這一問題上，學術(shù)界普遍認為AI符合通用技術(shù)的特征，能在長周期推動生產(chǎn)率增長。而客觀數(shù)據(jù)也已顯示，2023年以來美國勞動生產(chǎn)率已出現(xiàn)提升。

（一）AI符合通用技術(shù)的特征

Baily et al.（2025）[1] 判斷AI兼具通用技術(shù)與“發(fā)明方法的發(fā)明”的雙重屬性。作者引入三類技術(shù)創(chuàng)新的分析框架：①“燈泡型”技術(shù)，僅在普及階段短暫拉動生產(chǎn)率增速，市場飽和后增長效應(yīng)消退；②“發(fā)電機型”的通用技術(shù)，具備廣泛普及、帶動大量衍生創(chuàng)新、核心技術(shù)持續(xù)進步三大特征，能在更長周期內(nèi)推動生產(chǎn)率增長；③“顯微鏡型”的“發(fā)明方法的發(fā)明”，通過優(yōu)化觀察、分析、溝通、組織環(huán)節(jié)提升研發(fā)效率，可持續(xù)釋放增長動力。

Calvino, Haerle, & Liu（2025）[2] 的研究認為，由于AI具備通用技術(shù)的普遍特征，因此可以判斷AI屬于通用技術(shù)。通用技術(shù)存在3個特征，而AI在這三方面均表現(xiàn)亮眼：①普遍性，即技術(shù)在經(jīng)濟各部門之間廣泛擴散。AI當前已呈現(xiàn)出擴散潛力，當前全球AI專利橫跨21個行業(yè)領(lǐng)域；不過目前AI擴散尚處于早期階段。②技術(shù)隨時間持續(xù)改進。目前AI在計算能力和模型性能兩方面均在快速進步。③催化創(chuàng)新，技術(shù)能夠催生產(chǎn)品和流程創(chuàng)新。數(shù)據(jù)顯示，2010-2020年間美國AI專利，超過80%在3年內(nèi)獲得了后續(xù)專利引用，成為后續(xù)技術(shù)發(fā)展的基礎(chǔ)。

（二）2023年以來美國勞動生產(chǎn)率已出現(xiàn)提升

從總量表現(xiàn)看，美國勞動生產(chǎn)率已顯著高于疫情前的趨勢水平。2022年以來，美國勞動生產(chǎn)率水平逐漸偏離疫情前基線，持續(xù)向上攀升。

Sytsma（2025）[4] 對美國生產(chǎn)率數(shù)據(jù)的貢獻結(jié)構(gòu)進行分解，比較了2010-2019年和2023年至今兩個時期的生產(chǎn)率結(jié)構(gòu)。勞動生產(chǎn)率由3個部分組成：勞動質(zhì)量提升、資本深化、全要素生產(chǎn)率，2023年至今，生產(chǎn)率提升主要由資本深化（從0.3pp升至0.9pp）和勞動質(zhì)量提升（從0.2pp升至0.4pp）驅(qū)動，而全要素生產(chǎn)率（TFP）的提升仍然較為溫和。文獻指出：這一特征與通用技術(shù)的擴散過程一致，即技術(shù)發(fā)展早期，資本深化驅(qū)動了大部分的生產(chǎn)率增長，而效率與技術(shù)提升對生產(chǎn)率的提升貢獻有限。

二、AI能否帶來生產(chǎn)率的長期提升？

關(guān)于互聯(lián)網(wǎng)革命以來的新技術(shù)能否帶來生產(chǎn)率的長期提升，這一問題存在兩派觀點。一派觀點以Gordon為代表，認為在第二次工業(yè)革命以后的新技術(shù)普遍難以帶來持久的生產(chǎn)率提升，即新技術(shù)對生產(chǎn)率的提升效益在放緩；另一派觀點則以“索洛生產(chǎn)率悖論”、J曲線效應(yīng)為代表，認為信息技術(shù)、AI技術(shù)作為通用技術(shù)，能夠在長期帶來生產(chǎn)率提升，只不過在技術(shù)發(fā)展早期對生產(chǎn)率的影響并不顯著。

