CEO称AI 40年未推动生产率

导语

Fortune在2026年4月19日的报道引用“数千名CEO”称人工智能尚未在生产率或就业上产生可测量的影响，呼应罗伯特·索洛（Robert Solow）40年前的观察。

背景

关于人工智能是否正在重塑生产率和就业的争论，回到了罗伯特·索洛四十年前提出的一个观点：

“你可以在任何地方看到计算机时代，唯独在生产率统计中看不到它。”

这一观察最早发表于1987年，在Fortune于2026年4月19日发表的一篇报道后再次进入主流视野，文章引用了“数千名CEO”称AI尚未在就业或生产率上产生可测量影响的说法。高管的这一感受与资本市场中普遍的热情形成鲜明对比：估值、资金流向和企业战略规划普遍假定AI会带来显著的效率提升，即便一线经理和CEO报告的在地效果甚少或几乎没有。对于机构投资者而言，这种分歧提出了关于时间点、衡量方法以及AI通过何种渠道影响GDP与公司利润率的问题。

索洛的那句名言与Fortune 2026年4月19日的报道一起构成了一个历史性的框架，促使人们重新审视技术革命如何转化为宏观统计数据和企业表现。如果领先企业宣布广泛部署的AI工具带来的即时影响有限，这对分析师提出了双重问题：是衡量框架未能捕捉到价值创造，还是采用仅限于那些尚未改变每小时产出的低杠杆任务？本文评估了相关证据，将CEO的主观感受与宏观及市场数据进行比较，并勾勒出AI有可能或不可能在官方生产率统计中显现的现实路径。

Fortune的报道并非孤立个案；它强调了一种更广泛的模式，即情绪调查与企业层面的案例研究常常与资本市场的叙事出现分歧。机构投资者需要对CEO陈述如何转化为潜在盈利调整、资本支出预期以及长期生产率轨迹进行有纪律的解读。本文将近期报道与历史背景相结合，提供一个以数据为导向的视角，说明AI通过哪些现实路径可能会或不太可能在官方生产率统计中显现。

数据深度解析

近期报道中最直接的定量锚点是时间跨度：自索洛1987年言论已约四十年，这一时间跨度为结构性转变在汇总统计中出现所需的时间提供了有用的可比参照。Fortune 2026年4月19日的文章明确提到“数千名CEO”，这一规模阈值值得注意，因为它意味着这一观察并不限于孤立行业或个别离群值。在可得的实证测量范围内，过去十年里发达经济体的生产率统计呈现出不均衡的走势，这使得将任何单一技术浪潮作为简单归因变得复杂。

在公司层面，管理层情绪的调查历来显示技术采用与可测产出增长之间存在滞后。这一点可由以往浪潮说明：1990年代的企业资源计划（ERP）推行带来了巨额资本支出和生产率承诺，但每小时产出的可测增长往往出现在若干年之后，且集中于最佳实践的先行采纳者。该模式——收益集中且存在长期滞后——在解读2026年CEO声明时仍然适用。这表明，媒体头条反映的可能是当前实施中的挑战，而非对AI最终经济作用的最终裁决。

市场指标提供了部分佐证。2024–2026年间，大型科技股估值倍数以及专注于AI的硬件供应商仍维持高位，市场对多年期生产率与收入加速抱有预期。然而官方宏观统计——包括由国家统计机构编制的企业部门每小时产出与总体生产率序列——并未出现与私人在AI基础设施上投入规模相称的统一性跃升。因此，分析师应区分管理者在近端运营上感受到的影响与在更长期将改变生产率序列与人均GDP的统计印迹之间的差异。

行业影响

如果CEO报告AI尚未实质性影响就业或生产率属实，那么行业间赢家与输家的分布将呈非线性特征。以标准化、可重复流程为特征的行业（例如基础客户服务、例行性数据录入或可预测的制造序列）更可能较早捕获可测的生产率提升。相反，依赖默会知识、监管复杂性或高强度人类判断的行业——专业服务、许多医疗职能以及定制化制造——可能在更晚或以更增量的方式看到改善。

对于股票而言，这种行业分化对自下而上的选股和自上而下的配置都至关重要。向企业提供使能基础设施的科技龙头（半导体、云计算与企业软件）即便在生产率收益尚未反映到公司损益表之前，也可能受益于持续的资本支出周期。相比之下，终端用户行业可能要等到AI系统在质量上持续改进并与既有工作流程整合后，才会实现利润率扩张。投资者应权衡资本支出的计入时点（有利于供应商）与利润率实现的时点（有利于用户）。

与此前技术拐点的对比具有启发性。1990年代互联网时代的采用呈现类似模式：供应商大规模投入与估值膨胀先行，随后测得的生产率改进更为分散且滞后。如今的不同之处在于迭代速度与计算规模；相似之处在于宏观测量往往滞后于真实的微观经济变化。假定短期内跨行业生产率普遍提升的机构策略，面临趋势时点把握错误的风险；专注于持久结构