宏盈国际张瑜：AI的生产率悖论？——20+篇论文中找答案

　　来源：一瑜中的

　　文：华创证券首席经济学家张瑜执业证号：S0360518090001

　　联系人：殷雯卿

　　核心观点

　　本文将通过文献综述，讨论AI能否带来生产率提升？

　　① AI属于什么类型的技术进步？历史上的科技进步存在不同类型，对生产率的影响也不同。学术界普遍认为AI符合通用技术的特征，能在长周期推动生产率增长。而客观数据也显示，2023年以来美国劳动生产率已出现提升。

　　② AI能否带来生产率的长期提升？存在两派观点。一派观点以Gordon为代表，认为在第二次工业革命以后的新技术普遍难以带来持久的生产率提升；另一派观点则以“索洛生产率悖论”、J曲线效应为代表，认为信息技术、AI技术作为通用技术，能够在长期带来生产率提升，只不过在技术发展早期对生产率的影响并不显著，主要原因在于时滞效应、资源错配、测量误差等。

　　③ AI何时才能带来生产率提升？目前的研究普遍预测，AI对生产率提振效应最显著的时期大致在2030年前后。

　　④ “AI生产率悖论”如何影响货币政策？学界普遍认为货币政策应更关注转型时期的经济结构变化、更重视企业微观调查数据（它们比宏观数据更早看到变化），货币政策需维持相对宽松以支持新技术的扩散。

　　报告摘要

　　1、AI属于什么类型的技术进步？

　　历史上的科技进步存在不同类型，如“灯泡型”技术、“发电机型”的通用技术、“显微镜型”的“发明方法的发明”。而AI兼具通用技术与“发明方法的发明”的双重属性。一方面，AI具备通用技术的普遍特征（技术在经济各部门广泛扩散；技术随时间持续改进；技术能够催化创新），另一方面，AI作为“发明方法的发明”，能够优化组织结构、提升研发效率、催生新的经营模式。

　　2023年以来美国劳动生产率已出现提升。从总量表现看，美国劳动生产率已显著高于疫情前的趋势水平。从生产率的贡献结构分解来看，2023年至今，生产率提升主要由资本深化（从0.3pp升至0.9pp）和劳动质量提升（从0.2pp升至0.4pp）驱动，而全要素生产率的提升仍然较为温和。

　　2、AI能否带来生产率的长期提升？

　　这一问题存在两派观点。一派观点以Gordon为代表，认为在第二次工业革命以后的新技术普遍难以带来持久的生产率提升，即新技术对生产率的提升效益在放缓。

　　Gordon（2000）是这一观点最经典的文献之一，通过对比1870–1970年第二次工业革命（电力、内燃机、自来水、抗生素、电信等）与信息革命的影响，认为前者从根本上重构了生产与生活，而信息技术主要影响娱乐、信息和沟通领域，对生产效率的边际拉动远小于前者，因此无法支撑长期的高生产率增长。

　　当前也有一部分研究支持Gordon的观点，认为AI可能同样难以带来长期生产率的提升，原因在于：教育水平已触及平台期；互联网革命的渗透广度远非当前AI可比；AI创造的是“信息”而非“能源”，在物理上不具备生产力等。

　　另一派观点则以“索洛生产率悖论”、J曲线效应为代表，认为信息技术、AI技术作为通用技术，能够在长期带来生产率提升，只不过在技术发展早期对生产率的影响并不显著，主要原因在于时滞效应、资源错配、测量误差等。

　　①时滞效应：通用技术释放生产率需要周期

　　所谓时滞假说，是指蒸汽机、电力、半导体这类通用技术，由于需要配套的组织变革、人力资本积累和技术扩散，因此其生产率红利必然会经历较长的释放周期，而非立刻兑现。生产率J曲线理论则是对时滞假说的定量解释。

　　针对AI何时能带来生产率的提升，时滞效应正是目前学术界的主流观点。学者普遍认为，由于AI属于通用技术，因此也符合通用技术的时滞效应特点。只有在前期AI投资渗透到全产业链，同时企业基于AI技术重新设计生产与经营逻辑、而非在原有业务框架内简单叠加AI工具（类比在铁路革命时代在铁轨上驾驶马车），才会带来更显著的生产率提升。

