AI 生产力没爆发,是引擎不行,还是工厂不行?

 

只把中央蒸汽机换成电动机，生产率没有立刻上来

十九世纪末，电动机开始进入美国工厂，但早期改造主要是动力替换。许多工厂把中央蒸汽机换成中央电动机，厂房布局、机器排列和传动方式基本不变。机器仍然通过天轴和皮带接入统一动力源，开关、维修、停机和产线组织方式仍然服务于旧的中央动力系统。

这种改造没有立刻释放生产率。电动机已经进入工厂，但电没有改变生产组织。真正的变化发生在二十世纪一零年代到二十年代：单台机器开始配置独立小电机，机器可以按生产步骤重新排列，产线可以局部启动，厂房不再为天轴和皮带服务。电气化的收益，主要来自这些配套变化，而不是来自把蒸汽机替换成电动机这个动作本身。

这个案例解释了一个重要现象：通用技术第一次进入现场时，常常只是替换旧组件；真正的生产率提升，发生在组织、流程、设备布局和管理方式一起变化之后。

电动机类比有用，但不能直接当证明

于是很多人顺着这个类比推导：AI 也需要新的工作流。现在 Codex、ChatGPT、各类 agent 工具进入知识工作，就像电动机进入工厂。短期看不到生产率提升，不代表 AI 没用，可能只是组织还在用旧流程消化新技术。

这个推导有解释力，但不能直接当证明。电动机案例里，旧流程的瓶颈很清楚：中央动力、天轴、皮带、机器布局。新流程的变化也很清楚：单元驱动、独立启停、按生产顺序重排。因果链能讲明白。

AI 这边的问题在于，很多人只说“要重构工作流”，却说不清旧流程的真实瓶颈是什么，也说不清新流程到底改了哪个瓶颈。收益没出现，就说流程没改；流程怎么改，说不清；怎么证明改完一定有效，也说不清。这样一来，AI 生产力叙事就变成了不可证伪的信念。

生成变快后，瓶颈转向审核和责任

AI 的局部提效已经有证据。Noy 和 Zhang 在 2023 年发表的实验显示，ChatGPT 让专业写作任务平均耗时下降 40%，质量提升 18%。客服、编码、文档整理等场景也有类似结果。St. Louis Fed 用美国工人自报使用时长和节省时间估算，生成式 AI 对总体生产率有潜在贡献。

麻烦在于，局部任务提效不等于组织生产率提升。一个十步流程里，如果 AI 只把其中一步效率翻倍，整体周期也许只减少几个点。更糟的是，生成变快之后，审核、返工、口径确认、权限审批可能变成新瓶颈。

过去一个人慢慢写一份材料，主管只审一份；现在五个人各自用 AI 生成十份材料，主管面对的是五十份看起来都像真的半成品。

这解释了为什么很多企业一边觉得 AI 很有用，一边看不到经营结果变化。工具降低的是生成成本，业务结果取决于端到端吞吐。瓶颈在生成环节时，AI 提效会直接显现；瓶颈在判断、审批、合规、协同和责任边界时，AI 会把压力推到后面的环节。

AI 试点买的是判断力

面对这种不确定性，企业要买期权，而不是下注结论。期权的意思是：用受控成本换取未来判断力。试错本身不值钱，能让组织更快知道什么有效、什么无效，才值钱。

这要求 AI 试点从“试一个工具”变成“验证一个流程假设”。一个合格的流程实验至少要写清六件事：当前瓶颈是什么，AI 介入哪一步，人工在哪个点验收，用什么指标判断收益，什么条件下停止，什么条件下扩大。缺一项，试点很容易变成展示材料。

比如“让一线人员用 AI 写工单小结”只是工具试用。

“在客户工单处理中，AI 先汇总问题、提取历史记录、匹配相似案例并生成候选处理建议，人工只审核高风险或低置信样本；目标是处理时长下降 30%、返工率不超过 10%、投诉率不升高”，这才是流程实验。它可以失败，也正因为可以失败，结果才有价值。

退出条件要写在 AI 试点开始前

很多 AI 项目失败，不是因为一开始没想清楚成功，而是因为没想清楚什么时候承认失败。只设成功指标，会让团队不断解释为什么还没成功。设退出条件，才能避免被沉没成本拖住。

退出条件可以很朴素。六周内坐席采纳率低于 30%，停止扩大。人工返工率超过 20%，回到提示和数据源排查。客户风险提示遗漏超过红线，暂停对客链路。人均处理时长下降不到 15%，但审核压力增加，就判定没有净收益。

这样做的好处是，AI 项目不再靠热情续命，而靠证据加仓。

扩大条件也要提前写清。一个工具在个人手里好用，不代表能进团队流程；能进团队流程，不代表能影响客户、资金、合规和绩效。个人草稿、团队共享、正式业务动作应该分层验收。越靠近高影响决策，越需要 owner、数据来源、版本记录、日志、回滚和人工签字。

判断标准从会用 AI 转向能证明 AI 有用

AI 生产力有没有新流程，现在还没有统一答案。更可能的情况是：一部分流程会被 AI 改写，一部分流程只会被 AI 增加噪音，还有一部分流程的瓶颈根本不在 AI 能碰到的地方。

所以，企业不要争论“AI 生产流程”这个大词。真正该建设的是一套发现机制：用小实验找瓶颈，用数据看净收益，用验收口控制风险，用复盘沉淀可复用能力。

未来拉开差距的，未必是最早相信 AI 的组织，也未必是最晚质疑 AI 的组织。而是能最快把 AI 叙事转成可证伪假设，并且敢于根据结果加仓或止损的组织。

引用

1. OpenAI: Codex is becoming a productivity tool for everyone
2. Noy & Zhang: Experimental evidence on the productivity effects of generative artificial intelligence
3. Microsoft Research: Generative AI in Real-World Workplaces
4. St. Louis Fed: The Impact of Generative AI on Work Productivity
5. OECD: The effects of generative AI on productivity, innovation and entrepreneurship