硅谷常常将人工智能描绘为开启新一轮繁荣时代的力量。然而，当被问及AI如何影响公司利润时，全球最大公司的首席财务官中，有88%的人给出的回答是：“没那么多影响。”这一结论来自麦肯锡2026年《AI现状》调查。

这种脱节并非首次出现。2007年iPhone发布时，评论人士预言移动技术将改变生活的方方面面。宽带普及时，《商业周刊》宣告了“新经济”的到来。而当个人电脑几乎出现在每一张办公桌上时，诺贝尔经济学奖得主罗伯特·索洛有一句著名的调侃：计算机时代随处可见，唯独在生产率统计数据中看不到。

在过去五十多年里，一波又一波的数字创新赢得了惊人的消费者采用率，而生产率增长却持续下滑。我将这一现象称为“创新悖论”：我们创新得越快，增长得越慢。

两个K形分化，一个问题

数字技术的扩散呈现出我所描述的“双重K形”模式——所谓K形分化，是指一个群体急剧领先，而另一个群体落在后面。第一个分化出现在消费者与企业之间。智能手机在七年内覆盖了80%的美国人，而企业资源计划（ERP）系统则花了33年才触及57%的美国企业。在ChatGPT于2022年底发布后不到三年，消费级AI使用率已攀升至美国成年人的53%。相比之下，投入实际生产部署的企业级AI仅为10%。

第二个K形分化存在于企业部门内部。麦肯锡2026年的调查发现，88%的组织至少在一项业务职能中使用AI，但只有6%称得上“高绩效者”，即实现超过5%的EBIT（息税前利润）影响。这一比例与2025年持平。

这82个百分点的差距主要不是技术差距，而是组织转型差距。成功的那6%的公司进行端到端工作流程重塑的可能性是其他公司的三倍，而所有AI采用者中仅有21%做到了这一点。

股市也反映出类似的分化。标普500指数——美国大型上市公司的基准指数——中的36家AI公司目前占该指数市值的45%。过去三年，标普500指数整体回报为76%；剔除AI股票后，回报率降至32%。

电气化做对了什么

20世纪初，电气化和电信技术以大致相同的速度、并以相似的深度触达了消费者和企业。电动机迫使工厂放弃僵化的布局，转向灵活的连续流水线生产。电话大幅降低了协调成本。随之而来的是组织重构，包括阿尔弗雷德·斯隆在通用汽车建立的多事业部架构，以及弗雷德里克·泰勒的科学管理。

这种扩散既深入，重塑了企业的运营方式；又广泛，沿着纵向关联的工业部门层层传导。

然而，数字技术扩散进入的是一个截然不同的经济体。服务业目前占GDP的主导份额。医院或政府机构并不具备钢铁制造商那样的供应链关联。经济学家威廉·鲍莫尔在20世纪60年代指出了这一深层约束，这一现象后来“鲍莫尔成本病”：“停滞”的服务业部门之所以抗拒生产率提升，是因为它们高度依赖人际互动。这些鲍莫尔部门——包括医疗、教育、公共行政和建筑业——约占发达经济体GDP的50%，且依然顽固地抗拒技术转型。

间接成本陷阱

为什么企业层面的采用会停滞？原因不在于技术不可得，而在于组织积累了层层叠叠的复杂性。

我开发了一项跨国指标——“综合间接成本比率”，涵盖政府支出、企业的销售、 general 及行政费用（SG&A）以及合规成本。在美国，这一比率在2000年左右突破了GDP的47%这一门槛。超过该门槛后，GDP增速再未持续超过2.5%——大致是20世纪60年代间接成本保持在35%以下时增速的一半。

政府支出已升至GDP的36%，而企业SG&A自20世纪80年代以来翻了一番。竞争企业协会估计，美国公司每年仅合规支出就超过2万亿美元。

我对1985年至2025年标普500公司按行业和年代的分项分析显示，73%的观测样本落入“间接成本陷阱”，即SG&A上升的同时营收增长下滑。正如Block的杰克·多西所言，企业科层制是一种过时的信息路由协议。如今大多数部署AI的公司，相当于往马车上装一台更快的发动机。一篇相关讨论阐述了把AI仅仅当作现有系统的更快版本所存在局限。

AI有所不同，但障碍并未改变

AI与此前的数字浪潮有着本质区别。以往的技术主要是让信息的处理、传输或展示变得更容易。而AI能够推理、决策和创造。这一区别至关重要，因为鲍莫尔部门并不缺乏信息，而是高度依赖判断——它们需要诊断、评估和个性化，而这恰恰是AI能够增强的能力。

然而，扩散的障碍依然似曾相识。四十多年的企业高管和私募股权合伙人经历让我确认了一个反复出现的模式。

在一家消费品公司，数字化转型在线上渠道实现了亮眼增长，却未能推广到该公司规模大得多的线下业务，因为独立所有的经销商拒绝将客户数据交予一个整合平台。在医疗领域，向医生引入数字工具相对容易，而建立端到端的数字化以改善临床工作流程则困难重重，牵涉数据治理、合规要求，以及医疗专业人员相对于管理层的非对称权力。

这些并非孤例，而是我亲身参与过的众多企业的典型写照。Writer与Workplace Intelligence联合开展的2026年企业AI调查覆盖了2,400位全球领导者，大规模地印证了这一模式：79%的组织报告在AI采用方面遇到挑战，比2025年上升了两位数；此外，54%的C级高管表示AI采用正在“撕裂他们的公司”。

关键在于深度与广度，而非速度

五十年数字创新的教训是：采用速度的重要性远不及采用的深度与广度。ChatGPT的消费者采用速度是有记录以来所有消费技术中最快的，但它没有对宏观经济产生任何实质影响。

真正重要的是，AI能否渗透到核心业务并推动工作流程重塑——即深度；以及这一转型能否超越明星企业，延伸到占就业和GDP大部分的广泛经济部门——即广度。就迄今的调查证据而言，这也是值得关注的数字：高绩效者比例已连续第二个调查年度保持在6%，而完成端到端工作流程重塑的采用者仅为21%。这些数字的变动，而非表面上的采用率，才是判断深度是否正在积累的指标。

从电气化到历次数字浪潮的历史经验表明，采纳周期往往很长：通常超过10年，甚至长达数十年。作为一项技术，AI的进步速度超越了任何前身。但吸收它所需的组织重构，只能以人类制度的速度推进：缓慢、痛苦，且伴随强烈阻力。

创新悖论之所以持续存在，不是因为技术未能进步，而是因为制度未能适应。只有当AI在企业内部得到深度采用，并在主要经济部门中广泛普及，社会才会看到实质性的经济影响。

《财富网站评论文章所表达的观点仅为作者本人观点，不一定反映《财富》的立场和信念。

本文最初发表于 Fortune.com。