全球企业加速推进数字化的背景下，新一代智能技术被寄予厚望。但最新调查泼了一盆冷水。美国国家经济研究局本月发布的研究基于美国、英国、德国和澳大利亚6000多名首席执行官及企业高管的反馈，结果显示超过80%的企业表示，过去三年这些技术对生产率和用工规模的影响微乎其微。从实际使用情况看，虽然约三分之二的受访管理者声称已在使用，但平均每周实际使用时长仅1.5小时左右，还有相当一部分人在工作中几乎不用。多项调查也显示，应用率上升并未带来信任度的同步提升，员工对这些工具的认可度仍在摇摆。 业内普遍认为，"投入不等于产出"背后至少有三个原因。首先，技术价值的实现需要与业务流程、数据体系、岗位分工深度融合。如果企业只把工具用在文稿处理、检索问答等浅层环节，难以涉及研发、供应链、生产组织、客户服务等高价值领域，收益自然有限。其次，组织变革往往跟不上技术扩散的步伐。许多企业在制度、权限、合规与风险控制上仍采取保守态度，导致前线员工"能用但不敢用、想用却不会用"，使用频率偏低，难以形成规模效应。再次，数据质量与基础设施的短板是隐形瓶颈。企业数据分散、标准不一、历史系统沉重，加上安全与隐私要求提升，导致模型训练、系统集成与持续迭代成本高企，深入延长了见效周期。 短期看，生产率提升不明显，可能加剧企业在"继续投入"与"收缩预算"之间的摇摆。在宏观环境不确定、融资趋于谨慎的情况下，管理层更看重可量化的回报，这将倒逼企业从概念展示转向实际场景应用与绩效评估。就业上，有观点担忧技术替代会冲击白领岗位，但从调查数据看，企业更可能出现"岗位重构"而非"单向裁撤"。一方面，自动化将压缩重复性工作；另一方面，为实现规模化应用，数据治理、流程再造、合规审计、产品运营等新岗位需求上升。一些大型企业的人力资源负责人也表示，即便自动化能力增强，仍计划扩大初级岗位招聘，反映出企业在转型期仍需要大量执行与协同力量来完成流程升级。 如何把技术红利真正转化为生产率，需要企业与政策层面协同发力。对企业而言，一是从"工具采购"转向"系统工程"，围绕核心业务选择可衡量、可复制的场景，明确节省工时、降低差错、缩短周期等指标，建立从试点到推广的路径。二是补齐数据与治理基础，推动数据标准化、权限管理、日志留痕与安全评估，将合规要求融入产品与流程，减少"能用不敢用"的障碍。三是加强员工培训与岗位再设计，提升一线与管理人员的理解与操作能力，通过流程再造释放效率，而非把技术当作额外负担。对公共政策与行业生态而言，可通过完善标准体系、加强安全评测与人才培养，推动形成可持续的应用环境，减少重复建设与无序竞争。 从中长期看，技术对生产率的贡献更可能呈现"先慢后快"的曲线。早期受制于数据、流程、合规与组织学习，效果并不显著；当行业形成可复用的解决方案、企业完成数字化基础与流程重构后，效率提升才可能在更大范围释放。学界对未来十年的贡献幅度判断相对谨慎，认为其提升可能低于部分市场宣传；而企业高管对未来三年的生产率改善仍相对乐观，说明市场仍在为潜在变革下注。值得关注的是，资本投入的集中度较高，有关赛道吸纳了大量风险投资，头部科技企业也持续加码，这既体现出对未来增长点的押注，也提示监管、治理与产业协同的重要性将随之上升。
当前，人工智能产业正处于高投入与低产出的矛盾阶段；一方面，资本市场对AI的热情持续升温，企业投资规模不断扩大；另一方面，大多数企业尚未从AI应用中获得实质性的经济效益。这反映出技术进步与商业价值实现之间存在时间差和应用差。企业需要更加理性地评估AI的真实价值，避免盲目跟风；学术界和产业界也应加强对话，推动AI从概念炒作向实际应用转变。只有当AI技术真正融入生产流程、创造可衡量的经济价值时，这场"AI革命"才能真正兑现其承诺。