（一）技術(shù)進步放緩論

Gordon（2000）[5] 是這一觀點最經(jīng)典的文獻之一，通過對比1870–1970年第二次工業(yè)革命（電力、內(nèi)燃機、自來水、抗生素、電信等）與信息革命的影響，認為前者從根本上重構(gòu)了生產(chǎn)與生活，并引發(fā)了1913–1972年的生產(chǎn)率增長黃金時代；而信息技術(shù)主要影響娛樂、信息和溝通領(lǐng)域，對生產(chǎn)效率的邊際拉動遠小于前者，因此無法支撐長期的高生產(chǎn)率增長。

Gordon（2024）[6] 在紐約聯(lián)儲的演講則表達了其對AI的偏悲觀看法，認為AI可能同樣難以帶來長期生產(chǎn)率的提升。2005年以來，美國勞動生產(chǎn)率增速一直停滯在1.2%，遠低于1950–1972年的2.8%和1995–2005年互聯(lián)網(wǎng)繁榮期的2.6%。而AI時代，新技術(shù)對生產(chǎn)率的提升存在幾大“逆風”：①教育水平已觸及平臺期，完成大學或更高學位的比例見頂回落；②學生債務(wù)、政府債務(wù)擠占了生產(chǎn)性資源；③互聯(lián)網(wǎng)革命的滲透廣度遠非當前AI可比，這些因素進一步制約了AI技術(shù)對生產(chǎn)率的提升。

Beaudreau（2025）也支持Gordon的理論，他從經(jīng)典力學、熱力學和動力學的框架出發(fā)，認為生產(chǎn)過程都需要三個要素：材料、能量和信息，只有能量在物理上具備生產(chǎn)力，信息和材料本身不能做功。過去兩百年的工業(yè)革命本質(zhì)上是“能源革命”，但AI本質(zhì)上是“信息”、且創(chuàng)造“信息”還需要消耗能量。因此AI難以持續(xù)大幅提升生產(chǎn)率。

（二）技術(shù)進步的“生產(chǎn)率悖論”

1987年，諾貝爾經(jīng)濟學獎得主羅伯特·索洛在《紐約時報書評》提出了經(jīng)典的“生產(chǎn)率悖論”：你可以在任何地方看到計算機時代，唯獨在生產(chǎn)率統(tǒng)計中看不到它。“生產(chǎn)率悖論”描述了互聯(lián)網(wǎng)浪潮初期，宏觀經(jīng)濟存在的矛盾，即信息技術(shù)領(lǐng)域的投資高速增長、技術(shù)快速迭代，但全社會的全要素生產(chǎn)率增速反而持續(xù)放緩。學術(shù)界針對“生產(chǎn)率悖論”現(xiàn)象，提出了諸如測量誤差、時滯效應(yīng)等解釋。

反觀當下，當前針對AI對生產(chǎn)率潛在影響的討論，也有大量研究圍繞著“生產(chǎn)率悖論”的角度展開。Ajuzieogu（2025）[7] 就從生產(chǎn)率悖論的角度總結(jié)了AI對生產(chǎn)率影響存在的問題：①時滯效應(yīng)。AI技術(shù)落地到應(yīng)用遵循“生產(chǎn)率J曲線”規(guī)律，即在實施初期會帶來短期企業(yè)生產(chǎn)率的下降，下降源于員工學習成本、現(xiàn)有流程的重構(gòu)等，此后才會逐漸帶來生產(chǎn)率的提升。②測量誤差。傳統(tǒng)的GDP核算方法脫胎于工業(yè)經(jīng)濟框架，無法充分核算無形資產(chǎn)的價值，例如AI訓練用數(shù)據(jù)的價值大部分未被資本化。③資源錯配。企業(yè)對AI的利用率高度不均衡，主要集中在信息技術(shù)、專業(yè)服務(wù)、金融服務(wù)、傳媒娛樂等行業(yè)，因此會稀釋對整體生產(chǎn)率的提升效果。④能力-部署缺口。實驗室中的AI能力與實際生產(chǎn)部署存在顯著差距，例如信息質(zhì)量、可靠性、監(jiān)管等都可能阻礙AI的實際應(yīng)用以及對生產(chǎn)率的提升效果。下面我們將從“生產(chǎn)率悖論”的不同解釋視角出發(fā)，來總結(jié)當前的研究如何分析AI對生產(chǎn)率的潛在影響。

