问：为什么ChatGPT已经发布4年了，社会总生产力纹丝不动？
先修正这个问题应该是：
“为什么AI 在个人和单项任务已经明显提效，却还没有变成所有人都能感受到、宏观统计也无法忽视的生产力繁荣？
”
我的答案是：ChatGPT 的发布只是“技术可用”的时刻，不是“经济完成改造”的时刻。
一、每次工业革命，都不是发明一出现，生产率就立刻起飞
“工业革命”并没有一个所有人公认的精确起点。下面的时间，只是把标志性发明、普及阶段和统计变化放在同一条线上比较。
|
|
|
|
|
|
|---|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
第一次工业革命尤其值得注意。
今天回望历史，我们容易把瓦特蒸汽机和工业繁荣画成一条直线。但研究发现，早期蒸汽技术对整体生产率的直接贡献非常小，明显增长出现在几十年后。不是蒸汽机没有价值，而是发动机之外还需要机器、厂房、铁路、资本、工人技能、城市和新的组织制度。
电力也是如此。最早的工厂只是把中央蒸汽动力换成电动机，仍保留旧的传动轴和厂房布局，收益很有限。真正的飞跃来自重新设计生产线：机器可以按工序摆放，动力可以分散，厂房可以扩展，管理方式也随之改变。
信息技术同样经历了著名的“生产率悖论”。计算机早已进入办公室，但宏观生产率要到 1990 年代中后期才明显加速。企业真正完成的不是“买电脑”，而是数据库、ERP、供应链、组织结构和岗位分工的整体重构。
因此，工业革命反复验证了一条规律：
“通用技术的价值，不等于技术本身的能力；它等于技术能力乘以基础设施、组织改造、人才、资本和制度的完成度。
”
今天给每个员工一个 ChatGPT 账号，类似于 1890 年给每个工厂装一台电动机。它有用，但还不等于完成了工厂改造。
二、信息时代，一个人“看到信息”，经济价值究竟怎样产生？
信息不是天然的经济产出。一个人看到一篇文章、一个广告或一段 AI 回答，价值需要经过一条很长的链路：
“被看见 → 被理解 → 改变判断 → 采取行动 → 完成交易或减少成本 → 真实交付 → 可重复复制 → 进入统计
”
可以把信息的经济价值粗略理解为：
“信息价值 ≈ 改变决策的概率 × 改变后的收益差 − 获取、验证和执行成本
”
这意味着，“阅读量”与“生产力”之间至少隔着四种情况。
1. 信息节省了时间，但没有发生市场交易
一个人用 AI 花 5 分钟解决了过去需要搜索 30 分钟的问题，他获得了真实福利。但如果节省下来的时间变成休闲，或者这项服务免费提供，它很难完整进入 GDP。
GDP 统计的是一定时期内生产出来的最终商品和服务的市场价值，不统计消费者愿意支付的价格与实际支付价格之间的全部差额。美国经济分析局对免费数字内容的实验估算发现，若把它纳入，2005—2015 年美国实际 GDP 年增速会从 1.42% 调整为约 1.53%。这说明统计遗漏确实存在，但它也没有大到足以解释全部生产率低迷。
2. 信息改变了购买对象，但没有增加社会总产出
一则广告让消费者从 A 品牌转向 B 品牌，对 B 公司价值很大，但可能只是市场份额转移，不代表全社会多生产了东西。
3. 信息减少了错误、库存或等待，才更接近生产率
如果信息帮助工厂降低废品率、医院减少重复检查、物流公司缩短空驶、销售人员减少无效沟通，这才会逐渐表现为同样工时创造更多产出。
4. 信息供给暴增，注意力却没有同步增长
AI 可以让全社会一天生成十倍的文章、广告、图片和视频，但人的注意力仍然只有 24 小时。结果未必是内容行业产值增长十倍，更可能是平均内容价格下降、竞争加剧，大量内容无人观看。
所以信息时代最重要的变化是：复制信息的边际成本接近于零之后，经济价值会迁移到新的稀缺要素。
这些稀缺要素包括：注意力、信任、分发渠道、独有数据、审美判断、品牌、线下履约，以及为结果承担责任的人。
AI 越能批量生产普通内容，“普通内容”本身反而越不值钱。
三、当前制约世界经济的，早已不只是“缺少信息”
AI 最擅长处理信息，但今天的经济瓶颈有相当一部分并不是信息瓶颈。
1. 物理世界扩张得比软件慢
住房、电网、工厂、医院、养老、交通、矿产和物流，都受土地、能源、设备、许可和施工周期限制。AI 可以优化设计和调度，却不能让一条输电线路、一座医院或一个住宅项目瞬间建成。
2. 投资不足
IMF 的研究认为，2010 年以来长期投资疲弱造成的“资本浅化”，可以解释发达经济体生产率增速放缓的大约一半。员工有更聪明的软件，但没有更多设备、自动化产线和基础设施，整体产出仍然受限。