　　而基于微观调查也能看到AI当前存在的时滞效应。McElheran et al．（2025）调查了美国制造业企业利用AI的微观数据，发现在利用AI初期，AI指数（作者编制的衡量企业使用AI强度的指标）每提升一个标准差，制造业企业的全要素生产率下降1.33个百分点；不过2017年已采用AI技术且延续至2021年的企业，其生产率的增长速度显著高于未采用AI的企业。

　　②资源错配：生产率提升集中在头部企业

　　新技术收益可能集中于少数“超级明星”企业，导致整体宏观生产率未提升。资源错配在AI领域，也得到了大量微观企业与行业层面的数据验证。

　　Çakır Melek & Miller（2026）研究认为：从结构特征看，本轮生产率回升尚不具备广泛的行业基础，生产率的增长主要集中在特定细分领域（如数据处理与托管业、计算机系统设计业等），并非全行业普遍提升。

　　Brynjolfsson et al．（2023）利用来自5179名客服人员的数据，发现AI能够带来整体生产率提升14%，但结构上对新人和低技能员工的生产力提高了34%，而对经验丰富和高技能员工的影响甚微。

　　2026年美英德澳四国央行联合调查也显示，规模更大、劳动生产率更高、员工平均薪资水平更高的企业，AI落地概率显著更高；行业维度上，金融、信息通信、专业科研服务业AI普及率领先，相应行业的生产率提升预期也最强，呈现高度的行业分化。

　　③测量误差：存在但影响有限

　　由于国民经济核算方法不能及时适配新技术，会在技术发展早期出现统计误差。研究认为，一则，由于当前的核算方法无法充分核算无形资产、AI服务的价值，因此会低估AI对生产率的影响。二则，当企业通过API、云服务订阅等方式使用AI时，这些支出被记为中间消费，而非资本形成，这会通过“产出渠道”（高估了中间投资、压低增加值）和“投入渠道”（低估资本投入）影响劳动生产率的测算。

　　3、AI何时才能带来生产率提升？

　　历史研究认为，通用技术对生产率的滞后效应可能在10-40年，且从蒸汽机到信息技术，滞后时长在不断缩短。目前的研究普遍预测，AI对生产率提振效应最显著的时期大致在2030年前后。

　　4、“AI生产率悖论”如何影响货币政策？

　　由于在第一次和第二次工业革命期间全球实行金本位制，因此对这一问题的研究大部分围绕格林斯潘时代的经验展开。从研究结论来看，普遍认为央行应更关注转型时期的经济结构变化、更重视企业微观调查数据（它们比宏观数据更早看到变化），货币政策需维持相对宽松以支持新技术的扩散。

　　风险提示：本文仅系统整理学术界关于新技术对生产率影响的各类研究视角与理论成果，相关议题在学术领域存在多元观点与讨论，本文不做立场判断与观点取舍。

　　报告目录

　　报告正文

　　一、AI属于什么类型的技术进步？

　　历史上的科技进步存在不同类型，也具备对生产率的不同影响。因此在讨论AI会如何影响劳动生产率的变化前，我们需要先明确AI究竟属于哪一类型的科技进步。这一问题上，学术界普遍认为AI符合通用技术的特征，能在长周期推动生产率增长。而客观数据也已显示，2023年以来美国劳动生产率已出现提升。

　　（一）AI符合通用技术的特征

　　Baily et al．（2025）[1] 判断AI兼具通用技术与“发明方法的发明”的双重属性。作者引入三类技术创新的分析框架：①“灯泡型”技术，仅在普及阶段短暂拉动生产率增速，市场饱和后增长效应消退；②“发电机型”的通用技术，具备广泛普及、带动大量衍生创新、核心技术持续进步三大特征，能在更长周期内推动生产率增长；③“显微镜型”的“发明方法的发明”，通过优化观察、分析、沟通、组织环节提升研发效率，可持续释放增长动力。

　　Calvino， Haerle， & Liu（2025）[2] 的研究认为，由于AI具备通用技术的普遍特征，因此可以判断AI属于通用技术。通用技术存在3个特征，而AI在这三方面均表现亮眼：①普遍性，即技术在经济各部门之间广泛扩散。AI当前已呈现出扩散潜力，当前全球AI专利横跨21个行业领域；不过目前AI扩散尚处于早期阶段。②技术随时间持续改进。目前AI在计算能力和模型性能两方面均在快速进步。③催化创新，技术能够催生产品和流程创新。数据显示，2010-2020年间美国AI专利，超过80%在3年内获得了后续专利引用，成为后续技术发展的基础。