1、時滯效應(yīng)：通用技術(shù)釋放生產(chǎn)率需要周期

所謂時滯假說，是指蒸汽機、電力、半導體這類通用技術(shù)，由于需要配套的組織變革、人力資本積累和技術(shù)擴散，因此其生產(chǎn)率紅利必然會經(jīng)歷較長的釋放周期，而非立刻兌現(xiàn)。這一理論最早由David（1990）[8] 提出，該研究以電力革命為參照：發(fā)電機從發(fā)明到全面重構(gòu)工廠生產(chǎn)布局、釋放全行業(yè)生產(chǎn)率紅利，間隔了近40年；早期工廠僅用電機替換蒸汽機，未改變生產(chǎn)組織形式，效率提升微乎其微。作者認為，通用技術(shù)帶來的生產(chǎn)率釋放具有長周期性，從技術(shù)突破到全要素生產(chǎn)率增長峰值通常需要40-50年，其生產(chǎn)率效應(yīng)的釋放需要配套的組織變革、人力資本積累和技術(shù)擴散，生產(chǎn)率增長峰值出現(xiàn)在技術(shù)擴散曲線（刻畫新技術(shù)的普及過程：初期滲透緩慢，中期加速擴散，后期增速回落直至接近飽和）的拐點之后，而非技術(shù)突破初期。針對AI何時能帶來生產(chǎn)率的提升，時滯效應(yīng)正是目前學術(shù)界的主流觀點。

Brynjolfsson et al.（2020）[9] 提出生產(chǎn)率J曲線，說明了在通用技術(shù)發(fā)展早期，統(tǒng)計數(shù)據(jù)只能計量投資、而難以計量產(chǎn)出，因為這些產(chǎn)出主要以無形資產(chǎn)的形式存在（如新業(yè)務(wù)流程、商業(yè)模式等），因此會低估新技術(shù)對生產(chǎn)率的影響；而在通用技術(shù)發(fā)展后期，早期的無形資產(chǎn)投入開始產(chǎn)生效益，進而帶來生產(chǎn)率快速提升。同時，作者研究也認為，當時以機器學習、圖像識別等為代表的早期AI技術(shù)也存在生產(chǎn)率J曲線的特點。

Baily et al.（2025）的研究認為，①AI同時具備通用技術(shù)與“發(fā)明方法的發(fā)明”的雙重屬性，這一特征預示其將對生產(chǎn)率水平產(chǎn)生顯著正向影響。作為通用技術(shù)，AI在衍生創(chuàng)新、核心技術(shù)進步兩個維度已有成效，但普及度仍有局限，非科技行業(yè)、中小企業(yè)落地進度緩慢，因此可能需要更高的普及度才能進一步促進生產(chǎn)率的提高。作為“發(fā)明方法的發(fā)明”，AI在科研領(lǐng)域已體現(xiàn)出對研發(fā)效率的提升。②AI作為通用技術(shù)，其對生產(chǎn)率的提升，存在“成本先行、收益滯后”的時間差，即前期需要先投入技術(shù)、人力、基礎(chǔ)設(shè)施的建設(shè)，因此會在拉低生產(chǎn)率的增速。AI技術(shù)也遵循這一規(guī)律，當前期投資滲透到全產(chǎn)業(yè)鏈后，才會帶來更顯著的生產(chǎn)率提升。