3. 人口老龄化和劳动供给放缓
不少发达经济体和主要新兴市场正面临工作年龄人口增速下降。AI 可能抵消一部分压力，但它首先要覆盖足够多的行业和岗位。
4. 技术扩散不均
最先进企业可能增长很快，普通企业仍在使用旧系统、表格和人工审批。OECD 对生产率放缓的研究指出，问题不一定是前沿企业停止进步，而是前沿企业与落后企业之间的差距不断扩大。
5. 企业缺少互补资产
AI 要真正进入业务，需要干净数据、软件接口、权限、流程、评价标准、员工训练和责任制度。购买模型很容易，改造组织很难。
6. 可靠性、责任和监管
在医疗、金融、法律、政府和大型企业里，“大致正确”不够。只要错误的责任边界不清，人工复核就不会消失，节省的时间也会被验证成本吃掉。
7. 全球化逆转与宏观摩擦
地缘冲突、贸易壁垒、供应链重组、债务和政策不确定性，都会压低投资与资源配置效率。AI 提供的是一股向上的力量，但同时存在多股向下的力量。
所以，即使 AI 已经让部分白领任务提效 20%，也不代表全球 GDP 增速会机械地增加 20%。它需要先乘以“这些任务占经济的比例”，再乘以“企业采用率”，再扣掉整合、验证、资本和宏观逆风。
四、这一次 AI 的特殊之处：它正在从信息工具变成执行工具
早期互联网主要解决“找到信息”和“传递信息”。早期大模型主要解决“回答、总结和生成”。现在的变化是，大模型开始获得工具和操作能力。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
这正是 AI 可能比传统搜索引擎产生更大经济影响的原因。
例如，到 2026 年，Adobe 已经宣布让创意代理通过自然语言编排 Photoshop、Premiere、Lightroom、Illustrator 等软件的多步骤工作；OpenAI 的代理产品也从研究和回答扩展到网页操作、表格编辑和跨应用任务。
这意味着软件交互正在从：
“人理解菜单 → 人逐步点击 → 软件执行
”
变成：
“人说明目标和标准 → AI 选择工具并执行 → 人负责判断、校准和验收
”
这不是简单的“更会聊天”，而是在降低专业执行能力的获得成本。
但要注意，“能操作 Photoshop”仍不等于“稳定做出商用素材”。商业成品还需要品牌规则、合法素材、审美判断、尺寸规范、事实准确、客户反馈和最终责任。AI 降低的是执行门槛，不会自动生成企业的判断标准。
一家公司过去写一篇文案需要 4 小时，现在只要 1 小时；但如果选题仍然错误、审批仍要 5 天、销售没有跟进、产品交付没有改善，那么公司的收入与人均产出可能几乎不变。
真正的生产力提升，不是某个任务快了，而是整个系统的瓶颈被移动了。
五、生产力从“模型能力”走到“统计数字”，通常要经过八站
|
|
|
|
|
|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
从这个框架看，今天的 AI 大致处在第三站向第四、第五站过渡。部分科技和知识密集企业走得更快，但不能用少数前沿公司的变化代替整个经济。
这也是“生产率 J 曲线”的含义：企业在早期要先花钱建设数据、流程、软件和组织能力，这些成本立即发生，收益却延后出现；甚至一开始因为双轨运行、试错和培训，测得的生产率还可能下降。
六、什么时候可能在宏观数据中看见 AI？
没有人能可靠地给出某一个年份，只能做条件预测。
2026—2027 年：任务提效继续扩大，但宏观归因仍然困难
最容易先看到变化的，是软件开发、客服、营销内容、咨询研究、后台文书和部分金融服务。企业会更常报告“时间节省”和“员工表现改善”，但就业、收入和 GDP 的变化仍会被经济周期与政策因素覆盖。
2027—2029 年：观察行业层面的拐点
如果 AI 从聊天窗口进入企业核心软件，并能稳定执行带权限、数据和验收标准的工作流，那么可以先在 AI 暴露程度较高的行业看到：交付周期缩短、单位成本下降、人均收入上升、服务价格或质量改变。
2029—2033 年：才有机会形成较清晰的总量影响
这不是确定预言，而是我根据历次通用技术扩散和当前采用速度给出的观察窗口。
现有机构预测分歧极大，也说明不确定性很高：美国国会预算办公室的中心估计，是未来十年 AI 使经济增速平均每年提高约 0.1 个百分点；OECD 对 AI 暴露高、采用较快的 G7 经济体，给出的劳动生产率增速贡献区间约为每年 0.4—1.3 个百分点。
真正决定结果的不是下一代模型跑分，而是以下五个指标：