　　（二）2023年以来美国劳动生产率已出现提升

　　从总量表现看，美国劳动生产率已显著高于疫情前的趋势水平。2022年以来，美国劳动生产率水平逐渐偏离疫情前基线，持续向上攀升。

　　Sytsma（2025）[4] 对美国生产率数据的贡献结构进行分解，比较了2010-2019年和2023年至今两个时期的生产率结构。劳动生产率由3个部分组成：劳动质量提升、资本深化、全要素生产率，2023年至今，生产率提升主要由资本深化（从0.3pp升至0.9pp）和劳动质量提升（从0.2pp升至0.4pp）驱动，而全要素生产率（TFP）的提升仍然较为温和。文献指出：这一特征与通用技术的扩散过程一致，即技术发展早期，资本深化驱动了大部分的生产率增长，而效率与技术提升对生产率的提升贡献有限。

　　二、AI能否带来生产率的长期提升？

　　关于互联网革命以来的新技术能否带来生产率的长期提升，这一问题存在两派观点。一派观点以Gordon为代表，认为在第二次工业革命以后的新技术普遍难以带来持久的生产率提升，即新技术对生产率的提升效益在放缓；另一派观点则以“索洛生产率悖论”、J曲线效应为代表，认为信息技术、AI技术作为通用技术，能够在长期带来生产率提升，只不过在技术发展早期对生产率的影响并不显著。

　　（一）技术进步放缓论

　　Gordon（2000）[5] 是这一观点最经典的文献之一，通过对比1870–1970年第二次工业革命（电力、内燃机、自来水、抗生素、电信等）与信息革命的影响，认为前者从根本上重构了生产与生活，并引发了1913–1972年的生产率增长黄金时代；而信息技术主要影响娱乐、信息和沟通领域，对生产效率的边际拉动远小于前者，因此无法支撑长期的高生产率增长。

　　Gordon（2024）[6] 在纽约联储的演讲则表达了其对AI的偏悲观看法，认为AI可能同样难以带来长期生产率的提升。2005年以来，美国劳动生产率增速一直停滞在1.2%，远低于1950–1972年的2.8%和1995–2005年互联网繁荣期的2.6%。而AI时代，新技术对生产率的提升存在几大“逆风”：①教育水平已触及平台期，完成大学或更高学位的比例见顶回落；②学生债务、政府债务挤占了生产性资源；③互联网革命的渗透广度远非当前AI可比，这些因素进一步制约了AI技术对生产率的提升。

　　Beaudreau（2025）也支持Gordon的理论，他从经典力学、热力学和动力学的框架出发，认为生产过程都需要三个要素：材料、能量和信息，只有能量在物理上具备生产力，信息和材料本身不能做功。过去两百年的工业革命本质上是“能源革命”，但AI本质上是“信息”、且创造“信息”还需要消耗能量。因此AI难以持续大幅提升生产率。

　　（二）技术进步的“生产率悖论”

　　1987年，诺贝尔经济学奖得主罗伯特·索洛在《纽约时报书评》提出了经典的“生产率悖论”：你可以在任何地方看到计算机时代，唯独在生产率统计中看不到它。“生产率悖论”描述了互联网浪潮初期，宏观经济存在的矛盾，即信息技术领域的投资高速增长、技术快速迭代，但全社会的全要素生产率增速反而持续放缓。学术界针对“生产率悖论”现象，提出了诸如测量误差、时滞效应等解释。

　　反观当下，当前针对AI对生产率潜在影响的讨论，也有大量研究围绕着“生产率悖论”的角度展开。Ajuzieogu（2025）[7] 就从生产率悖论的角度总结了AI对生产率影响存在的问题：①时滞效应。AI技术落地到应用遵循“生产率J曲线”规律，即在实施初期会带来短期企业生产率的下降，下降源于员工学习成本、现有流程的重构等，此后才会逐渐带来生产率的提升。②测量误差。传统的GDP核算方法脱胎于工业经济框架，无法充分核算无形资产的价值，例如AI训练用数据的价值大部分未被资本化。③资源错配。企业对AI的利用率高度不均衡，主要集中在信息技术、专业服务、金融服务、传媒娱乐等行业，因此会稀释对整体生产率的提升效果。④能力-部署缺口。实验室中的AI能力与实际生产部署存在显著差距，例如信息质量、可靠性、监管等都可能阻碍AI的实际应用以及对生产率的提升效果。下面我们将从“生产率悖论”的不同解释视角出发，来总结当前的研究如何分析AI对生产率的潜在影响。