Daly（2026）[10] 的研究認為AI技術(shù)屬于通用技術(shù)變革，與電力技術(shù)的發(fā)展路徑相似；電力技術(shù)從原理突破到生產(chǎn)力釋放歷時近百年：相應(yīng)地，將AI技術(shù)與電力技術(shù)的發(fā)展歷程進行對比：20世紀30-50年代奠定計算科學基礎(chǔ)，20世紀90年代實現(xiàn)流程自動化與數(shù)據(jù)驅(qū)動的機器學習應(yīng)用，2022年大語言模型面向公眾發(fā)布，進入商業(yè)應(yīng)用與普及擴張的關(guān)鍵階段。但目前，AI尚未進入系統(tǒng)性拉動全經(jīng)濟生產(chǎn)率增長的時期。當前多數(shù)AI應(yīng)用僅停留在局部流程優(yōu)化層面，尚未實現(xiàn)生產(chǎn)體系與商業(yè)模式的根本性重構(gòu)；真正的變革性突破依賴企業(yè)基于AI技術(shù)重新設(shè)計生產(chǎn)與經(jīng)營邏輯，而非在原有業(yè)務(wù)框架內(nèi)簡單疊加AI工具。

在微觀調(diào)查中，AI技術(shù)也呈現(xiàn)出一定的“時滯效應(yīng)”。

Becker et al. (2025)[11] 、Becker et al. (2026)[12] 連續(xù)2年進行代碼開發(fā)人員調(diào)查，2025年的調(diào)查結(jié)果顯示，開發(fā)者使用AI工具后，工作時間比不使用時增加了19%——AI反而降低了他們的效率。但2026年再度開展調(diào)查時，研究團隊發(fā)現(xiàn)：選擇不參與調(diào)查的開發(fā)人員數(shù)量顯著增加，因為他們不愿在沒有人工智能的情況下工作，或也間接反映了AI對代碼開發(fā)人員生產(chǎn)率的影響出現(xiàn)明顯提升。

McElheran et al.（2025）[13] 研究基于美國制造業(yè)企業(yè)的微觀數(shù)據(jù)，檢驗工業(yè)企業(yè)AI的普及特征以及對生產(chǎn)率的影響。其研究認為：①美國制造業(yè)企業(yè)AI滲透率整體偏低，截至2021年僅約23%的制造業(yè)工廠采用AI；②制造業(yè)企業(yè)利用AI存在顯著的J曲線特征，在利用AI初期，AI指數(shù)（作者編制的衡量企業(yè)使用AI強度的指標）每提升一個標準差，制造業(yè)企業(yè)的全要素生產(chǎn)率下降1.33個百分點。不過長期來看，2017年已采用AI技術(shù)且延續(xù)至2021年的企業(yè)，其生產(chǎn)率的增長速度顯著高于未采用AI的企業(yè)，即長期來看，AI技術(shù)已帶動企業(yè)生產(chǎn)率進入J曲線的上行階段。③短期生產(chǎn)率損失源于生產(chǎn)流程調(diào)整成本與結(jié)構(gòu)化管理能力退化。

Writer Team（2026）[14] 對企業(yè)應(yīng)用AI進行調(diào)查，覆蓋全球2400名受訪者（包括1200名日常使用AI的非技術(shù)員工、以及1200名企業(yè)高管），調(diào)查結(jié)果顯示：①個體層面，97%的企業(yè)已部署AI智能體，半數(shù)員工已日常使用；深度使用AI的員工，生產(chǎn)率可能較普通員工提升5倍。②但整體層面，僅有29%的企業(yè)實現(xiàn)了顯著的AI投資回報。

2、資源錯配：生產(chǎn)率提升集中在頭部企業(yè)

新技術(shù)收益可能集中于少數(shù)“超級明星”企業(yè)，導致整體宏觀生產(chǎn)率未提升。這一方面的經(jīng)典研究文獻為Andrews et al.（2015）[15] ，作者使用OECD 23國的數(shù)據(jù)，發(fā)現(xiàn)2001-2009年期間，全球頭部企業(yè)的制造業(yè)勞動生產(chǎn)率年均增長約3.5%，而非頭部企業(yè)的制造業(yè)勞動生產(chǎn)率年均增長僅約0.5%。其研究認為，在2001-2009年期間，盡管發(fā)達國家整體生產(chǎn)率增長放緩，但全球頭部企業(yè)的生產(chǎn)率仍在快速增長；只不過新技術(shù)在頭部企業(yè)以外的擴散速度較慢，并未帶動絕大部分企業(yè)生產(chǎn)率的提升。

