矽谷常將人工智慧描繪為開啟富足新時代的關鍵力量。然而，當被問及 AI 如何影響企業獲利底線時，全球大型企業的財務長中，有 88% 的人給出的答案是：「影響沒那麼大。」這是 麥肯錫 2026 年 AI 現況調查 所呈現的結果。

這種落差並非首次出現。2007 年 iPhone 問世時，評論家預言行動科技將改變生活的幾乎每個層面；寬頻普及時，《Businessweek》宣告「新經濟」的到來；而當個人電腦進駐幾乎每張辦公桌時，諾貝爾經濟學獎得主羅伯・索洛（Robert Solow）留下名言：除了生產力統計數據之外，電腦時代無所不在。

超過半個世紀以來，一波又一波的數位創新在消費端獲得驚人的普及，生產力成長卻持續下滑。我將此稱為「創新悖論」：我們創新得越快，成長得越慢。

兩個 K 形，同一個問題

數位技術的擴散呈現我所說的「雙 K 形」模式——K 形指的是一部分群體急速領先、另一部分則遠遠落後的分化現象。第一個分化存在於消費者與企業之間：智慧型手機在七年內觸及 80% 的美國人，而企業資源規劃（ERP）系統卻耗費 33 年才達到美企業的 57%。ChatGPT 於 2022 年底推出後不到三年，消費端 AI 使用率已攀升至美國成年人口的 53%；相較之下，實際投入生產部署的企業 AI 僅有 10%。

第二個 K 形則存在於企業部門內部。麥肯錫 2026 年的調查發現，88% 的組織已在至少一項業務職能中使用 AI，但僅有 6% 稱得上「高績效企業」，即 EBIT（稅前息前利潤）影響超過 5%。這一比例與 2025 年持平。

這 82 個百分點的差距，主要並非技術落差，而是組織轉型的落差。成功的那 6% 企業，進行端到端工作流程再造的可能性是其他企業的三倍；但在所有採用 AI 的企業中，僅有 21% 做到了這一點。

股市也反映出類似的分化。標普 500 指數——美國大型上市公司的基準指數——中的 36 家 AI 公司，如今佔該指數市值的 45%。三年來，標普 500 指數整體回報為 76%；若剔除 AI 股，回報僅為 32%。

電氣化做對了什麼

二十世紀初的電氣化與電信技術，以大致相同的速度觸及消費者與企業，且至關重要的是，滲透深度也相近。電動馬達迫使工廠捨棄僵化的廠房布局，轉向靈活的連續流水線生產；電話大幅降低協調成本。組織再造隨之而來，包括艾爾弗雷德・斯隆（Alfred Sloan）在通用汽車推行的事業部制，以及弗雷德里克・泰勒（Frederick Taylor）的科學管理。

當時的技術擴散既深——重塑企業的運作方式——也廣——沿著垂直連結的產業鏈層層擴散。

然而，數位技術擴散進入的是一個截然不同的經濟體。服務業如今佔 GDP 的主導地位。醫院或政府機構並不具備鋼鐵製造商那樣的供應鏈連結。經濟學家威廉・鮑莫爾（William Baumol）在 1960 年代指出其根本制約，此現象後來被稱為「鮑莫爾成本病」：「停滯」的服務業因高度依賴人際互動而抗拒生產力提升。這些鮑莫爾部門——包括醫療、教育、公共行政與營建——約佔已開發經濟體 GDP 的 50%，且始終頑強地抗拒技術轉型。

管理成本陷阱

為何企業端的採用停滯不前？並非因為技術不可得，而是因為組織累了層層疊疊的複雜性。

我建立了一項跨國指標「綜合管理成本比率」（Combined Overhead Ratio），涵蓋政府支出、企業銷售、一般與行政費用（SG&A），以及法規遵循成本。在美國，此比率約於 2000 年前後跨越了 GDP 47% 的門檻。超過該門檻後，GDP 成長率便未能持續超過 2.5%——約為 1960 年代管理成本低於 35% 時成長率的一半。

政府支出已升至 GDP 的 36%，企業 SG&A 自 1980 年代以來翻倍。競爭力企業協會（Competitive Enterprise Institute）估計，美國企業每年僅在法規遵循上的支出就超過 2 兆美元。

我對 1985 年至 2025 年標普 500 企業按產業與年代的 分析顯示，73% 的觀察值落入「管理成本陷阱」：SG&A 上升的同時，營收成長卻在下滑。正如 Block 的傑克・多西（Jack Dorsey）所言，企業層級制度是一套過時的資訊路由協議。如今大多數部署 AI 的企業，等於是把更強的引擎裝進馬車。相關討論闡述了僅把 AI 視為現有系統加速版的侷限。

AI 確實不同——但障礙依舊

AI 與先前的數位浪潮有著本質上的不同。過去的技術主要讓資訊的處理、傳輸或顯示變得更簡單；而 AI 能夠推理、決策與創造。這一區別至關重要，因為鮑莫爾部門並不缺乏資訊，而是高度依賴判斷——需要診斷、評估與個人化，而這正是 AI 能夠增強的能力。

然而，技術擴散的障礙依然熟悉。逾 40 年的企業高管與私募股權合夥人經驗，讓我見證了一個反覆出現的模式。

在一家消費品公司，數位化為線上通路帶來亮眼的成長，卻未能擴展到該公司規模大得多的線下業務，因為獨立經營的經銷商拒絕將客戶資料交給整合平台。在醫療領域，向醫師導入數位工具相對容易，但建立端到端的數位化以改善臨床工作流程卻困難重重，糾結於資料治理、法規遵循，以及醫療專業人員相對管理層的不對稱權力。

這些並非孤例，而是我親身參與過的眾多企業的寫照。Writer 與 Workplace Intelligence 針對 2,400 位全球領導者進行的 2026 年企業 AI 調查，在大規模層面上印證了這一模式：79% 的組織表示 AI 採用面臨挑戰，較 2025 年增加兩位數；另有 54% 的高階主管坦言，AI 的採用正在「撕裂他們的公司」。

深度與廣度，而非速度

50 年數位創新的教訓是：採用的速度，遠不及採用的深度與廣度來得重要。ChatGPT 的消費端普及速度是有紀錄以來最快的消費科技，卻未對宏觀經濟產生任何實質影響。

真正關鍵的是，AI 是否滲透核心營運並推動工作流程再造——即「深度」；以及這場轉型是否超越明星企業，延伸至佔據大部分就業與 GDP 的廣泛產業——即「廣度」。就迄今的調查證據而言，這些也是值得關注的數字：高績效企業比例已連續第二年停留在 6%，完成端到端工作流程再造的採用者也僅有 21%。這些數字的變化，而非整體採用率的頭條數據，才是判斷深度是否正在累積的指標。

從電氣化到一波波數位浪潮的歷史證據顯示，技術採用的時間軸很長：通常超過十年，往往長達數十年。作為一項技術，AI 的進展速度超越所有前輩。但消化 AI 所需的組織再造，只能以人類制度調整的速度推進：緩慢、痛苦，且伴隨強烈阻力。

創新悖論之所以持續存在，不是因為技術未能進步，而是因為制度未能調適。唯有當 AI 在企業內部深度採用、並在主要經濟部門廣泛擴散時，社會才會看到實質的經濟影響。

Fortune.com 評論文章所表達的觀點僅代表作者本人，不一定反映 Fortune 的意見與立場。

本文最初刊載於 Fortune.com。