AI成本暴跌280倍，全球增长将迎0.5%额外提速？

作者Karmendra Pandey长期从事IT预算工作。他从一线数据出发，提出了一个比“AI降本”更宏大的判断：AI将推动全球GDP增速超越过去二十年。

IT降本已成事实，但这不是故事的全部

AI对IT成本的削减有扎实的实测数据支撑。在客户支持场景中，使用AI助手的客服人员每小时解决的问题数增加了13.8%，而经验最少的员工提升幅度最大，达到约35%。在一项受控写作实验中，专业人士完成任务的速度快了40%，质量还提升了18%。针对大型开发团队的现场实验显示，使用AI编程助手的开发者完成任务量增加了约26%。

更底层的变化发生在AI推理成本上。达到固定AI性能水平的成本，从2022年底的每百万token 20美元，降至约十八个月后的0.07美元。价格下跌超过280倍，意味着那些过去因成本过高而无法自动化的任务——为遗留系统写文档、总结每一次事故、测试每一行旧代码——正在悄然成为默认选项。

但作者强调，IT降本只是故事的开头。真正的伏笔在于，当智能的边际成本趋近于零，整个经济体的组织方式将被迫重新设计。

增长预测分歧巨大，但共识比想象中坚固

关于AI对全球GDP的拉动，各大机构的预测差异悬殊。IMF预计AI将在未来十年为全球增长每年贡献约0.5个百分点；OECD认为在暴露程度最高的发达经济体中，AI每年可带来0.4至1.3个百分点的额外生产率增长；高盛估计AI将在约十年内将全球GDP水平提升7%。而主要怀疑者Daron Acemoglu的计算则保守得多，认为美国十年内的GDP总增益仅为1%至1.6%。

作者从这种分歧中读出了一个关键信号：严肃的争论不在于AI在任务层面是否有效，而在于企业能以多快速度围绕AI重组、AI能有利可图地完成多少任务、以及它是创造新工作还是只自动化旧工作。这些是管理问题，不是模型问题。

他最终落脚在中位预测上。每年额外半个百分点的增长听起来不高，但发达经济体已在1%至1.5%的生产率增长区间徘徊了二十年。半个百分点经过复利效应，足以逆转大部分放缓。我们不需要英雄式的预测成真，只需要那个“无聊的”预测成立，就足以构成历史性转折。

生产率J曲线是作者解释“为何当前数据看不到AI效果”时的关键概念。它借用了宏观经济学中“J曲线效应”的隐喻：一项投资或冲击在初期会使可测量指标暂时恶化，随后才出现超越趋势的改善，轨迹形似字母J。在AI语境下，企业需要先投入数据治理、工作流重设计、员工培训、合规与安全等“无形互补品”，这些成本会立即计入当期支出，却要等到组织重新适配后才转化为产出。因此，国家或行业层面的生产率统计在技术扩散早期出现“停滞”甚至“倒退”，并不必然意味着技术无效。理解J曲线有助于区分两种叙事：一种是“AI没有生产率效应”，另一种是“AI的生产率效应尚未跨过互补品投资的门槛”。作者显然持后者，并以此解释当前宏观数据与微观实验之间的巨大落差。

历史是诚实的裁判：每一次技术转折都曾被低估

作者用工业史提醒我们保持耐心。詹姆斯·瓦特的蒸汽机在1770年代获得专利，但蒸汽对英国生产率增长的最大贡献出现在约一百年后的1850至1870年代。电力的节奏更考验耐心：发电站出现在1880年代，但到1900年，电动机驱动的工厂机械仍不足5%。生产率繁荣直到1920年代才到来，大约四十年后，而且是在工厂被重新设计之后——一台大蒸汽机加一片传送带，被每台机器一个电机、围绕工作流而非动力源建造的单层生产线所取代。

计算机几乎完美复刻了这一模式。Robert Solow在1987年写下那句著名的话：“你到处都能看到计算机时代，唯独在生产率的统计数据里看不到。”统计数字直到1995至2004年才真正移动，而那时企业已经围绕技术重新设计了流程。

互联网和智能手机则提供了反向教训：普及可以近乎瞬间完成——智能手机在美国的渗透率从5%到40%只用了约四年——但生产率繁荣依然可能缺席，因为消费者的愉悦不等同于生产组织的重构。

这正是作者不为当前生产率数据停滞而担忧的原因。AI正在遵循研究者所称的“生产率J曲线”：企业首先在数据、工作流重新设计、培训和治理等无形互补品上投入，这些投入在收益显现前会拖累可测量的产出。电力需要新工厂，AI需要新工作流。技术是容易购买的部分，重新设计才是真正的工作。