此后，Autor et al.（2020）[16]在此研究基礎(chǔ)上，也發(fā)現(xiàn)：在全球化與信息技術(shù)進步的大背景下，市場競爭變得更“贏家通吃”，每個行業(yè)里效率最高的頭部企業(yè)搶走了越來越多的市場份額；進而導致頭部企業(yè)在新技術(shù)的加成下勞動生產(chǎn)率增長較快，但落后企業(yè)追趕不上，導致企業(yè)間差距拉大，拖累了整體生產(chǎn)率。

而資源錯配在AI領(lǐng)域，也得到了大量微觀企業(yè)與行業(yè)層面的數(shù)據(jù)驗證。

?ak?r Melek & Miller（2026）研究認為，AI帶來生產(chǎn)率回升的可持續(xù)性存在不確定性，其未來走向取決于增長的擴散進程：如果生產(chǎn)率增長能夠逐步拓寬行業(yè)覆蓋范圍并長期持續(xù)，就足以支撐更快的非通脹式經(jīng)濟增長；如果增長始終集中在少數(shù)行業(yè)，則回升的可持續(xù)性將面臨挑戰(zhàn)。從數(shù)據(jù)來看，本輪生產(chǎn)率回升尚不具備廣泛的行業(yè)基礎(chǔ)。盡管生成式AI時代的累計生產(chǎn)率貢獻已較疫情前翻倍以上，但凈增長中的大部分仍由少數(shù)行業(yè)貢獻。生成式AI時代貢獻排名前四位的行業(yè)依次為零售貿(mào)易，信息業(yè)，專業(yè)、科學、技術(shù)服務(wù)業(yè)（簡稱PSTS），房地產(chǎn)及租賃業(yè)；信息業(yè)，專業(yè)、科學、技術(shù)服務(wù)業(yè)內(nèi)部，生產(chǎn)率的增長主要集中在特定細分領(lǐng)域（如數(shù)據(jù)處理與托管業(yè)、計算機系統(tǒng)設(shè)計業(yè)等），并非全行業(yè)普遍提升。

Brynjolfsson et al.（2023）[17] 利用來自5179名客服人員的數(shù)據(jù)，發(fā)現(xiàn)AI能夠帶來整體生產(chǎn)率提升14%，但分化明顯；對新人和低技能員工的生產(chǎn)力提高了34%，而對經(jīng)驗豐富和高技能員工的影響甚微。即AI對提升整體生產(chǎn)率確實存在效果，不過存在一定的內(nèi)部分化。

2026年，美國亞特蘭大聯(lián)儲、英國央行、德國聯(lián)邦銀行、澳大利亞麥考瑞大學四大研究團隊聯(lián)合開展跨國同步調(diào)研[18] ，在2025年11月至2026年1月同步進行四國近6000名企業(yè)高管進行調(diào)研。核心結(jié)論顯示當前絕大部分企業(yè)認為AI對就業(yè)或生產(chǎn)率無顯著影響。具體來看：①四國企業(yè)AI整體普及度較高，且普及速度持續(xù)提升，但企業(yè)AI應(yīng)用存在顯著結(jié)構(gòu)性分化：規(guī)模更大、勞動生產(chǎn)率更高、員工平均薪資水平更高的企業(yè)，AI落地概率顯著更高；行業(yè)維度上，金融、信息通信、專業(yè)科研服務(wù)業(yè)AI普及率領(lǐng)先，住宿餐飲、傳統(tǒng)生產(chǎn)制造行業(yè)普及滯后。②截至調(diào)研時點，過去三年AI對各國企業(yè)就業(yè)、生產(chǎn)率的實際宏觀影響極其微弱，絕大多數(shù)企業(yè)未感知明顯變化。但企業(yè)高管預判未來三年AI將產(chǎn)生顯著經(jīng)濟效應(yīng)，且存在國別與行業(yè)分化。國別上，美國企業(yè)對AI生產(chǎn)率提升預期最高（2.25%）；行業(yè)上，信息通信、行政配套業(yè)生產(chǎn)率提升幅度預期最強。

