夜雨聆风最近我有一个越来越强烈的感觉：
我们正在进入一个“AI工具极其丰富，但真正效率提升并不稳定”的阶段。
企业在买AI软件，部门在搭知识库，员工在学习提示词；博士生也在装各种插件，用AI读文献、写代码、改论文。
工具确实越来越强。
但很多人的真实感受却是：
软件装了不少，工作并没有明显减少；文献总结得更快，研究问题却没有更清楚；企业买了AI账号，原来的流程依然没有改变。
这不是一种错觉。
2026年一项覆盖美国、英国、德国和澳大利亚近6000名企业高管的调查显示，大约七成企业已在使用AI；但企业高管平均每周使用AI的时间只有约1.5小时。更值得注意的是，89%的受访高管表示，过去三年AI尚未对企业劳动生产率产生可感知的影响。
这带来一个很值得讨论的经济学问题：
为什么AI能力进步得如此快，企业生产率却没有同步起飞？
一、企业购买的可能只是工具，而不是新生产方式
很多企业所谓的“采用AI”，其实只是完成了第一步：
给员工开通一个账号。
原来用搜索引擎查资料，现在用大模型；原来自己写邮件，现在让AI起草；原来人工整理会议纪要，现在自动转写。
这些工作当然能节省一些时间，但并没有触及企业更深层次的生产方式。
企业的审批流程没有变化。部门之间的数据仍然不通。员工使用AI后节省出的时间，不知道应该投入哪里。AI产生的内容，仍需经过多轮人工核验。
于是就会出现一种很典型的现象：
局部任务变快了，整个组织却没有变快。
BCG在2026年对14个市场近1.2万名员工、管理者和企业领导者的调查发现，相比单纯获得更多AI工具，明确的使用目标、组织指引和效果衡量，对企业能否从AI中创造价值更重要。换句话说，问题并不只是“员工有没有AI”，而是企业是否明确知道AI应该重构哪一项工作。(BCG Global)
这和很多博士生使用AI的状态其实很像。
我们给AI发了一篇文献，让它总结；把一段代码发过去，让它修改；把一段引言发过去，让它润色。
每个局部任务似乎都快了一点。
但如果选题没有压实、数据不能匹配、识别策略不可信，那么AI只能更快地帮助我们完成一些并不重要的工作。
二、AI的收益，需要一整套“看不见的投资”
经济学里有一个很重要的概念，叫作生产率J曲线。
它所描述的是：一项通用技术刚进入企业时，生产率未必立即上升，甚至可能暂时下降。因为企业不仅要购买技术，还需要重新设计业务流程、培训员工、积累数据、调整组织结构，并探索新的产品和商业模式。
这些投入通常不会被直接记录为机器设备，却决定了技术最终能否产生价值。(美国经济协会)
AI尤其如此。
模型只是最显眼的一层，真正决定效果的还包括：
企业有没有可用、规范的数据； 员工是否理解业务问题； AI能否嵌入已有工作流程； 谁来承担核验和问责责任； 部门之间是否愿意共享数据； 原有岗位和绩效考核是否需要调整。
这也解释了为什么同样使用AI，不同企业的结果差异会非常大。
一项基于21559家企业AI支出和员工数据的最新研究发现，采用强度较高的企业在采用AI后的两年中，员工规模增长更明显；低强度采用企业则没有观察到显著变化。该结果不能简单理解为“花钱越多一定越好”，但至少说明：偶尔购买几个AI账号，与真正把AI嵌入企业运营，并不是同一件事。(Ramp)
真正产生效益的企业，往往不是最早宣布“拥抱AI”的企业，而是最早完成以下转变的企业：
从买模型，转向改流程；从员工自发试用，转向组织协同；从生成更多内容，转向解决高价值问题。
三、AI可能首先改变的，不是岗位数量，而是知识传递方式
AI对生产率的影响，也并非在所有员工身上都一样。
在一项对5000多名客户服务人员的研究中，使用生成式AI助手后，员工平均每小时解决的问题数量提高约14%。但这种提升主要集中在经验较少、原本绩效较低的员工身上；对于最有经验的员工，提升相对有限。(NBER)
为什么会这样？
一个重要原因是，AI把优秀员工长期积累的经验，转化成了可以被普通员工迅速调用的建议。
过去，一个新人可能需要几个月才能掌握的工作技巧，现在可以通过AI获得即时辅助。
从这个角度看，AI首先改变的可能不是“企业需要多少人”，而是：
知识如何在组织内部传播。
这也带来一个新的问题：
