AI技术已经铺天盖地了，社会和企业的整体生产率究竟什么时候会迎来一次像样的跃升？
一组最新调查数据给出了一个令人警醒的答案。美国国家经济研究局（NBER）今年对近6000名企业高管进行了一项大规模调查，覆盖美国、英国、德国和澳大利亚。结果显示，虽然高达七成的受访企业已经在不同程度上尝试了AI，但超过80%的高管坦言：过去三年里，AI对他们公司的就业水平和生产率并没有产生任何可衡量的实际影响。
这个现象并非没有先例。1987年，诺贝尔经济学奖得主索洛（Robert Solow）在评论文章中留下了那句经典判断：“你可以在任何地方看到计算机时代，唯独在生产率统计数据里看不到。”后来人们称其为“索洛悖论”，也就是“生产率悖论”。
如今，这个让人头疼的悖论又在AI领域重演了。风险咨询公司达信（Marsh）今年发布的《人力风险2026》报告，对全球26个市场的4500多名企业人力及风险管理专业人士进行了调查，报告直言不讳地指出：比起数据泄露、AI幻觉这些老生常谈的风险，一个更大的威胁其实被忽略了——那就是企业投入了大笔资金，最终却没能把AI转化为实质性的生产率提升。
世界经济论坛人工智能卓越中心（CAIE）的负责人巴索（Maria Basso）在接受采访时一针见血地解释道：“核心问题根本不在技术本身。对于大量的应用场景而言，技术其实已经足够成熟了。真正的障碍，出在领导力、人才和流程上。”
问题不在技术本身
一边是轰轰烈烈的AI投入，另一边却是冷冰冰的现实数据。NBER的调查发现了一个有意思的现象：虽然三分之二的高管说自己会用AI工具，但他们平均每周真正花在AI上的时间，居然只有1.5个小时。更夸张的是，还有四分之一的受访高管完全不用AI。
在达信的报告里，“对AI缺乏信心以及采纳AI的心态障碍”，在高管层的风险排名中竟然高居第三位。40%的受访者最担心的，恰恰是“钱投进去了，但员工培训和再培训却没跟上”。与此同时，还有38%的人担心HR部门对AI一知半解，直接拖累了企业的人力转型进程。
问题更可能出在技术与组织流程的严重错位上。达信在报告中写道，当前大多数企业犯了一个根本性错误：他们习惯性地把AI当成一个可以“安装”在现有岗位和流程上的附件，以为这样就能带来效率提升。结果可想而知——得到的只是边际改善，而不是实质性的变革。
李兆琦（达信中国区首席执行官、美世中国区总裁）打了个形象的比方：“当落后的生产关系匹配不上先进的生产力时，新技术的优势根本发挥不出来。如果员工原本只会赶马车，现在直接给他一辆汽车，一切都得从头开始。企业不能一上来就想着削减成本，而是要先解决员工的转型意愿问题，重新梳理分工和流程，把岗位重塑（Reskill）真正落到实处。”
她进一步解释道，在没有AI的传统时代，岗位设计天然默认所有工作都需要人类——甚至多个人协作完成。除非企业彻底梳理一遍工作流程和岗位，清晰划分出AI和人类各自的职责边界，否则直接用AI替换人力的路径根本走不通。
举一个产品经理的例子。未来的产品经理，任务很可能被拆成两半：那些机械性的总结工作，完全可以交给AI处理；但涉及到核心的商业判断，就算AI给出了条理清晰的分析，最终决定“信还是不信”的决策责任，依然必须落在人身上。在岗位重组和技术成熟度完美匹配之前，技术红利就不可能全面释放。
还有一组数据让人深思。麻省理工学院2025年8月的一项研究发现，企业AI项目的失败率据报道高达95%。巴索对此评论道：“很多企业都在做试点项目，推进得也很积极，但这些项目全都孤零零地卡在各个业务部门内部。彼此割裂，互不相通。企业没办法把这些碎片化的积累资本化，更没办法在它们之上叠加出更大的价值来。”
重构工作与岗位角色
世界经济论坛6月发布的《AI优先操作系统：运营与商业模式创新蓝图》，针对上述普遍存在的错位给出了系统性的回应。报告指出，尽管2025年全球在人工智能领域的投资已经超过2500亿美元，但真正认为AI带来了碘伏性变革的企业，仅有25%。问题就出在，大多数组织还是在把AI“嫁接”到既有的老旧流程上，而没有围绕“智能”去重新构建整个运营模式。
报告由此提出了“AI优先”的理念——不是AI比人更重要，而是必须优先考虑如何最大限度地利用AI的优势。具体来说，就是要系统性地重塑工作流、岗位角色和决策权，让AI真正成为大规模创造和交付价值的战略杠杆。
巴索介绍，做得好的企业普遍构建了一套“智能引擎”式的核心数据架构。“这是公司的核心，所有业务流程的数据都连接着这个智能引擎。它们的工作流自动化又互联，并且能够反哺：从智能引擎中获取信息，处理完之后再输送回去，形成一个持续创造价值的闭环。”
不仅如此，这些企业还拥有可扩展、自适应的技术栈。巴索强调：“没人能预知未来的技术栈会走向何方。所以，那些成功的企业从设计之初就为灵活适配留好了余地。在此基础上，它们清楚地知道该把优秀的人才放到哪些最合理的岗位上。”
李兆琦也强调，要真正发挥技术的作用，组织层面必须动真格。全员学习、组织建制、分工流程，全都要重新梳理。达信报告中着重提出了“工作再设计”的概念：先把职位拆解成一个个具体任务，逐一评估哪些可以被AI替代、辅助或优化，然后根据结果重新界定人和AI各自的角色边界。
但要真正做到这一点，难度之大可想而知。“对于传统大公司来说，这绝不是一件轻而易举的事，”巴索坦言，“不仅要调整技术，还要改变组织架构。领导层必须拿出决心，而管理层有时候恰恰在这些决策中牵扯到既得利益。所以，大型企业要完成这种彻底的转型，极具挑战性。相比之下，规模较小的初创企业反而跑得更快，它们也正是目前成功把技术效益最大化的群体。”
面对当前企业普遍的“AI投入焦虑”，李兆琦的态度很明确：任何新工具和新流程的采用，都需要时间来沉淀。“技术本身已经就位了，但一个组织能不能吸收和应用它，绝对不是一个一刀切的问题。这就好比拿到一辆新车，企业必须先熟悉它，经历一个从‘小步尝试’到‘大步奔跑’的调适期。不可能今天砸钱投入技术，明天就看到生产力飞跃。”
斯坦福大学经济学家布鲁姆（Nicholas Bloom）也持有类似观点。他发现，AI的传播规律和计算机、互联网大相径庭：AI并不是先在工作场所普及，再慢慢渗透进千家万户。恰恰相反，“人们在工作之外使用AI的频率，实际上超过了在工作场景中的使用”。此外，小型企业和自雇人士对AI的接受速度也明显快于大企业。
布鲁姆用经济学中的“J曲线”来分析：重大技术通常需要十年以上的时间沉淀，才能在宏观层面产生实质性影响。“蒸汽机、电动机、计算机和互联网，长期来看都带来了碘伏性的效果，但在问世的前五年里，对宏观经济几乎没留下什么印记。”不过他也提到，许多人预测生成式AI可能会打破这种历史惯性，在五年内就释放出近期的显著红利。