3、測量誤差：存在但影響有限

由于國民經(jīng)濟核算方法不能及時適配新技術(shù)，會在技術(shù)發(fā)展早期出現(xiàn)統(tǒng)計誤差。Baily & Gordon（1988）[19] 從統(tǒng)計誤差的角度解釋了1970年代美國生產(chǎn)率增長放緩的問題。①計算機帶來的便利性難以統(tǒng)計。例如計算機技術(shù)帶來超市營業(yè)時間變長、商品種類變豐富，這些服務(wù)改善能讓消費者生活更便利，但統(tǒng)計上只按“產(chǎn)出/勞動小時數(shù)”計算生產(chǎn)率。②忽視了勞動力質(zhì)量的變化，統(tǒng)計中將一個勞動小時當做同質(zhì)單位，但現(xiàn)實中不同勞動者的“質(zhì)量”完全不同，若新進入者多為低經(jīng)驗、低教育水平的工人，可能會壓低生產(chǎn)率增長。不過作者也認為，測量誤差只能解釋生產(chǎn)率放緩的一小部分，并非核心原因。

目前，也有部分研究認為，AI技術(shù)在使用早期也存在統(tǒng)計上的誤差，導致其對生產(chǎn)率的影響被低估。Ajuzieogu（2025），Sytsma（2025）在研究中均提到，由于當前的核算方法無法充分核算無形資產(chǎn)、AI服務(wù)的價值，因此會低估AI對生產(chǎn)率的影響。Bontadini et al.（2026）[20] 也認為，當前的國民經(jīng)濟核算體系存在系統(tǒng)性的統(tǒng)計誤差，導致AI對生產(chǎn)率的影響被低估，主要原因在于：①當企業(yè)通過API、云服務(wù)訂閱等方式使用AI時，這些支出被記為中間消費，而非資本形成，這會通過“產(chǎn)出渠道”（高估了中間投資、壓低增加值）和“投入渠道”（低估資本投入）影響勞動生產(chǎn)率的測算。②目前官方統(tǒng)計中，對軟件/IT平減指數(shù)的估算未能捕捉到AI能力的快速提升，導致投資價格被高估、從而低估投資量。③由于AI上游企業(yè)以資本投資為主，下游企業(yè)使用AI但不被記為投資，這也導致了總量的生產(chǎn)率數(shù)據(jù)更多反映了上游企業(yè)特點，不具備經(jīng)濟整體的代表性。不過，上述研究也認為，盡管存在對AI的統(tǒng)計誤差，但AI能夠?qū)ιa(chǎn)率產(chǎn)生多大的影響，仍取決于AI技術(shù)在生產(chǎn)中的滲透率。

三、AI何時才能帶來生產(chǎn)率提升？

歷史研究認為，通用技術(shù)對生產(chǎn)率的滯后效應(yīng)可能在10-40年，且從蒸汽機到信息技術(shù)，滯后時長在不斷縮短。目前的研究普遍預測，AI對生產(chǎn)率提振效應(yīng)最顯著的時期大致在2030年前后。

Ajuzieogu（2025）對AI何時能帶來勞動生產(chǎn)率提升做出了明確的時間預測。作者提出了三階段演化模型。第一階段：生產(chǎn)率悖論期（2022-2025年）。這一階段的特點是：大量投資，但宏觀生產(chǎn)率沒有顯著提升。第二階段：影響顯現(xiàn)期（2026-2029年）。這一階段的特點是：隨著實施知識擴散和互補性投資成熟，領(lǐng)先企業(yè)的經(jīng)濟回報變得顯著，行業(yè)層面的生產(chǎn)率提升將逐漸顯現(xiàn)，但總體數(shù)據(jù)可能仍不完全。第三階段：生產(chǎn)率加速期（2030-2035年）。這一階段的特點是：AI技術(shù)在經(jīng)濟中廣泛擴散，最終在宏觀統(tǒng)計數(shù)據(jù)中體現(xiàn)為顯著的生產(chǎn)率增長。