　　1、时滞效应：通用技术释放生产率需要周期

　　所谓时滞假说，是指蒸汽机、电力、半导体这类通用技术，由于需要配套的组织变革、人力资本积累和技术扩散，因此其生产率红利必然会经历较长的释放周期，而非立刻兑现。这一理论最早由David（1990）[8] 提出，该研究以电力革命为参照：发电机从发明到全面重构工厂生产布局、释放全行业生产率红利，间隔了近40年；早期工厂仅用电机替换蒸汽机，未改变生产组织形式，效率提升微乎其微。作者认为，通用技术带来的生产率释放具有长周期性，从技术突破到全要素生产率增长峰值通常需要40-50年，其生产率效应的释放需要配套的组织变革、人力资本积累和技术扩散，生产率增长峰值出现在技术扩散曲线（刻画新技术的普及过程：初期渗透缓慢，中期加速扩散，后期增速回落直至接近饱和）的拐点之后，而非技术突破初期。针对AI何时能带来生产率的提升，时滞效应正是目前学术界的主流观点。

　　Brynjolfsson et al．（2020）[9] 提出生产率J曲线，说明了在通用技术发展早期，统计数据只能计量投资、而难以计量产出，因为这些产出主要以无形资产的形式存在（如新业务流程、商业模式等），因此会低估新技术对生产率的影响；而在通用技术发展后期，早期的无形资产投入开始产生效益，进而带来生产率快速提升。同时，作者研究也认为，当时以机器学习、图像识别等为代表的早期AI技术也存在生产率J曲线的特点。

　　Baily et al．（2025）的研究认为，①AI同时具备通用技术与“发明方法的发明”的双重属性，这一特征预示其将对生产率水平产生显著正向影响。作为通用技术，AI在衍生创新、核心技术进步两个维度已有成效，但普及度仍有局限，非科技行业、中小企业落地进度缓慢，因此可能需要更高的普及度才能进一步促进生产率的提高。作为“发明方法的发明”，AI在科研领域已体现出对研发效率的提升。②AI作为通用技术，其对生产率的提升，存在“成本先行、收益滞后”的时间差，即前期需要先投入技术、人力、基础设施的建设，因此会在拉低生产率的增速。AI技术也遵循这一规律，当前期投资渗透到全产业链后，才会带来更显著的生产率提升。

　　Daly（2026）[10] 的研究认为AI技术属于通用技术变革，与电力技术的发展路径相似；电力技术从原理突破到生产力释放历时近百年：相应地，将AI技术与电力技术的发展历程进行对比：20世纪30-50年代奠定计算科学基础，20世纪90年代实现流程自动化与数据驱动的机器学习应用，2022年大语言模型面向公众发布，进入商业应用与普及扩张的关键阶段。但目前，AI尚未进入系统性拉动全经济生产率增长的时期。当前多数AI应用仅停留在局部流程优化层面，尚未实现生产体系与商业模式的根本性重构；真正的变革性突破依赖企业基于AI技术重新设计生产与经营逻辑，而非在原有业务框架内简单叠加AI工具。

　　在微观调查中，AI技术也呈现出一定的“时滞效应”。

　　Becker et al．（2025）[11] 、Becker et al．（2026）[12] 连续2年进行代码开发人员调查，2025年的调查结果显示，开发者使用AI工具后，工作时间比不使用时增加了19%——AI反而降低了他们的效率。但2026年再度开展调查时，研究团队发现：选择不参与调查的开发人员数量显著增加，因为他们不愿在没有人工智能的情况下工作，或也间接反映了AI对代码开发人员生产率的影响出现明显提升。

