夜雨聆风随着人工智能技术的突飞猛进，一个经典的问题摆在了我们面前：当AI 的能力越来越强，完成单项任务的成功率越来越高且成本还在持续下降时，企业对AI的使用总量是会减少，还是会增加？
19 世纪英国经济学家杰文斯观察到一个反直觉的现象：蒸汽机效率提升让单位煤耗下降了，但英国煤的总消耗反而上升。原因是更便宜的蒸汽动力催生了纺织厂、铁路、轮船等新应用场景。20 世纪的电力、灯泡、互联网带宽也出现了类似现象。这类现象后来被称为杰文斯悖论，产生这个悖论的关键驱动因素是潜在的下游需求。在潜在需求较少的场景，例如，汽车更省油了，美国总油耗并没有上升。通勤需求有天花板，省下来的油超过了多开的里程。空调更省电了，但房间温度下降也有上限。在这些市场，更高效的燃料或供暖并未促使使用量增加到足以抵消所节约资源的程度。
2026年4月发布的一篇名为《Returns to Intelligence》的最新研究给了我们明确的答案。在这项由芝加哥大学学者和编程平台 Cursor 团队联合进行的研究中，他们分析了 500 家使用 Cursor 平台的公司在 2025 年 7 月到 2026 年 3 月这 9 个月里的使用数据。发现 AI 需求领域存在明显的“杰文斯悖论”效应：大模型能力的飞跃，反而激发了更庞大的使用需求。
AI 使用量激增 44%
在2025年底，业界迎来了 Claude Opus 4.5 和 GPT-5.2 等模型，这被认为是 AI 智能和编程实用性的一次阶跃式提升。 在这些新模型发布后，Cursor 平台上每个用户每周发送的消息数从 52 涨到 75，增加了 +44%。 这个趋势在新模型发布后的一个月内就开始上升，并且随后几个月都在持续上升。
任务演进：从简单修改到高维挑战
面对更强大的AI，开发者不仅仅是增加了使用的频率，更是改变了使用的深度。研究追踪了消息的复杂度分类，揭示了一个渐进式的转变：初期，用户倾向于让AI完成更多熟悉范围内的任务，但随着时间推移，他们开始将AI导向更复杂的挑战 。 在可观测的研究期间内，各类任务的增幅存在显著差异：
高复杂度任务增幅领跑： 涉及跨代码库上下文的高复杂度消息增幅最大，高达 68% 。
低复杂度任务增幅平缓： 相比之下，低复杂度消息仅增长了22%，中等复杂度消息增长了30% 。
具体到开发场景中，增幅最显著的往往是存在跨系统依赖关系、需要深度整合知识的任务 。例如：
文档编写相关任务增加了 62%
架构设计任务增加了 52%
代码审查增加了 51%
代码评审（code review）：+51%
学习陌生代码（learning）：+50%
DevOps 和部署：+38%
数据和数据库：+35%
而像UI/样式设计这类较为独立的局部任务，增幅仅为 15%
这件事说明，程序员开始把 AI 从"高级代码打字员"换成了"系统架构师"和"部署专家"。以前 AI 主要负责执行已经想好的实现，现在 AI 开始参与设计、评审、跨系统协调。人的角色也跟着左移——从手动写代码变成定义问题、审查输出、把关方向。
组织结构：谁在最快拥抱红利？
并非所有企业都能快速捕捉到 AI 能力提升带来的红利。研究通过对比发现，组织架构更灵活、能够更有效重组生产流程的企业，其 AI 使用量的增长的更为快速。
规模效应： 较小的企业反应更快。员工人数最少的三分之一企业群体，其用户每周AI消息量增长了52%，而规模最大的三分之一企业仅增长了38% 。
所有制差异： 私有企业的表现优于上市公司。尽管在模型升级前私有企业的基数已经较高，但其使用量增幅（46%）依然超过了上市公司（40%） 。
企业年龄： 越年轻的企业，拥抱AI的速度越快。最年轻的三分之一企业增幅达47%，而历史最悠久的三分之一企业增幅为37% 。
总结下，小、私营、年轻的公司决策链条短、试错成本低，工作流可以快速调整去吸收新能力；大、上市、老的公司决策周期长，工作流改变要经过更多层审批和适配。
行业洞察：扩大产能与军备竞赛
除了企业自身的特质，下游市场需求和竞争格局同样深刻影响着 AI 的渗透率。在所有被调查的行业中，增幅最大的三个领域分别是：媒体与广告（增长54%）、软件与开发者工具（增长47%）以及金融与金融科技（增长45%） 。
作者认为这反映了不同的市场动力机制：
军备竞赛：在金融领域，如果一家机构利用AI开发出更敏锐的交易策略，竞争对手就有极强的动机采用类似的工具以防落后。
拓宽供给边界：在软件和媒体等以内容与知识创造为主的行业，更强大的AI扩大了可行产品的集合，直接拉动了底层生产力的扩张
总结
《Returns to Intelligence》的研究表明，评估 AI 的经济价值不能仅仅停留在“机器替代人工”的存量替代逻辑上。随着前沿模型不断突破能力边界，它们正在将 AI 的适用范围拓展到全新的高阶任务中，从而激发巨大的增量需求 。
对于企业而言，仅仅引入 AI 工具是不够的。真正的护城河在于组织是否具备足够的灵活性，以重构内部工作流，将技术潜力真正转化为业务上的“智能回报”。