此外，作者還預測了不同類別的行業(yè)進入生產(chǎn)率加速期的時間。①快速擴散行業(yè)（IT、金融、專業(yè)服務(wù)）：2028–2029年；②中速擴散行業(yè)（零售、媒體、電信、先進制造）：2030–2031年；③慢速擴散行業(yè)（醫(yī)療、教育、交通、建筑）：2032–2034年；④晚擴散行業(yè)（傳統(tǒng)制造、農(nóng)業(yè)、自然資源）：2035年之后。

最后，作者指出，AI能否如期帶來生產(chǎn)率加速提升，關(guān)鍵取決于企業(yè)能否完成組織轉(zhuǎn)型、政府能否建立新的統(tǒng)計框架、以及技術(shù)能否從個別頭部企業(yè)擴散至更廣泛的經(jīng)濟體中。

Arnon（2025）[21] 測算了AI對未來美國全要素生產(chǎn)率的影響路徑，其測算顯示：①AI對生產(chǎn)率的宏觀影響目前尚不顯著。在特定任務(wù)中AI能夠顯著提升效率（如編程速度提高56%），但由于很多工作場景AI尚缺乏經(jīng)濟可行性、且企業(yè)部署和熟練應(yīng)用技術(shù)需要時間，因此2025年AI對全要素生產(chǎn)率增長的貢獻僅為0.01個百分點。②而長期來看，AI對生產(chǎn)率的影響將呈現(xiàn)“駝峰型”。預計隨著AI工具被廣泛應(yīng)用及技術(shù)自身的成熟，AI對全要素生產(chǎn)率增長的年度貢獻將逐漸提升，在2032年達到0.2個百分點的峰值。而一旦技術(shù)采用達到飽和，AI對生產(chǎn)率的拉動將逐步衰減。

Boussour & Daco（2023）[22] 的研究認為，AI對經(jīng)濟的提振將在未來3-5年內(nèi)感受到（大約為2026-2028年）。文章通過歷史對比來支撐這一預測。作者認為，蒸汽機、電力、計算機從發(fā)明到顯著提升生產(chǎn)率，分別滯后約80年、40年、20年，呈現(xiàn)逐漸縮短的特點。而AI由于技術(shù)擴散和采用速度更快，預計滯后時間將縮短至3–5年。同時參考計算機帶來的生產(chǎn)率提升幅度，預計AI能在未來10年帶來生產(chǎn)率增速提升20%-50%，這一增幅雖然顯著，但可能也不及電力所帶來的生產(chǎn)率翻倍。

四、“AI生產(chǎn)率悖論”如何影響貨幣政策？

考慮到“生產(chǎn)率悖論”現(xiàn)象的存在，會導致AI等新技術(shù)存在一段時間的“高投入、低回報”，因此也有部分文獻討論了AI技術(shù)發(fā)展背景下，貨幣政策應(yīng)該做出怎樣的調(diào)整。由于在第一次和第二次工業(yè)革命期間全球?qū)嵭薪鸨疚恢疲虼藢@一問題的研究大部分圍繞格林斯潘時代的經(jīng)驗展開。從研究結(jié)論來看，普遍認為央行應(yīng)更關(guān)注轉(zhuǎn)型時期的經(jīng)濟結(jié)構(gòu)變化、更重視企業(yè)微觀調(diào)查數(shù)據(jù)（它們比宏觀數(shù)據(jù)更早看到變化），貨幣政策需維持相對寬松以支持新技術(shù)的擴散。

Brault et al. (2026)[23] 認為，AI會帶來經(jīng)濟結(jié)構(gòu)的變化，因此貨幣政策需要區(qū)分經(jīng)濟的結(jié)構(gòu)性調(diào)整與周期性波動，采取更為靈活的政策。具體來說：