如果经验能够被快速复制，那么资深员工的优势会不会下降？企业会不会减少培训投入？初级员工会不会因为过度依赖AI，而失去独立积累经验的机会？AI到底是在缩小能力差距，还是在重新定义能力差距？
这些都不是一个“AI提高效率”能够简单概括的问题。
四、中国制造业真正缺的，也许不是更多模型
今年以来，“人工智能+制造”明显加快。
但仔细看相关政策会发现，重点并不只是让企业使用一个更强的大模型。
官方部署同时强调了高质量数据集、行业模型、高价值应用场景、复合型人才、软硬件适配和产业协同；2026年“模数共振”行动还提出，由算力、模型、数据和应用企业共同组成创新联合体，推动AI在具体行业真正落地。(国家档案局)
这恰恰说明：
工业AI的瓶颈，越来越不是“有没有模型”，而是模型能不能读懂生产现场。
一套通用大模型可以写文章、做总结，却未必理解某条生产线为什么停机、某种材料为什么产生缺陷、某个供应商为什么可能延期。
制造业需要的是：
企业自己的工艺数据；长期积累的行业知识；能够接入生产设备的系统；懂算法也懂业务的复合型人才。
所以，AI真正进入制造业，不是把聊天机器人装进工厂，而是把企业过去分散在设备、工人和管理制度中的知识，重新组织起来。
五、中小企业可能面临新的“AI鸿沟”
大型企业有资金购买算力和模型，也有能力建立数据平台、招聘算法人才、重构业务流程。
但中小企业面临的情况完全不同。
它们的问题可能不是“不愿意使用AI”，而是：
没有足够干净的数据；没有专业人员判断模型质量；不知道哪个场景值得投入；经不起长期试错；也难以承担组织改造成本。
因此，未来企业之间的AI差距，未必主要表现为“有没有使用AI”，更可能表现为：
谁有能力把AI转化成组织能力。
这对专精特新企业尤其重要。
这类企业通常拥有细分领域的技术积累，但规模较小、数字基础不同，能否将行业知识、生产数据与AI结合，可能决定它们是借助AI突破技术边界，还是在新一轮技术竞争中进一步被头部企业拉开差距。
六、这件事对博士生有什么启发？
企业使用AI的困境，其实也是很多博士生的困境。
我们总以为：
再装一个工具，效率就会提高；再换一个模型，论文就会更好；再收藏一套提示词，科研就会更顺。
但真正需要改变的，通常不是工具，而是工作流程。
以读文献为例。
低效流程是：
下载PDF → 让AI总结 → 保存一大段文字 → 很快忘记。
更有效的流程应该是：
明确研究问题 → AI辅助提取信息 → 回到原文核验 → 判断文献位置 → 写入自己的文献矩阵。
以实证分析为例。
低效流程是：
把代码发给AI → 改到能够运行 → 看显著性。
更有效的流程应该是：
明确识别问题 → 建立数据字典 → AI辅助排错 → 检查识别假设 → 解释结果边界。
AI能够加快一个已经清楚的流程。
但如果流程本身是混乱的，它只会让我们更快地产生更多碎片。
七、这条AI新闻，可以长出哪些经管选题？
从经济学研究角度，这个问题至少可以延伸出几个方向：
AI采用与企业生产率：是否存在J曲线效应？
组织变革能否强化AI采用的生产率效应？
AI是否缩小了企业内部不同技能员工的绩效差距？
AI采用会扩大大型企业与中小企业之间的数字鸿沟吗？
公共算力、行业数据平台能否降低专精特新企业的AI采用门槛？
AI智能体进入企业后，会改变岗位数量，还是改变组织边界？
相比简单研究“AI是否促进企业绩效”，这些问题更进一步追问：
AI在什么条件下有效？为什么不同企业效果不同？技术收益最终由谁获得？
这才是AI经济学真正值得研究的地方。
写在最后
AI时代最容易产生的误解是：
技术越强，生产率就会自然提高。
但技术从来不会脱离组织独立发挥作用。
蒸汽机需要重新设计工厂。计算机需要重新设计业务流程。AI同样需要重新设计数据、岗位、协作和决策方式。
所以，企业真正的AI竞争，可能并不只是模型竞争。
而是：
谁能更早把AI从一个工具，变成一种新的组织能力。
对博士生也是如此。
真正拉开差距的，可能不是谁收藏了更多AI工具，而是谁最早建立了一套清楚、可复现、能持续积累的科研工作流。
AI不会自动提高生产率。
它只会放大我们原来已经拥有的东西：
流程清楚，它放大效率；流程混乱，它放大混乱。