　　McElheran et al．（2025）[13] 研究基于美国制造业企业的微观数据，检验工业企业AI的普及特征以及对生产率的影响。其研究认为：①美国制造业企业AI渗透率整体偏低，截至2021年仅约23%的制造业工厂采用AI；②制造业企业利用AI存在显著的J曲线特征，在利用AI初期，AI指数（作者编制的衡量企业使用AI强度的指标）每提升一个标准差，制造业企业的全要素生产率下降1.33个百分点。不过长期来看，2017年已采用AI技术且延续至2021年的企业，其生产率的增长速度显著高于未采用AI的企业，即长期来看，AI技术已带动企业生产率进入J曲线的上行阶段。③短期生产率损失源于生产流程调整成本与结构化管理能力退化。

　　Writer Team（2026）[14] 对企业应用AI进行调查，覆盖全球2400名受访者（包括1200名日常使用AI的非技术员工、以及1200名企业高管），调查结果显示：①个体层面，97%的企业已部署AI智能体，半数员工已日常使用；深度使用AI的员工，生产率可能较普通员工提升5倍。②但整体层面，仅有29%的企业实现了显著的AI投资回报。

　　2、资源错配：生产率提升集中在头部企业

　　新技术收益可能集中于少数“超级明星”企业，导致整体宏观生产率未提升。这一方面的经典研究文献为Andrews et al．（2015）[15] ，作者使用OECD 23国的数据，发现2001-2009年期间，全球头部企业的制造业劳动生产率年均增长约3.5%，而非头部企业的制造业劳动生产率年均增长仅约0.5%。其研究认为，在2001-2009年期间，尽管发达国家整体生产率增长放缓，但全球头部企业的生产率仍在快速增长；只不过新技术在头部企业以外的扩散速度较慢，并未带动绝大部分企业生产率的提升。

　　此后，Autor et al．（2020）[16]在此研究基础上，也发现：在全球化与信息技术进步的大背景下，市场竞争变得更“赢家通吃”，每个行业里效率最高的头部企业抢走了越来越多的市场份额；进而导致头部企业在新技术的加成下劳动生产率增长较快，但落后企业追赶不上，导致企业间差距拉大，拖累了整体生产率。

　　而资源错配在AI领域，也得到了大量微观企业与行业层面的数据验证。

　　Çakır Melek & Miller（2026）研究认为，AI带来生产率回升的可持续性存在不确定性，其未来走向取决于增长的扩散进程：如果生产率增长能够逐步拓宽行业覆盖范围并长期持续，就足以支撑更快的非通胀式经济增长；如果增长始终集中在少数行业，则回升的可持续性将面临挑战。从数据来看，本轮生产率回升尚不具备广泛的行业基础。尽管生成式AI时代的累计生产率贡献已较疫情前翻倍以上，但净增长中的大部分仍由少数行业贡献。生成式AI时代贡献排名前四位的行业依次为零售贸易，信息业，专业、科学、技术服务业（简称PSTS），房地产及租赁业；信息业，专业、科学、技术服务业内部，生产率的增长主要集中在特定细分领域（如数据处理与托管业、计算机系统设计业等），并非全行业普遍提升。

　　Brynjolfsson et al．（2023）[17] 利用来自5179名客服人员的数据，发现AI能够带来整体生产率提升14%，但分化明显；对新人和低技能员工的生产力提高了34%，而对经验丰富和高技能员工的影响甚微。即AI对提升整体生产率确实存在效果，不过存在一定的内部分化。

　　2026年，美国亚特兰大联储、英国央行、德国联邦银行、澳大利亚麦考瑞大学四大研究团队联合开展跨国同步调研[18] ，在2025年11月至2026年1月同步进行四国近6000名企业高管进行调研。核心结论显示当前绝大部分企业认为AI对就业或生产率无显著影响。具体来看：①四国企业AI整体普及度较高，且普及速度持续提升，但企业AI应用存在显著结构性分化：规模更大、劳动生产率更高、员工平均薪资水平更高的企业，AI落地概率显著更高；行业维度上，金融、信息通信、专业科研服务业AI普及率领先，住宿餐饮、传统生产制造行业普及滞后。②截至调研时点，过去三年AI对各国企业就业、生产率的实际宏观影响极其微弱，绝大多数企业未感知明显变化。但企业高管预判未来三年AI将产生显著经济效应，且存在国别与行业分化。国别上，美国企业对AI生产率提升预期最高（2.25%）；行业上，信息通信、行政配套业生产率提升幅度预期最强。