索洛生产率悖论（Solow Productivity Paradox）是理解AI增长争论的重要历史参照。1987年，经济学家Robert Solow评论道：“你到处都能看到计算机时代，唯独在生产率的统计数据里看不到。”当时计算机投资快速增长，但官方生产率统计却未见明显加速。这一悖论直到1995—2004年才被打破，学界普遍将其归因于企业终于围绕计算机重新设计了流程、组织与供应链，而非仅仅把旧流程电子化。索洛悖论的核心启示是：通用目的技术（GPT）的生产率红利取决于互补性组织变革的速度，而非技术本身的性能。今天关于AI是否拉动GDP的争论，几乎是索洛悖论的重演——微观实验显示显著任务增益，宏观统计却仍显平淡。作者引用这一历史，是为了说明当前的数据真空更可能是测量与重组时滞，而非AI无效的证据。

这次不一样：四个真正的差异

作者并不认为这只是一次“换了包装的电力革命”。他指出四点本质不同。

速度。 ChatGPT在约两个月内达到1亿用户。电力用了数十年才进入半数工厂。AI依托于已经存在的设备、网络和云平台，不需要等待世界被铺满电线。

复制几乎免费。 蒸汽机必须一台一台建造、运输和安装。一项AI能力一旦被创造出来，就可以在一夜之间以接近零的边际成本复制给一百万家公司。智能从未像软件这样行事，现在它像了。

它自动化的是思考，不是肌肉。 蒸汽和电力放大了手能做的事，AI放大的是头脑能做的事——起草、总结、编程、分析、支持客户——包括那些抵抗了此前每一波自动化浪潮的缓慢、昂贵的服务业。

它能帮助发明自己的继任者。 AI系统已经预测了2亿种蛋白质的结构，这项工作获得了诺贝尔奖认可。一项能加速研究本身的技术，不只是经济中的工具，它是经济获得新工具速率上的杠杆。

通用目的技术（General Purpose Technology, GPT）是贯穿全文分析框架的经济学概念。它指那些能够广泛渗透到几乎所有行业、并持续催生互补性创新的技术，蒸汽机、电力、计算机和互联网都被视为典型GPT。GPT的经济效应通常不体现为发明本身，而体现为围绕它重建生产组织方式后释放的次级创新红利，这也解释了为何其生产率贡献往往滞后数十年。作者将AI置于这一谱系中，但同时强调AI在扩散速度、复制边际成本、自动化对象（认知任务而非体力任务）以及加速自身研发四点上的差异，实际上是在论证AI可能是一种“压缩了滞后期”的GPT。这一框架帮助读者理解：争论AI对GDP的拉动幅度，本质上是在争论GPT的扩散与重组速度，而非模型能力本身。

诚实的警告：任务增益会泄漏

作者附上了两条来自IT组织内部的警告。

第一条是任务增益会泄漏。在一项严谨的试验中，经验丰富的开发者在自己的成熟代码库中使用AI工具，结果速度慢了19%，但他们自己相信快了20%。AI在有边界、模式丰富的工作上最快，在深度、上下文密集的工作上可能是一种税。就整个经济而言，普通工人节省的时间仅占总工时的约1.4%至2.2%，因为大多数工时尚未被AI辅助。把实验室增益乘以整个GDP，是营销，不是分析。

第二条警告关乎IT行业自身。AI削减单位IT工作成本的速度，远快于削减总IT预算的速度，因为需求会扩张以吃掉节省——企业自己估计约29%的云支出被浪费，AI在消除旧浪费的同时创造新浪费，而数据中心的电力消耗到2030年将大约翻倍。对于IT服务公司，商业模式本身正在被重新定价：按人工小时出售的工作，其定价锚定在被AI cheapen的投入上。未来属于结果定价、重新设计的工作流、治理和现代化——出售互补品，而非小时数。作者认为这是健康的纠正，但不应假装它无痛，尤其是对那些旧金字塔赖以建立的初级岗位。

我的预测：赢家是围绕AI重组工作的人

作者给出了最直白的判断：在这个十年内，全球增长将快于AI之前那个低迷的十年。不是因为模型神奇，而是因为智能成本在崩塌、技术复制免费、重新设计的工作虽然缓慢，但已经在支持台、软件团队和后台办公室开始。

赢家不是最早购买AI的国家和公司。电力奖励的是围绕它重新设计的工厂，大约在发电站出现四十年后。AI将奖励围绕它重新设计的组织，而且这次不需要四十年。

蒸汽时代属于建造引擎的人，电气时代属于重建工厂的人。这个时代将属于重建工作组织方式的人——围绕一个可以被复制的头脑。这是至少与先前转折点同样巨大的转折，而且是有史以来第一次，它到来的速度快于制度准备的速度。这个差距，而不是技术，才是真正的风险。弥合它，才是真正的机会。