来自圣路易斯联邦储备银行的新研究分析了近490,000份企业财报电话会议记录，确认了官方数据三年来一直显示的情况：人工智能尚未在整体生产率上带来可衡量的提升。由于生产率增长是决定长期工资增长和生活水平的最重要因素，这一缺失对AI收益将如何以及何时更广泛分配具有重要影响。不过，论文作者之一提出了一个更令人不安的可能性——AI可能已经在创造真实收益，只是这种收益在结构上不可见，因为这项技术本身正在削弱它所变得更加充足的那些产出的价值。

其机制很简单。当AI大幅降低某类产出的生产成本时，这类产出同时也会变得更不值钱。生产率的算术会自行抵消：一边的收益被另一边下跌的价格所抵消。如今，任何人只需按一下键，就能生成营销材料、动画，甚至一篇尚可的新闻稿——但如果人人都能做到，这些内容就不再能获得过去的价值。任务更容易了；产出也更便宜了。在这一交换过程中，真实收益从统计数据中消失，却从未表现为损失。

“有些东西会变得更充足，”该论文作者之一Serdar Ozkan说，“这意味着它们也可能会变得不那么有价值。”

数据显示了什么

经济学家Ozkan和Aakash Kalyani，以及研究助理Nicholas Sullivan，扫描了2000年至2025年间来自5,198家美国上市公司的约490,000份财报电话会议记录，并使用AI模型标注涉及生产率和AI的句子。与AI相关的生产率评论占比从ChatGPT于2022年末发布前的接近零，升至2025年底约占全部生产率讨论的15%。

大约95%的AI相关生产率句子描述的是高管预期未来会实现的收益，而不是已经实现的收益；这一比例自2023年以来一直保持稳定。当高管描述AI影响时，态度几乎一边倒地乐观：95%的人将生产率描述为上升，而非AI相关评论中这一比例为75%。

研究人员表示，这正是历史所预示的结果

Ozkan表示，他对这些未来时态的发现并不意外，因为在计入资本投资后，整体数据已经没有显示出有意义的生产率提升。他引用了经济学家Robert Solow那句著名的话：“你几乎到处都能看到计算机时代，唯独在生产率统计中看不到”，并将其直接类比于电气化。他说，电气化花了“几十年”才重组工厂、重新培训工人并改变工作流程，随后其生产率红利才体现在数据中。

斯坦福大学经济学家Erik Brynjolfsson在1993年为MIT撰写的一篇论文中将这一现象称为“生产率悖论”，而他最近将当前局面描述为这一悖论的现代续篇。

Kalyani单独研究了通用技术的扩散模式。他说，在ChatGPT引发的最初热情消退后，经济学界已基本形成共识：“整体收益会在未来出现，而你现在看到的是大量投资，以及对未来的大量兴奋和乐观。”

他指出，技术在地区、职业和企业之间的扩散“极其缓慢”，通常要经历20到30年。如果把AI的滞后期压缩到仅3到5年，“将是对历史先例的巨大改变”。按照Solow的观察，计算机直到20世纪90年代末和21世纪初才出现在生产率数据中。

缓慢扩散的共识

这一模式与2026年其他美联储研究一致。堪萨斯城联储的一项分析发现，官方数据中近期的生产率回升“尚未广泛铺开”，尽管AI采用不断扩散，但大部分增长仍由少数行业贡献。另一方面，美联储主席Kevin Warsh在7月对国会表示，AI迄今“尚未取代工人”，并让他们“稍微更有生产率”，但他提醒称，“长期可能相当遥远”。

此前圣路易斯联储的研究同样估计，到2024年底，生成式AI相较于2022年仅带来1.1%的生产率提升——与美国经济在2024年和2023年分别实现的2.3%和1.6%的整体生产率增长相比，这一幅度较小。

企业正在用资金支持乐观预期

关键在于，圣路易斯联储团队强调，这些并非空话。Kalyani表示，研究人员更看重行动而非言辞：“我们相信人们做了什么，而不是他们说了什么。”那些对AI持积极看法的公司也增加了研发、资本支出和整体投资——这一相关性在团队最初于2024年一篇题为“AI Hype or Reality?”的文章中研究AI提及时并不存在，但此后已明显增强。

相关的旧金山联储研究发现，到2025年，AI积极的公司比其他上市公司实现了显著更高的投资和研发增长，而这些增长主要集中在建设AI基础设施的大型科技公司。

统计数据无法捕捉的部分

Ozkan关于“充足性”的论点还面临第二个限制：AI无法消除的瓶颈。无论AI如何加快研究、起草或分析，仍然需要两个人安排并出席一场会议——而这一步的速度与四年前完全一样。生产率不是单一数字，而是一整条链条的产出，AI只加快了其中一些环节。

当被问及什么信号最终能证明AI驱动的生产率提升已经到来时，Kalyani承认，坦率地说，没有人能提前知道。最终真正重要的应用会在试错中被发现，并在企业与员工之间逐步扩散；从外部看，这一过程几乎像是随机的，但从总体上看却会积累成真实可见的变化。

他举了Google Maps和出租车牌照（taxi medallion）的例子。这个地图应用一度让持有纽约出租车牌照成为这座城市最有价值的资产之一。随后Uber出现，并在几年内打破了整个体系。没有人能预测究竟是哪款导航应用会终结出租车垄断。每一项通用技术都会重复这一模式：胜者与败者由混乱、去中心化的竞争过程决定，难以预测，即便事后看来技术的重要性已十分明显。

这正是埋藏在近50万句被标注的财报电话会议乐观表述中的核心结论。问题并不是高管们对AI带来回报的判断错误，而是这些回报最终会表现为可衡量的生产率增长，还是只是消散为更便宜、更充足、也更不值钱的产出，这一点可能在事情发生之后才会明白。

本文最初发表于Fortune.com。