　　3、测量误差：存在但影响有限

　　由于国民经济核算方法不能及时适配新技术，会在技术发展早期出现统计误差。Baily & Gordon（1988）[19] 从统计误差的角度解释了1970年代美国生产率增长放缓的问题。①计算机带来的便利性难以统计。例如计算机技术带来超市营业时间变长、商品种类变丰富，这些服务改善能让消费者生活更便利，但统计上只按“产出/劳动小时数”计算生产率。②忽视了劳动力质量的变化，统计中将一个劳动小时当做同质单位，但现实中不同劳动者的“质量”完全不同，若新进入者多为低经验、低教育水平的工人，可能会压低生产率增长。不过作者也认为，测量误差只能解释生产率放缓的一小部分，并非核心原因。

　　目前，也有部分研究认为，AI技术在使用早期也存在统计上的误差，导致其对生产率的影响被低估。Ajuzieogu（2025），Sytsma（2025）在研究中均提到，由于当前的核算方法无法充分核算无形资产、AI服务的价值，因此会低估AI对生产率的影响。Bontadini et al．（2026）[20] 也认为，当前的国民经济核算体系存在系统性的统计误差，导致AI对生产率的影响被低估，主要原因在于：①当企业通过API、云服务订阅等方式使用AI时，这些支出被记为中间消费，而非资本形成，这会通过“产出渠道”（高估了中间投资、压低增加值）和“投入渠道”（低估资本投入）影响劳动生产率的测算。②目前官方统计中，对软件/IT平减指数的估算未能捕捉到AI能力的快速提升，导致投资价格被高估、从而低估投资量。③由于AI上游企业以资本投资为主，下游企业使用AI但不被记为投资，这也导致了总量的生产率数据更多反映了上游企业特点，不具备经济整体的代表性。不过，上述研究也认为，尽管存在对AI的统计误差，但AI能够对生产率产生多大的影响，仍取决于AI技术在生产中的渗透率。

　　三、AI何时才能带来生产率提升？

　　Ajuzieogu（2025）对AI何时能带来劳动生产率提升做出了明确的时间预测。作者提出了三阶段演化模型。第一阶段：生产率悖论期（2022-2025年）。这一阶段的特点是：大量投资，但宏观生产率没有显著提升。第二阶段：影响显现期（2026-2029年）。这一阶段的特点是：随着实施知识扩散和互补性投资成熟，领先企业的经济回报变得显著，行业层面的生产率提升将逐渐显现，但总体数据可能仍不完全。第三阶段：生产率加速期（2030-2035年）。这一阶段的特点是：AI技术在经济中广泛扩散，最终在宏观统计数据中体现为显著的生产率增长。

　　此外，作者还预测了不同类别的行业进入生产率加速期的时间。①快速扩散行业（IT、金融、专业服务）：2028–2029年；②中速扩散行业（零售、媒体、电信、先进制造）：2030–2031年；③慢速扩散行业（医疗、教育、交通、建筑）：2032–2034年；④晚扩散行业（传统制造、农业、自然资源）：2035年之后。

　　最后，作者指出，AI能否如期带来生产率加速提升，关键取决于企业能否完成组织转型、政府能否建立新的统计框架、以及技术能否从个别头部企业扩散至更广泛的经济体中。

　　Arnon（2025）[21] 测算了AI对未来美国全要素生产率的影响路径，其测算显示：①AI对生产率的宏观影响目前尚不显著。在特定任务中AI能够显著提升效率（如编程速度提高56%），但由于很多工作场景AI尚缺乏经济可行性、且企业部署和熟练应用技术需要时间，因此2025年AI对全要素生产率增长的贡献仅为0.01个百分点。②而长期来看，AI对生产率的影响将呈现“驼峰型”。预计随着AI工具被广泛应用及技术自身的成熟，AI对全要素生产率增长的年度贡献将逐渐提升，在2032年达到0.2个百分点的峰值。而一旦技术采用达到饱和，AI对生产率的拉动将逐步衰减。