①AI可能引發(fā)“雙速經(jīng)濟”，AI擴張部門供給短缺、價格上漲，可能推高整體通脹；但這類通脹屬于結(jié)構(gòu)性調(diào)整，而非需求過熱信號，因此貨幣政策不應(yīng)過早緊縮，需容忍階段性通脹以實現(xiàn)資源再配置。

②貨幣政策需要區(qū)分結(jié)構(gòu)性錯位與周期性疲軟，作者以勞動力市場為例，認為貨幣政策需要區(qū)分疲弱的勞動力市場指標究竟反映的是總需求不足（周期性）、還是技術(shù)引發(fā)的再分配（結(jié)構(gòu)性）；作者提出了4個觀察指標來識別結(jié)構(gòu)性錯位與周期性疲軟。應(yīng)對結(jié)構(gòu)性調(diào)整，貨幣政策可以在穩(wěn)定價格預期的前提下，包容一定的經(jīng)濟波動，引導經(jīng)濟平穩(wěn)過渡至新均衡。

Daly（2026）基于AI屬于通用技術(shù)變革的背景，提出轉(zhuǎn)型時期的貨幣政策應(yīng)對策略，認為：①不能僅依賴生產(chǎn)率、勞動力市場、通脹等總量宏觀數(shù)據(jù)判斷經(jīng)濟走勢，需挖掘細分微觀數(shù)據(jù)捕捉技術(shù)變革的早期信號；②不存在固定的指標體系可用于跟蹤技術(shù)轉(zhuǎn)型，央行需要能夠識別真正具有前瞻性的信息，同時發(fā)現(xiàn)數(shù)據(jù)中的不一致性并努力解決；③企業(yè)的一線反饋具有重要價值，需要將這類信息納入貨幣政策判斷框架。作者以格林斯潘時代為例，認為在1990年代互聯(lián)網(wǎng)革命初期，宏觀數(shù)據(jù)也看不到生產(chǎn)率的顯著增長，但格林斯潘堅持從企業(yè)微觀數(shù)據(jù)和實地走訪中尋找信號，選擇不急于加息，最終為“咆哮的90年代”創(chuàng)造了條件。

Poloz (2019)[24] 提出，在第一次和第二次工業(yè)革命期間，全球?qū)嵭薪鸨疚恢疲瑹o法擴張貨幣供給，從而誘發(fā)了兩次經(jīng)濟衰退。第三次工業(yè)革命（1990年代）由于通脹目標制的確立，貨幣政策得以保持寬松，避免了深度蕭條。作者復盤了格林斯潘時代應(yīng)對信息革命的貨幣政策決策。從1995年起，美國的潛在產(chǎn)出就持續(xù)高于預測值，但由于當時的通脹持續(xù)低于目標值，允許美聯(lián)儲保持相對寬松的貨幣政策，允許經(jīng)濟增長“跑起來”，這使得技術(shù)轉(zhuǎn)型比前兩次工業(yè)革命平滑得多；但代價是長期的金融寬松為金融危機埋下了種子。基于此作者提出了技術(shù)變革時期的貨幣政策框架：①允許增長在通脹溫和時"跑起來"，從而為被新技術(shù)替代的勞動力創(chuàng)造新的就業(yè)機會。當技術(shù)沖擊導致的供給增長超過需求時，通脹會自然走低；②將金融穩(wěn)定納入貨幣政策考量，需要宏觀審慎工具來抑制資產(chǎn)泡沫和過度杠桿。

不過，Goolsbee（2025）[25] 也指出，央行判斷新技術(shù)能否帶來生產(chǎn)率持續(xù)提升是極其困難的，作者提出，應(yīng)對這一困境，一則央行需要納入實地視角，關(guān)注行業(yè)專家、商業(yè)領(lǐng)袖和一線從業(yè)者的觀察，因為他們可能比統(tǒng)計數(shù)據(jù)更早看到變化；二則央行不能盲目樂觀，高估AI對生產(chǎn)率的積極效果，防止因?qū)I前景過度興奮而引發(fā)投資過熱與資產(chǎn)泡沫，重蹈2001年互聯(lián)網(wǎng)泡沫的覆轍。