Stanford expert: The U.S. is entering the "AI harvest period," with productivity growth expected to double to 2.7% by 2025

英国《金融时报》（Financial Times）最近发了一篇评论文章，主题很直接：AI 带来的生产力 “起飞”，可能终于能在宏观统计里看见了。

文章作者是埃里克·布林约尔松（Erik Brynjolfsson），他是斯坦福大学数字经济实验室主任，也是一家研究 AI 与组织效率的公司 Workhelix 的联合创始人，既站在学术研究的一线，也能看到企业真实的 AI 落地情况。

在这篇文章里，他抛出的核心判断是：美国可能正在从“AI 投入期” 跨入 “AI 收获期”。他引用最新经济数据指出，过去那种 “到处都在谈 AI，但生产率数据看不到” 的局面，正在发生变化。

更具体地说，他基于更新后的数据预测，美国2025 年的生产率增速大约会达到 2.7%，几乎是过去十年 1.4% 年均水平两倍。如果这一趋势站稳脚跟，意味着：AI 不再只是 PPT 里的故事，开始变成 GDP 里可被计量的效率提升。

宏观数据给出的信号：产出没掉，但用工少了

布林约尔松先从一个 “反直觉” 的宏观修正说起：美国劳工统计局的基准修订显示，总薪资就业人数增长被向下修正约 40.3 万个岗位。同时，美国经济产出并没有走弱，实际 GDP 仍然强劲，四季度增速达到 3.7%。

他把这种 “产出高、投入的劳动却更少” 的组合，称为生产率增长的典型特征，并直接写道：“This decoupling — maintaining high output with significantly lower labour input — is the hallmark of productivity growth.” 即：同样甚至更多的活儿，用更少的人做完了，生产率自然会上去。

不过，作者也提醒不要过度兴奋，因为生产率数据本来就 “爱波动”，短期读数容易受统计修订与周期因素影响，“仍需更多时期验证”。

对此，像 MIT 经济学家达龙·阿西莫格鲁（Daron Acemoglu）就曾在公开研究中偏谨慎地指出：AI 对总体生产率的影响，取决于它能否在足够多的任务上真正替代或增强劳动，而不仅是 “点状提效”。

“J 曲线” 解释了为什么现在才显现：先栽树，再结果

布林约尔松把 AI 的扩散路径，放进一个更长的技术史框架里。他提到经济学界长期纠结一个现代版 “索洛悖论”（Solow Paradox）。

并用一句原文概括这种尴尬：“we have seen artificial intelligence everywhere except in the productivity statistics.” 也就是：AI 无处不在，但统计里的生产率就是不动。

他给出的解释是 “生产力 J 曲线”。许多通用技术，从蒸汽机到计算机，都不会一装上就立刻抬升生产率，而是要经历一个 “投入期”。

企业要重组流程、培训员工、重做业务模式，这些投入很多是无形资本，短期还可能把 “可测量的生产率” 压下去。等组织改造完成，才进入 “收获期”，效率才会在数据里体现。

经济史学者 Paul David 研究过电气化时代的 “生产率滞后”，发现工厂把蒸汽动力换成电动机后，真正的大幅提效往往要等到厂房布局、工序组织、管理方式一起重构完成才出现。AI 今天遭遇的 “先改造组织，再看到统计回报”，本质上是同一套逻辑。

微观层面正在变：初级招聘降 16%，但 “强力用户” 在压缩工期

除了宏观数据，作者还给出微观证据。他与合作者 Bharat Chandar、Ruyu Chen 的研究发现：在 “AI 暴露度高” 的行业里，入门级岗位招聘降温明显，初级岗位招聘大约下降 16%。

但另一方面，那些用 AI 来增强技能的人，就业反而在增长。作者的解读是：企业已经开始把 AI 用于部分 “可编码、标准化” 的初级任务。

作者还区分了 “潜力” 和 “已实现收益”。很多公司目前只把生成式 AI 用在翻译、摘要等轻量场景，他用一个很尖锐的说法形容这种用法是 “glorified dictionary”（“高级词典”）。

而在他公司观察到的一小撮 “强力用户” 那里，AI 代理（agents）已经能通过交互式对话自动化端到端流程，比如直接生成完整营销方案，把 “几周工作压缩到几小时”。他强调企业真正的难点在于：不仅仅是获得技术，而是如何运用技术。

从外部研究看，这种 “少数人先吃到红利” 的现象并不意外。麦肯锡在多份行业报告中都强调：生成式 AI 的价值释放，很大部分取决于流程再造与人员再培训，而不是简单买工具。

从试验走向结构性效用：接下来拼的是组织能力与宏观环境

布林约尔松在文末给出一个更强的趋势判断：“We are transitioning from an era of AI experimentation to one of structural utility.” 意思是，AI 正在从 “试试看、玩一玩” 的阶段，进入能稳定提供价值的阶段。对企业而言，下一步竞争焦点会从 “有没有模型” 转向 “能不能把模型嵌进业务骨架”。

那企业具体该做什么？结合作者观点，可以归纳成三件事：第一，别停留在 “高级词典”，要把 AI 嵌入端到端流程，让它参与交付而非只做辅助；第二，把培训目标从 “会用工具” 升级为 “会用 AI 重做工作法”，让平均员工能力被 AI 拉升；第三，用数据与指标追踪收益，避免热闹一阵后难以复盘、无法规模化。

同时，他也提醒外部风险可能抵消效率收益，包括 “地缘政治贸易战” 以及财政、货币政策误判等宏观逆风。保持中立地看，技术进步与宏观治理是两条线：前者提供可能性，后者决定能否顺利兑现。