砸了2,500億美元，為什麼經濟指標上看不到？

這裡出現了一個重要概念：通用技術（General Purpose Technology）¹。指的是像蒸氣機、電力、電腦這樣對整體經濟產生影響的技術，這些技術的共同特點是適用範圍廣、持續改進，並以此為中心帶動其他創新。AI正好屬於這個範疇。

數字錯覺：GDP成長的90%來自AI「建設」而非AI「使用」

看2025年美國經濟指標，會發現一個有趣的謎題。GDP成長率2.2%不算差，但就業增加僅月均15,000人，年增0.1%左右。乍看之下會覺得「用更少的人力生產更多，是不是AI的功勞？」，但現實完全不同。

根據哈佛大學傑森・法曼（Jason Furman）教授的分析，2025年上半年GDP成長的約90%來自數據中心與基礎設施投資。不是AI提升了生產力帶動經濟成長，而是為了建造AI而蓋大樓、買伺服器的投資推高了GDP。 完全是兩回事。

舊金山聯儲的研究也支持這一觀點，分析顯示扣除投資效應後的基礎生產力提升幾乎為零。耶魯大學Budget Lab的研究員瑪莎・金貝爾（Masa Kimball）也提出警示：生產力數據本身雜訊就很大，不應對1~2個季度的數據過度反應。實際上，1950年以來產出與就業差距超過2個百分點的年份佔了三分之一。

關鍵在於：「經濟成長所以是AI的功勞」這個簡單等式可能不成立。深入數據會發現，AI的純貢獻幾乎還看不到。

「用過」與「改變了」是不同層次的故事

這時可能會產生這樣的疑問：「大家明明在用很多AI啊。ChatGPT、Claude都在用。應該有效果吧？」 沒錯，使用者確實在增加。根據聖路易聯儲亞歷克斯・比克（Alex Bick）研究團隊的即時調查數據，美國勞工中使用過生成式AI的比例從2024年8月的約39%上升到2024年底的45%。

但還有一個重要數字。在總工時中，使用AI的比例僅1~5%。工作100小時的話，用AI的時間最多5小時。每天使用AI的人僅約10%。

BCG 2025年全球調查（10,635人、11個國家）展現了更有趣的現象。領導者與經理層78%每週使用AI數次，而前線員工的定期使用率停在51%不再上升。BCG將此稱為「矽天花板」（Silicon Ceiling）。上面強調AI，但實際現場每天在用的人卻停滯不前。

在個別任務層面，效果是明確的。MIT研究（2023）顯示使用ChatGPT時寫作任務時間縮短約40%，哈佛商學院針對BCG顧問的研究也顯示12~25%的生產力提升。但換算到整體宏觀經濟呢？根據《經濟學人》的計算，僅每年0.25~0.5個百分點。因為使用AI的人只是整體的一部分，而且他們也只將極少工時投入AI。 而且這個計算本身建立在「節省的時間都能生產性地重新配置」這一樂觀假設之上。

再加上「AI垃圾內容」（AI Slop）²現象。AI產出中品質較差的內容需要人再次確認和修改，這又花費了額外時間。等於AI省下的時間，又被用來修正AI的錯誤。

電動機的教訓：買工具與重建工廠

這段話聽起來可能令人絕望，但從歷史來看，這不是第一次。1870年代發電機發明時，工廠只是把電動機裝在原有蒸氣引擎的位置上，仍然維持一個巨大的中央動力軸透過皮帶向所有機械傳動的結構。

結果呢？效率幾乎沒有改善。電力的真正優勢在於可以分散動力，但這個優勢完全沒有被利用。真正的革命在30~40年後的1920年代才來臨。當每部機械裝上獨立電動機，並根據作業流程重新設計工廠動線時，生產力才爆發式成長。經濟史學家保羅・大衛（Paul David）1990年發表的著名研究《The Dynamo and the Computer》分析了這個過程。

PC也是同樣的模式。1970~80年代開始普及，但生產力效果到1990年代末才出現，而且真正的生產力提升來源不是矽谷本身，而是像沃尔玛這樣的零售業利用電腦進行物流與庫存管理的創新。

史丹佛大學的艾力克・布林約爾松（Erik Brynjolfsson）將這個模式歸納為「生產力J曲線」框架。新技術導入初期，生產力反而會下降。因為組織重組需要成本，人們適應也需要時間。等到適應完成後，就會出現急劇上升的J形曲線。

實際上，多倫多大學克里斯蒂娜・麥艾勒蘭（Christina McElheran）與布林約爾松研究團隊近期分析美國製造業AI導入的論文中，確認了AI導入初期生產力反而下降的模式。但長期來看，導入AI的企業比未導入的企業更具優勢。

