•
過去兩年，"AI改變一切"的聲音震耳欲聾。但就在2026年2月23日，一盆冷水從華爾街潑了過來——高盛、摩根士丹利、摩根大通的經濟學家們幾乎同時得出結論：AI投資對美國經濟增長的實際貢獻，可能接近於零。這究竟是AI泡沫破滅的前兆，還是一場被誤讀的數位遊戲？這篇文章，我們把這件事講清楚。
原文（英文）：
"AI investment spending has had 'basically zero' contribution to the U.S. GDP growth in 2025."
— Jan Hatzius, Goldman Sachs Chief Economist, interview with the Atlantic Council
"I think there's a lot of misreporting, actually, of the impact AI investment had on U.S. GDP growth in 2025, and it's much smaller than is often perceived."
— Jan Hatzius, Goldman Sachs
"A lot of the AI investment that we're seeing in the U.S. adds to Taiwanese GDP, and it adds to Korean GDP but not really that much to U.S. GDP."
— Jan Hatzius, Goldman Sachs
中文釋義：
高盛首席經濟學家揚·哈齊烏斯（Jan Hatzius）在接受大西洋理事會採訪時明確表示，AI投資支出對2025年美國GDP增長的貢獻"基本為零"。他同時指出，外界對這一影響存在大量誤讀——實際數字遠比普遍感知的要小得多。
原因之一，他給出了一個令人意外的解釋：美國在AI上砸的錢，有相當大的比例是用來購買台灣、韓國生產的晶片和硬體裝置的。換句話說，這筆錢花出去了，但計入的是台積電所在地台灣的GDP，以及三星、SK海力士所在地韓國的GDP——美國本土的經濟產出，並沒有因此顯著增長。
與此同時，高盛、摩根士丹利、摩根大通的經濟學家們也共同指出：目前根本沒有可靠的統計方法，能夠準確衡量AI在企業和消費者層面到底貢獻了多少經濟價值。
這個結論一出，矽谷、華爾街和華盛頓都陷入了沉默。
很多人看到這個標題的第一反應是：
"完了，AI是個泡沫，我們被忽悠了？"
但這個判斷，既不精準，也不公平。
高盛的報告說的是"AI投資對當期GDP增長貢獻基本為零"，這句話有三個關鍵限定詞：AI投資、當期、GDP增長。
這三個詞，正好對應著三個經常被混淆、卻至關重要的區別：
第一，"AI投資"≠"AI的全部經濟價值"。 錢花出去了沒有產出，不代表錢花錯了。就像修一條高鐵，施工期間每天燒錢，但你不能說高鐵沒有價值——它的價值，要等通車之後才能體現。
第二，"當期"≠"未來"。 經濟學裡有個著名的概念叫"生產率悖論"（Productivity Paradox），早在1980年代末，經濟學家羅伯特·索洛就說過那句名言："電腦時代到處都是，就是在生產率統計資料裡看不到。" 後來，網際網路真的改變了世界，只不過晚了整整十年。
第三，"GDP增長"≠"AI帶來的所有變化"。 GDP是個宏觀統計工具，它測量的是整個經濟體的產出，而不是某種技術在某些環節帶來的效率變化。你用AI寫了個方案，節省了3小時，這3小時的"效率提升"並不會自動出現在GDP統計裡。
所以，高盛的報告，更像是一面鏡子——它照出的，是我們對AI經濟價值的理解方式出了問題，而不是AI本身出了問題。
要真正理解這個現象，我們需要拆解三個層次的"口徑差"。
GDP的計算有一個基本邏輯：只統計在本國境內產生的增加值。
美國公司花1000億美元建AI資料中心，但這1000億里，有相當大的比例流向了進口的晶片和伺服器硬體。根據分析師的研究，AI資料中心約四分之三的成本來自於計算晶片和相關硬體裝置，而這些裝置大量由亞洲製造商生產。
在GDP核算裡，進口支出要從總支出裡扣除（這是GDP = C + I + G + NX公式裡NX的邏輯）。所以，你買的進口晶片越多，這筆投資對美國GDP的淨貢獻就越少。
