从创新到生产力爆发的“时滞”：信息通信技术革命给AI时代带来的重要教训

AI带来的生产率提升，这个判断本身没错。但它什么时候能真正体现在宏观数据里，可能并不像市场最乐观的那张时间表走得那么快。信息通信技术（ICT）革命已经给我们上了一课：从商业化落地，到投资扩张，再到生产率爆发，这中间往往有一段不短的“等待期”。

高盛美国经济研究团队在一份7月1日发布的研究中就明确表示，“预计AI将在未来十年显著提振生产率增长”。这个定调很关键——它意味着AI的核心变量不再是“能不能提升效率”，而是“这个提升什么时候能被宏观统计确认”。

说白了，问题已经从“AI有没有用”，变成了“AI何时能转化为肉眼可见的生产率增长”。企业和实验室里，效率改善的证据已经不少，但宏观数据要等到企业完成流程重构、员工培训、组织调整之后，才会慢慢体现出来。这就好比种庄稼，种子撒下去了，得等它发芽、长苗、抽穗，最后才到收割。

ICT的核心教训：投资先行，生产率滞后

上世纪80年代初，个人电脑商业化引发了ICT创新潮。当时，突破性ICT专利的人均数量在80年代末、90年代初持续攀升，ICT投资也从80年代开始明显增加。专业服务、批发贸易、运输、金融等行业率先加大了投入力度。

但生产率并没有同步起飞。

行业面板测算显示了一个有意思的现象：ICT投资占资本存量的比例每提高1个百分点，最初四年对测算出的生产率增长反而有小幅负贡献。正向影响大约要到第8年才变得清晰，到第12年附近才达到峰值，大约是0.6个百分点。

这就是新技术扩散中典型的“J曲线”效应——企业先投入设备、调整流程、承担磨合成本，然后才可能释放效率。尤其当技术改变的是信息流、决策方式和员工协作方式时，统计数据里最先出现的往往是成本，而不是产出。

三个拖慢因素：成本、网络效应与无形资本

ICT生产率为什么迟到？成本问题首当其冲。半导体和通信设备的价格在80年代一直维持在高位，直到90年代竞争加剧、监管变化推动市场开放后，成本才开始明显下降。1996年美国电信法推动了通信设备市场的竞争，芯片领域竞争者增加，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，单个用户获得的价值是很有限的。美国互联网和移动电话等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。企业需要重做流程、再培训员工、调整组织结构、建设软件和数据系统。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了软件和数据库，其余则投向了劳动力组织重构。

这一点对AI尤为重要。GPU、数据中心和模型能力这些硬投入容易被市场观察到，但组织改造这种“软功夫”往往不显眼。历史经验告诉我们，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，一个重要差异在于成本曲线。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。虽然部分美国前沿模型近期提高了名义价格以扩大利润率，但竞争压力和底层算力成本下降，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。企业内部部署AI工具，不一定要等全行业或全社会同时采用，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。

但慢变量仍然存在。企业必须重做工作流程、培训员工、调整岗位分工和组织结构。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；但以参与重组活动员工薪酬占比衡量的工作流程重构投资，目前看起来还比较慢。

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看。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。按这个框架排序，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、计算机和电子制造。

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，计算机和电子制造为0.97。

如果合并到更大的行业观察口径，信息、专业服务、保险和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。

但判断时需要谨慎。这些潜在受益行业过去几十年本来就生产率表现更强。未来如果继续跑赢，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。只要模型使用价格和算力成本继续下行，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、岗位和数据系统，比单纯采购AI工具要重要得多。ICT革命已经证明，只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、保险和金融这几个行业，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就有发布滞后的问题。即便AI已经在微观层面产生了效率收益，宏观统计层面的确认可能还需要数年时间。ICT革命给AI时代的最大提醒就是：技术突破可以很快，生产率兑现通常会更慢。