人工智能引发的产出效率增长，这一基本判断并无偏差。然而，这一增长究竟何时才能清晰反映在宏观经济指标中，可能并不像市场上最乐观的预期那样迅速兑现。信息通信技术（ICT）革命的历史早已表明：从技术商业化落地，到投资扩张，再到生产率的集中爆发，这中间往往存在一段不可忽视的“时滞期”。
高盛美国经济研究团队在7月1日发布的研究报告中明确指出：“预计人工智能将在未来十年内显著提振生产率的增长。”这一判断至关重要——它意味着AI的核心变量不再是“能否提升效率”，而是“这种提升何时才能被宏观统计所确认”。
简而言之，问题已从“AI是否有用”转变为“AI何时能转化为肉眼可见的生产率提升”。在企业与实验室中，效率改善的证据已屡见不鲜，但宏观数据要等到企业完成流程重构、员工培训以及组织架构调整之后，才会逐步显现。这正如播种：种子埋下后，需要经历发芽、长苗、抽穗，最后才能迎来收割。
ICT的核心教训：投资先行，生产率滞后
上世纪80年代初，个人电脑的商业化掀起了一轮ICT创新浪潮。当时，突破性ICT专利的人均数量在80年代末至90年代初持续攀升，ICT投资也从80年代开始显著增加。专业服务、批发贸易、运输、金融等行业率先加大了投入力度。
然而，生产率并未同步起飞。
行业面板测算揭示了一个有趣的现象：ICT投资占资本存量的比例每提升1个百分点，最初四年对测算出的生产率增长反而会产生小幅的负向贡献。正向影响大约要到第8年才变得明晰，直至第12年附近才达到峰值，约为0.6个百分点。
这正是技术扩散中典型的“J曲线”效应——企业先投入设备、调整流程、承担磨合成本，之后才有可能释放效率。尤其是当技术改变的是信息流、决策方式以及员工协作模式时，统计数据中最先显现的往往是成本，而非产出的增长。
三个拖慢因素：成本、网络效应与无形资本
ICT生产率为何迟到？成本问题首当其冲。半导体与通信设备的价格在80年代一直居高不下，直到90年代竞争加剧、监管变化推动市场开放后，成本才开始明显回落。1996年美国电信法推动了通信设备市场的竞争，同时芯片领域竞争者增多，也压低了关键组件的成本。
其次是网络效应。互联网、移动通信这类技术，在用户规模达到临界点之前，单个用户能获得的价值非常有限。美国互联网与移动电话等ICT应用的普及率在90年代后半段越过拐点后，生产率提升才更容易释放出来。
更关键的是无形资本。企业需要重新设计流程、再培训员工、调整组织架构、建设软件与数据系统。测算显示，每1美元的ICT硬件投资，至少需要额外1.7美元的配套无形投资。其中，约三分之二投向软件与数据库，其余则投向劳动力组织的重构。
这一点对AI尤为重要。GPU、数据中心以及模型能力这些硬投入容易被市场观察到，但组织改造这类“软功夫”往往不显眼。历史经验表明，后者往往决定了生产率何时才能真正进入账面。
AI可能更快，但不会没有摩擦
AI与ICT相比，一个关键差别在于成本曲线。AI模型的使用成本下降速度明显快于当年个人电脑的价格下降速度。尽管近期部分美国前沿模型提高了名义价格以扩大利润率，但竞争压力以及底层算力成本的下降，可能会限制持续涨价的空间，整体token价格路径更可能趋于稳定。
AI对网络效应的依赖也弱于通信类技术。在企业内部部署AI工具，不一定需要全行业或全社会同步采用，才能获得局部效率提升。这一点让AI有机会比ICT更早地体现在生产率数据中。
但慢变量依然存在。企业必须重新设计工作流程、培训员工、调整岗位分工与组织架构。AI相关的硬件投资占总资本存量的比例，上升速度已经快于当年ICT的建设周期；然而，以参与重组活动员工薪酬占比衡量的工作流程重构投资，目前来看仍相对缓慢。
同时，最新的统计数字可能低估了企业正在进行的组织改造。亚特兰大联储的一项企业调查暗示，2026年AI相关的无形资本支出约为2800亿美元。基于公司数据的估算则显示，美国AI转型相关的劳动力成本可能达到每年1500亿美元，高管时间分配对应的组织资本投资每年约400亿美元。
早期信号或来自四类行业
寻找AI生产率的早期宏观信号，不能只盯着整个经济体。更可行的路径是，先观察数字化基础高、AI暴露度高、工作任务更容易被自动化或增强的行业。
报告给出的框架包括四类指标：既有IT暴露度、AI采用率、AI暴露度，以及2024年以来的工作重组强度。按此框架排序，靠前的行业包括信息与数据处理、专业服务、电影与声音相关行业、保险、信贷中介、计算机与电子制造。
具体来看，信息与数据处理平均得分1.97，专业服务为1.48，电影与声音相关行业为1.21，保险为1.09，信贷中介为0.98，计算机与电子制造为0.97。
若合并到更大的行业观察口径，信息、专业服务、保险与金融最值得优先跟踪。这些行业既有更高的数字化基础，也有更多可被AI自动化或增强的工作任务。
但判断时需谨慎。这些潜在受益行业过去几十年本就生产率表现更强。如果未来继续跑赢，不能简单归因于AI。更关键的判断标准是，它们是否在相对自身历史趋势的基础上，出现了新的加速。
市场应盯住三条主线
第一条是成本。只要模型使用价格与算力成本继续下行，AI扩散的阻力就可能小于ICT时代。
第二条是组织资本。企业是否真正重做流程、岗位与数据系统，比单纯采购AI工具要重要得多。ICT革命已经证明，仅购买设备并不足以带来生产率爆发。
第三条是行业生产率拐点。信息、专业服务、保险与金融这几个行业，如果率先出现超越历史趋势的生产率提升，才更有可能成为AI进入宏观数据的早期证据。
不过，行业级生产率数据本身存在发布滞后的问题。即便AI在微观层面已产生效率收益，宏观统计层面的确认可能仍需数年时间。ICT革命给AI时代带来的最大提醒就是：技术突破可以很快，生产率兑现通常会更慢。