經濟學家約瑟夫·波利塔諾（Joseph Politano）估算，AI對2025年美國2.2%經濟增速的實際貢獻大約只有0.2個百分點。不是零，但確實遠小於媒體渲染的那種"AI撐起了美國經濟"的敘事。
通俗比喻：
你家裝修花了50萬，但其中40萬買了進口地板、進口瓷磚、進口家具。你的裝修確實發生了，你的家確實變漂亮了，但這筆錢對中國國內GDP的直接貢獻，只有那10萬買了國內工人勞動和國內材料的部分。
AI投資的邏輯一樣——錢花了，但大部分"肥水流了外人田"。
即使AI幫你省了很多時間，宏觀統計也很難捕捉到這個變化。原因有以下幾層：
第一層：效率提升如果不轉化為更多產出，GDP不動。 你原來寫一份方案要8小時，用AI之後4小時就寫完了。但如果你用剩下的4小時休息或者刷手機，而不是繼續創造產值，那GDP還是那麼多。
第二層：效率提升如果轉化為降價而非增量，GDP可能反而縮小。 如果AI幫助企業降低了服務成本，企業把節省的成本讓利給消費者（價格下降），GDP統計裡的名義值反而可能減少，即使實際生活水平上升了。
第三層：現有統計框架天然滯後。 GDP統計體系是為工業經濟設計的，對於軟體、知識、效率這類無形價值，它的測量能力天生不足。這就像你用一把尺子去量液體——不是液體沒有體積，是工具不合適。
高盛自己的報告也坦承：目前沒有可靠的方法來精準測量AI在企業和消費者層面的經濟貢獻。 這個誠實的承認，反而是整件事最關鍵的一句話。
通俗比喻：
想像你是一家餐廳老闆，引入了一套AI點單系統，服務效率提升了30%，顧客等待時間大幅縮短，滿意度提高。但你沒有因此多開桌子、多接客，也沒有漲價——你只是讓每位顧客的體驗更好了。這時候，你餐廳的營業額（類比GDP）可能一分都沒增加，但你的競爭力和客戶口碑已經悄悄拉開了差距。
這是最容易引發認知撕裂的一個層次。
很多人的日常體驗是：AI真的很好用啊！ 寫郵件快了，找資料快了，改方案快了，做PPT快了……明明每個人都在用，怎麼宏觀資料就是不反映呢？
原因在於，"個人/團隊體感效率"和"宏觀經濟統計資料"之間，隔著一整套傳導機制：
而這每一步，都需要時間，都可能中途漏掉——因為組織惰性、流程固化、管理滯後，都會讓效率提升"消散"在傳導過程中，最終沒能寫進任何統計數字裡。
這不是AI獨有的困境，而是技術革命的通行劇本。
電力革命（1880s-1920s）：
愛迪生1882年就在紐約建起了第一座發電站，但電力對美國生產率的顯著拉動，要到1920年代才真正出現——中間隔了整整40年。原因很簡單：電力要真正改變工廠生產，需要整個工廠的佈局、裝置、管理流程全部重新設計，這是一個系統性改造，不是拉一根電線的事情。
網際網路革命（1990s-2000s）：
1990年代末，網際網路泡沫燒掉了無數資金。索洛的生產率悖論一度讓人懷疑網際網路"是皇帝的新衣"。但進入2000年代，網際網路對生產率的提升才真正顯現，推動了長達十年的高增長。
規律是什麼？
經濟史學家總結出一個基本範式：
我們現在在那裡？
毫無疑問，我們處於第2步到第3步之間——基礎設施正在大規模建設，應用生態正在爆發，但流程重構（第4步）才剛剛開始，GDP和生產率的真正提升（第5步）還沒到來。
高盛的報告，記錄的正是這個位置。它不是終點，而是時間軸上的一個坐標。
如果說宏觀層面的"AI貢獻接近零"有統計口徑的問題，那企業層面的"AI落地沒效果"，就更多是方法論的問題了。
在我們接觸的大量企業案例中，看到最普遍的一種模式是：
老闆拍板"我們要擁抱AI"→ IT部門買了幾個AI工具帳號→ 員工各自"試用"→ 偶爾覺得有用，偶爾覺得沒用→ 三個月後熱情減退→ 年終總結寫"已推動AI工具落地"→ 利潤表毫無變化。
這不叫AI落地，這叫AI試用。
兩者的本質區別在於：
AI試用是讓現有流程裡的某些節點，換成了AI工具來完成。流程沒變，系統沒變，組織沒變，決策鏈沒變，只是把某個人換成了一個軟體。
AI落地是以AI的能力為支點，重新設計流程本身。那些環節可以自動化？那些判斷可以交給模型？那些資料需要打通？整個作業方式都在重構。
不同的方法，帶來的結果差距是數量級的。