-
企业采用率是否从少数部门扩展到多数核心流程； -
AI 是否能稳定连接企业数据和执行工具； -
验证与管理成本是否低于节省的人工成本； -
中小企业是否也能采用，而不是只有头部企业受益； -
AI 是否进入研发、制造、能源、医疗等能扩大真实供给的领域。
悲观情景是：AI 最终成为一种更好用的办公软件，主要带来免费服务、质量改善、利润转移和内容过剩，对 GDP 的提升温和。
乐观情景是：AI 代理与机器人、科学研发和企业软件结合，不只替人写第一稿，而是缩短研发周期、重组公司、降低新企业进入门槛。那时它才更像电力，而不只是更高级的搜索引擎。
最后的回答
ChatGPT 发布不到四年，社会生产力不是纹丝不动，而是出现了三个同时存在的事实：
-
微观上已经提效。 写作、客服、编程和内容生产都有可测量收益。 -
宏观上尚未形成压倒性的 AI 繁荣。 采用率、流程改造和行业扩散仍不够，其他经济逆风也在抵消收益。 -
统计本身会滞后和漏记。 免费数字服务、质量提高和节省的私人时间不能完整进入 GDP，但统计遗漏也不能解释全部问题。
真正应该问的，不是“AI 为什么没用”，也不是“AI 什么时候取代所有人”，而是：
“有多少企业，已经把 AI 从一个聊天工具，变成了可以调用数据、操作软件、接受质检、持续交付结果的生产系统？
”
当答案从“少数前沿团队”变成“多数普通企业”，生产率才会从个人体感进入企业报表，再进入行业价格、工资、就业和国家统计。
技术发布只需要一天，生产方式改变通常需要十年。
关于这篇回答的生成方式
这篇回答的初稿由大模型生成。
账号作者只提供了六个方向性提示：梳理工业革命的节点与统计变化；解释信息如何产生经济价值；分析当前科技与经济约束；讨论 AI 从回答问题走向操作软件和制作商用素材；总结生产力从生产端走到统计端的阶段并预测时间；最后公开说明文章由大模型写出。
资料检索、结构设计、论证、数据核对和文字初稿由大模型完成。
这件事本身恰好说明了本文的观点：AI 已经显著降低了研究和写作第一稿的成本，但这篇文章是否产生经济价值，仍取决于作者是否判断、修改和发布，读者是否因此改变决策，以及这些决策是否最终变成真实行动。
生成内容，不是生产力链条的终点，只是第一站。
主要参考资料
-
OpenAI：Introducing ChatGPT，2022-11-30 -
Bank of England：How has growth changed over time? -
Cambridge University Press：The British Industrial Revolution in a European Mirror -
Nicholas Crafts：Productivity Growth in the Industrial Revolution -
NBER：The Evolution of Employment Relations in U.S. and Japanese Manufacturing Firms -
U.S. Bureau of Labor Statistics：The U.S. Productivity Slowdown -
NBER：Generative AI at Work -
Science：Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence -
U.S. Census Bureau：The Microstructure of AI Diffusion -
U.S. Bureau of Economic Analysis：Measuring the “Free” Digital Economy -
IMF：World Economic Outlook, April 2025, Chapter 1 -
OECD：Macroeconomic Productivity Gains from Artificial Intelligence in G7 Economies -
U.S. Congressional Budget Office：How Budgetary and Economic Outcomes Might Differ Because of AI -
Adobe：A New Era of Creativity with Firefly AI Assistant -
OpenAI：Introducing ChatGPT Agent