　　Boussour & Daco（2023）[22] 的研究认为，AI对经济的提振将在未来3-5年内感受到（大约为2026-2028年）。文章通过历史对比来支撑这一预测。作者认为，蒸汽机、电力、计算机从发明到显著提升生产率，分别滞后约80年、40年、20年，呈现逐渐缩短的特点。而AI由于技术扩散和采用速度更快，预计滞后时间将缩短至3–5年。同时参考计算机带来的生产率提升幅度，预计AI能在未来10年带来生产率增速提升20%-50%，这一增幅虽然显著，但可能也不及电力所带来的生产率翻倍。

　　四、“AI生产率悖论”如何影响货币政策？

　　考虑到“生产率悖论”现象的存在，会导致AI等新技术存在一段时间的“高投入、低回报”，因此也有部分文献讨论了AI技术发展背景下，货币政策应该做出怎样的调整。由于在第一次和第二次工业革命期间全球实行金本位制，因此对这一问题的研究大部分围绕格林斯潘时代的经验展开。从研究结论来看，普遍认为央行应更关注转型时期的经济结构变化、更重视企业微观调查数据（它们比宏观数据更早看到变化），货币政策需维持相对宽松以支持新技术的扩散。

　　Brault et al．（2026）[23] 认为，AI会带来经济结构的变化，因此货币政策需要区分经济的结构性调整与周期性波动，采取更为灵活的政策。具体来说：

　　①AI可能引发“双速经济”，AI扩张部门供给短缺、价格上涨，可能推高整体通胀；但这类通胀属于结构性调整，而非需求过热信号，因此货币政策不应过早紧缩，需容忍阶段性通胀以实现资源再配置。

　　②货币政策需要区分结构性错位与周期性疲软，作者以劳动力市场为例，认为货币政策需要区分疲弱的劳动力市场指标究竟反映的是总需求不足（周期性）、还是技术引发的再分配（结构性）；作者提出了4个观察指标来识别结构性错位与周期性疲软。应对结构性调整，货币政策可以在稳定价格预期的前提下，包容一定的经济波动，引导经济平稳过渡至新均衡。

　　Daly（2026）基于AI属于通用技术变革的背景，提出转型时期的货币政策应对策略，认为：①不能仅依赖生产率、劳动力市场、通胀等总量宏观数据判断经济走势，需挖掘细分微观数据捕捉技术变革的早期信号；②不存在固定的指标体系可用于跟踪技术转型，央行需要能够识别真正具有前瞻性的信息，同时发现数据中的不一致性并努力解决；③企业的一线反馈具有重要价值，需要将这类信息纳入货币政策判断框架。作者以格林斯潘时代为例，认为在1990年代互联网革命初期，宏观数据也看不到生产率的显著增长，但格林斯潘坚持从企业微观数据和实地走访中寻找信号，选择不急于加息，最终为“咆哮的90年代”创造了条件。

　　Poloz （2019）[24] 提出，在第一次和第二次工业革命期间，全球实行金本位制，无法扩张货币供给，从而诱发了两次经济衰退。第三次工业革命（1990年代）由于通胀目标制的确立，货币政策得以保持宽松，避免了深度萧条。作者复盘了格林斯潘时代应对信息革命的货币政策决策。从1995年起，美国的潜在产出就持续高于预测值，但由于当时的通胀持续低于目标值，允许美联储保持相对宽松的货币政策，允许经济增长“跑起来”，这使得技术转型比前两次工业革命平滑得多；但代价是长期的金融宽松为金融危机埋下了种子。基于此作者提出了技术变革时期的货币政策框架：①允许增长在通胀温和时“跑起来”，从而为被新技术替代的劳动力创造新的就业机会。当技术冲击导致的供给增长超过需求时，通胀会自然走低；②将金融稳定纳入货币政策考量，需要宏观审慎工具来抑制资产泡沫和过度杠杆。

　　不过，Goolsbee（2025）[25] 也指出，央行判断新技术能否带来生产率持续提升是极其困难的，作者提出，应对这一困境，一则央行需要纳入实地视角，关注行业专家、商业领袖和一线从业者的观察，因为他们可能比统计数据更早看到变化；二则央行不能盲目乐观，高估AI对生产率的积极效果，防止因对AI前景过度兴奋而引发投资过热与资产泡沫，重蹈2001年互联网泡沫的覆辙。

　　具体内容详见华创证券研究所7月16日发布的报告《【华创宏观】AI的生产率悖论？——20+篇论文中找答案》。