一家諮詢公司在招標報告撰寫環節引入了AI，如果只是"讓員工用AI改改措辭"，效率提升可能是20%；但如果重構整個報告生產流程——資料收集自動化、框架範本化、AI生成初稿+人工精修——效率提升可以是300%，而且品質還能提高。
以下5個問題，是判斷一個企業AI項目是否走在正軌上的核心標準：
問題一：有沒有選對場景？
AI最適合的場景特徵：高頻、標準化、資訊密集、結果可量化。
比如：合同審閱、客服問答、資料分析、內容生產、程式碼審查……這些場景適合用AI改造。
比如：需要創意判斷的戰略決策、需要高度個性化的客戶關係維護……這些場景AI能輔助，但不能替代，用錯場景是常見失敗原因之一。
問題二：有沒有基線指標？
很多企業說"上了AI之後效率提升了"，但說不出來：之前每份報告花幾小時？現在花幾小時？錯誤率從多少降到了多少？
沒有基線就沒有評估，沒有評估就沒有最佳化，沒有最佳化就沒有複製推廣——AI項目就這樣死在了"感覺上好像有點用"的沼澤裡。
問題三：有沒有明確的負責人？
"大家都試試"是AI項目最常見的死法。AI落地需要一個懂業務、懂工具、有權力改流程的人負責推進。不是IT部門單獨推，不是某個員工自發試——是有人對結果負責。
問題四：有沒有打通業務資料和知識庫？
通用AI工具的能力是有上限的。真正讓AI產生業務價值的關鍵，往往是把企業自己的資料、歷史文件、產品知識、客戶資訊喂進去，讓AI"瞭解你的公司"。這需要資料治理和系統整合工作，是最難但也最有價值的部分。
問題五：有沒有復盤和迭代機制？
AI項目不是"部署一次、永久有效"的靜態工具。它需要持續的評估、反饋和最佳化。一次演示效果很好，不等於可以持續穩定運轉。建立復盤機制，是讓AI項目從"亮點展示"變成"基礎設施"的關鍵一步。
過去兩年，市場的注意力高度集中在：
模型參數有多大、跑分排名第幾、融資金額多少億、發佈會有多炸裂……
這些當然重要，但它們都是供給側的故事——關於AI能做什麼。
接下來真正決定商業輸贏的，是需求側的故事——關於誰真正用好了AI，把它嵌進了生產系統。
2026年的競爭格局，正在從"有沒有AI"，快速轉向"有沒有用好AI"。
對企業來說，三件事決定你在這條分水嶺的那一側：
第一，你有沒有找到AI真正能改變ROI的核心場景；
第二，你有沒有把AI的能力接進業務系統（而不是浮在工具層面）；
第三，你有沒有讓效率提升最終落到利潤表上。
做到這三件事的企業，才算完成了從"AI使用者"到"AI企業"的躍遷。
對城市和政府來說， AI的競爭已經不僅僅是招引幾家科技公司那麼簡單。那個城市能率先在政務服務、醫療健康、產業鏈管理等領域完成AI流程重構，那個城市就擁有了21世紀真正意義上的"生產力基礎設施"。
對觀察者和投資人來說， 判斷AI的真實進展，應該從看模型發佈會和融資新聞，轉向看：AI有沒有寫進企業的利潤表，然後再看它會不會寫進國家的GDP。
如果你是企業老闆：
別只問"要不要上AI"，先問"那條流程值得重構，重構之後能不能量化出價值"。AI不是買個軟體的事，它是一場流程工程。
如果你是中層管理者：
AI項目失敗，大多數情況不是技術問題，是組織問題——沒有負責人、沒有資料、沒有流程授權、沒有復盤機制。推AI落地，需要的不是技術能力，而是變革管理能力。
如果你是一線從業者：
會用AI工具只是起點，懂得在自己的工作場景裡重構流程，才是真正的競爭壁壘。未來被AI淘汰的，不是"被AI替代的崗位"，而是"拒絕用AI重構工作方式的人"。
如果你是行業觀察者或投資人：
高盛的報告不是悲觀預測，它是一個校準訊號。AI的價值兌現存在時差，但方向沒有改變。判斷標準應該從"融資金額"轉向"利潤改善"，從"使用者數量"轉向"流程嵌入深度"。
有一句話，可以作為這篇文章的核心結論：
AI不會立刻寫進GDP，但它正在悄悄改寫成本結構。
今天，那些真正在用AI做流程重構的企業，它們的改變還沒有大規模出現在宏觀統計數字裡。但他們的成本曲線已經開始分叉，他們的競爭壁壘已經開始形成，他們和同行之間的差距，會在未來兩到三年裡快速拉開。
等這種差距規模化到足以影響整個經濟體的產出結構，GDP才會開始有感知地上漲。
這就是高盛報告真正告訴我們的事： AI不是泡沫，也不是萬能鑰匙，它是一場需要時間才能顯現的深層重構。
而在這場重構裡，最重要的不是你在看台上為那家公司鼓掌，而是你有沒有走進場地，親手改變自己的那一段流程。 (BuilderPi)