夜雨聆风最近全球 AI 板块经历了一轮猛烈抛售。与此同时，第一财经发了一篇文章，标题很直接——《 AI 真的提高了生产力了吗？白宫前经济智囊答一财》。
这两个信号放在一起，指向同一个问题： AI 被吹了两年，到底有没有真正改变什么？
我仔细想了一下这个问题，发现答案没有非黑即白那么简单——但好消息是，我们可以用一个经济学老框架把它看清楚。
你到处都能看到 AI ，唯独在统计数据里看不到
1987 年，经济学家罗伯特·索洛说过一句名言："你到处都能看到计算机时代，唯独在生产力统计数据中看不到。"这就是著名的索洛悖论。
当时的情况是： 80 年代企业大举投资 IT ，个人电脑开始普及，但官方的生产力统计数据纹丝不动。质疑者说"计算机只是花架子"，直到 90 年代末，互联网全面渗透后，生产力数据才真正起飞——前后差了将近十年。
今天的 AI 好像在重演这个故事。
微观层面，我的感受是 AI 确实在改变工作方式。程序员用 Copilot 写代码，运营用 ChatGPT 做文案，设计师用 Midjourney 出图，产品经理用 AI 做用户研究摘要。每个人身边都能找到"AI 帮我省了两小时"的例子。
但宏观层面，不管是 GDP 增速数据还是全要素生产率统计，都还没有看到 AI 带来的明显拐点。
这种微观感受和宏观数据的鸿沟，就是当前 AI 生产力争议的核心。
为什么我们"感觉不到"AI 在提升效率？
造成这个鸿沟的原因至少有三个。
第一，技术渗透需要时间。 新技术从不均匀分布。 AI 最先落地的是数字原生领域——代码、文字、图像这些"比特世界"的工作。但经济中还有大量"原子世界"的工作：物流、制造、餐饮、医疗——它们占 GDP 的比重大得多，但 AI 渗透速度慢得多。当大部分经济活动还没被 AI 触及的时候，宏观数据当然不会有明显变化。
第二，生产力统计天然滞后。 官方生产力数据按季度发布，而且经常大幅修正。 90 年代美国统计局花了好几年才把软件投资纳入统计口径。 AI 带来的很多"效率提升"——比如更好的决策质量、更快的原型迭代——本身就不容易被传统统计方法捕捉到。
第三，效率提升集中在局部，而非全局。 AI 现在擅长的是"辅助"而非"替代"。它能让一个优秀程序员更快地写代码，但没法让一个不会编程的人变成程序员。这种增量式的效率提升，落到个体头上很明显，但在行业层面的统计中被稀释了。
AI 正在发挥作用的地方——和暂时不能的地方
既然 AI 确实在提升效率，那它到底提升了哪些地方？
从我观察到的情况来看，有三个领域 AI 已经展现出可感知的效率提升：
代码生成和软件开发。 这是最成熟的场景。 GitHub Copilot 、 Cursor 这样的工具已经在改变开发工作流——自动补全、代码解释、重构建议、测试生成。有经验的开发者说效率提升 30%-50%并不罕见。
内容创作和知识工作。 写作辅助、翻译、摘要、数据分析、 PPT 制作、 Excel 公式——这些"白领工作"中的模式化任务， AI 处理得又快又好。
客户服务和内部支持。 AI 客服机器人、知识库问答、工单分类——这些任务 AI 已经能承担很大一部分，而且 7×24 小时在线。
但另外一些领域， AI 目前的作用确实有限：
这不是说 AI 未来也做不到——只是现在还做不到。
怎么判断你的工作适不适合 AI 提效？
说了这么多宏观分析，回到个人层面：我怎么知道自己工作中哪些环节适合引入 AI ？
我总结了一个简单的三条件框架：
高频——这件事你每周都要做几次甚至每天做。频率越高，值得花时间优化。
数字原生——工作流主要发生在数字环境中：文字、代码、数据、图像。如果过程中需要大量的物理交互或人际沟通， AI 的介入空间就小。
低风险——出错了能快速发现并修正。写文案错了一个字改就行，但税务申报出错可能要赔钱。
如果一件事三个条件都满足，那几乎没有理由不用 AI 。如果只满足高频+数字原生，可以用但要保留人工复核。如果低风险这项不满足， AI 只能做辅助，决策权还是不能交出去。
回到开头的问题
AI 到底有没有提高生产力？
我的判断是：有，但目前不均匀。 微观层面，很多人的工作效率已经因为 AI 发生了实质变化。宏观层面， AI 对经济的影响才刚刚开始体现在数据中——索洛悖论从 IT 到互联网花了一轮完整的投资周期才被打破， AI 可能也需要类似的时间窗口。
这不等于说"等着就好"。恰恰相反——正是因为渗透不均匀，现在正是拉开差距的阶段。等所有人都学会用 AI 的时候，工具就不再是优势了。
反方会说， AI 本质上只是高级自动补全，它不理解自己在做什么，怎么可能带来真正的生产力提升？这个观点有其道理——当前的大语言模型确实没有真正的理解和推理能力。但它忽略了一点：生产力提升不要求机器理解自己在做什么，只要求它帮人类更快地做对的事。打字机不理解文学，但不妨碍它改变写作。
在这轮 AI 渗透周期中，最有价值的认知可能是：效率提升不是 AI 给的，而是你找到对的环节、用对的方式、持续用出来的。
工具已经有了，关键在你怎么用。
本文为个人观察和分析，不构成投资建议。