為什麼組織比個人慢

NBER 2026年2月發表的大規模調查最清楚地展示了這個差距。調查了美國、英國、德國、澳洲四國約6,000名CEO、CFO等高層，70%的企業在使用AI，但認為過去3年生產力或就業有可衡量變化的企業不到10%。 高層本身的AI使用時間每週僅1.5小時。

提升個人生產力與提升組織生產力是根本不同的問題。個人可以用ChatGPT快40%完成寫作。 但該個人所屬組織的決策結構、審批流程、跨部門協作方式、績效衡量體系都原封不動。導入AI工具與改變工作方式是完全不同層次的課題。

電力時代也是這樣。買了電動機工廠不會自動改變，必須重新設計工廠動線，從頭重新規劃作業方式。AI也是一樣。建立ChatGPT帳號或在公司安裝Copilot，組織生產力不會自動提升。首先要思考的是如何以AI為中心重新設計業務流程。

奧茲的視角

老實說，我不認為這個局面是「失敗」，反而認為這是必然的過程。

在制定GTM策略時，我無數次見過這個模式。新工具出現時，企業幾乎毫無例外地遵循相同的順序：先買工具，套在現有業務上試試，然後疑惑「為什麼沒效果？」，過了很久才開始重新設計流程本身。SaaS導入時、雲端遷移時、CRM導入時都是如此。

問題是現在大多數企業還停留在第一步。AI工具「導入」了，但將工作方式以AI為中心「重構」的企業極少。 BCG調查中，重新設計整體工作流的企業與僅部署工具的企業之間出現明顯的績效差距，原因就在這裡。

所以在我看來，這場辯論中「AI有沒有效果」不如「組織是否準備好為AI而變」更本質。瓶頸不是技術能力，而是組織的適應速度。從J曲線底部多快爬起來，取決於管理層的決斷與組織重設的深度，而非AI的性能。

結語

今天談話的核心可以歸納為：

第一，AI的技術能力與經濟效應處於不同的時間軸上。技術以驚人的速度發展，但要轉化為整體經濟的生產力，組織和產業必須重構。

第二，歷史清楚地展示了通用技術的共同模式。電力花了40年，PC花了20年。根據布林約爾松的J曲線，我們現在正處於曲線底部附近。

第三，「導入」與「重構」之間的差距是關鍵。就像重要的是重建工廠而非購買電動機，真正轉折點是重新設計工作方式，而非購買AI工具。

讀完這篇文章後，希望各位能檢查一件事。我們的組織現在是在「導入」AI，還是在為AI「重構」？那個答案會告訴我們站在J曲線什麼位置。

參考資料 & 延伸閱讀

• The Economist, “The AI productivity boom is not here (yet)”, 2026.2.22. ：本則電子報的起點文章，整理了AI投資規模與宏觀經濟數據之間的落差。
• Yotzov, I., Barrero, J.M., Bloom, N. 等, “Firm Data on AI”, NBER Working Paper No. 34836, 2026.2. ：四國6,000名高層調查。AI導入率與實際生產力・就業影響幾乎為零的核心數據在此。
• Bick, A., Blandin, A. & Deming, D., “The Rapid Adoption of Generative AI”, 聖路易聯儲 Working Paper, 2024（2025修訂版）. ：以即時調查呈現AI採用率與實際工時中使用比例之間差距的研究。
• Brynjolfsson, E., Rock, D. & Syverson, C., “The Productivity J-Curve: How Intangibles Complement General Purpose Technologies”, American Economic Journal: Macroeconomics, 13(1), 2021. ：J曲線框架的原始論文，解釋了為什麼通用技術導入初期生產力會下降。
• McElheran, K., Yang, M., Brynjolfsson, E. & Kroff, Z., “The Rise of Industrial AI in America: Microfoundations of the Productivity J-curve(s)”, US Census Bureau Working Paper, 2025. ：實證美國製造業現場AI導入初期生產力下降模式的研究。
• David, P.A., “The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox”, The American Economic Review, 80(2), 1990. ：首次比較分析電力與電腦生產力悖論的經典論文。僅憑這篇就能理解「為什麼通用技術運作得這麼慢」。
• 耶魯大學 Budget Lab, “An AI Productivity Boom? Don’t Count Your (Productivity Data) Chickens”, 2025. ：對生產力數據雜訊與測量問題整理得很好的分析。
• BCG, “AI at Work 2025: Momentum Builds, But Gaps Remain”, 2025.6. ：「矽天花板」概念首次出現的報告，清楚呈現前線員工與管理層的AI使用落差。

作者 安光涉（Oswarld） 現任世宗大學兼任教授，INLEVEL9 策略顧問。職涯經歷、研究、著作與近期活動會持續更新在作者介紹。 最新動態 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。