AI生产率繁荣仍在等待它的统计时刻

AI生产率繁荣仍在等待它的统计时刻

人工智能周期中最重要的事实，并不是投资规模巨大、采用速度很快，或者股票市场已经大幅资本化这个故事。更关键的是，宏观生产率数据还没有给出足够清晰的加速信号，无法确认最强版本的AI宏观叙事。表面上的全要素生产率增速接近1.5%，这个数字并不难看。但与Susanto Basu、John Fernald和Miles Kimball相关的利用率调整后生产率指标已经低于零。这个差异很重要。它说明经济产出增加，可能更多来自企业把劳动和资本用得更满、更紧，而不是同一组投入已经被转化成明显更多产出的真实效率跃升。

这并不等于看空AI。它更像是时间问题、测量问题和组织资本问题。通用目的技术很少以一条干净的垂直线进入国民账户。电力、内燃机、计算机、企业软件、云计算和移动互联网，都需要配套投资，才会在宏观层面改变生产前沿。企业必须重设工作流，建设新基础设施，培训员工，重写流程，改变采购系统，重组管理层级，并决定哪些旧流程应该被放弃。AI也正在经过同样的通道。工具在单个任务上可以非常惊艳，但宏观数据仍然可以暂时无动于衷。

对投资者而言，危险在于市场常常先给终点定价，而经济还没有完成到达终点所需的组织工作。在一个有用的AI繁荣中，生产率最终应该表现为每小时产出增加、流程重构带来利润率提升、产品开发速度加快、服务交付成本下降，以及无形资本回报率上升。在一个不那么有用的繁荣中，支出先上升，利用率随后上升，而测得的效率很晚才出现，甚至根本不出现。两条路径的差异，决定了AI究竟是持久的供给侧冲击，还是一轮昂贵资本开支周期中夹杂着真实创新。

因此，应该认真对待当前生产率证据的不足，但不应把它当成最终判决。正确的问题不是AI是否虚假。正确的问题是，什么证据能够区分早期通用技术的滞后效应，和一轮资本密集型投资热潮中被高估的经济回报。这个问题需要同时考察利用率调整后的生产率、无形投资、扩散速度、测量误差、市场定价、劳动力重组，以及会加速或拖慢采用的政策环境。

表面TFP不是完整故事

全要素生产率本来是为了捕捉产出增长中无法由可测劳动和可测资本解释的部分。在增长核算中，产出增长可以来自更多工时、更多人均资本、更高质量的劳动，也可以来自投入组合效率的剩余改善。这个剩余项就是TFP。它并不是纯粹技术，因为其中也包含测量误差、组织变化、规模经济、资源再配置，有时还包含统计噪音。即便如此，它仍然是判断经济是否变得更有效率的最佳宏观指标之一。

所以，接近1.5%的表面数字只能在有限意义上令人鼓舞。它说明广义生产率没有崩塌，也给乐观者留下空间：在高利率、疫情后扭曲和投资结构波动的环境下，经济仍然有适应能力。但表面TFP可能被既有劳动和资本使用强度的上升所美化。如果工厂延长班次，办公室让薪资员工吸收更多任务，运输车队跑更多里程，数据中心更接近满负荷运行，产出会增加，但底层生产函数不一定已经改善。

这就是Basu-Fernald-Kimball利用率调整如此重要的原因。BFK框架试图把真实效率增长和投入使用强度的周期性变化分开。它反映了宏观生产理论中的一个基本洞见：可测投入无法完全捕捉努力程度、工作周强度、产能利用率和资本的影子使用强度。当需求强劲时，企业可以从既有资本存量和劳动力中挤出更多产出。测得产出上升，但这不一定代表永久性技术变化。当利用率调整后的生产率低于零，而表面TFP为正时，增长构成就没有标题数字那么漂亮。

含义很直接。近期产出改善可能来自一个更努力工作的经济，而不是一个更聪明工作的经济。长期看，这不是可持续增长模式。延长工时、提高努力程度、增加设备占用、压榨机器、吸收行政任务，都可以持续一段时间。但如果流程效率没有改善，疲劳、维修、工资压力、质量问题和瓶颈终会出现。真正的生产率繁荣应当降低生产一单位产出所需的投入压力。当前宏观数据还没有清楚显示这一点。

利用率调整为何对AI辩论重要

AI常被讨论得像一种会立即改变生产前沿的新工具。但宏观数据不会这样运作。一个模型可以帮助程序员写代码、分析师总结文档、设计师测试版本、客服人员回答问题，从而提升任务层面的生产率。但总量生产率取决于这些任务收益是否改变企业层面和经济层面的劳动、资本与产出配置。利用率调整有助于识别经济看到的是真效率，还是既有资源的更高强度部署。

假设一家公司把AI工具引入客服。员工每天回答更多工单，因为系统可以起草回复。最初，管理层可能不减少人员，而是消化积压，并让同一团队覆盖更多渠道。产出上升。但如果企业同时大量支付软件授权、咨询、数据清洗、合规审查、模型监控和内部培训费用，净生产率效果可能有限。一个任务内部可见的生产率提升，可能被其他地方的新成本抵消。在宏观数据里，这看起来更像投资阶段，而不是革命。

软件开发也是类似例子。AI编程工具可以加快常规生成、文档、测试和搜索。但软件组织常常通过扩大项目范围、增加审查需求、加入安全检查、建设更复杂系统来回应。更快写出代码不等于更快交付价值。如果瓶颈从敲代码转移到定义需求、集成系统、验证输出和维护可靠性，测得的生产率收益就会延后。AI改善了一个边际，却暴露了另一个边际。

因此，利用率调整后的信号值得认真对待。如果经济已经把AI采用转化为广泛效率收益，剥离周期性强度后理应能看到更强证据。但现在调整后指标低于零，说明这轮繁荣在宏观层面仍不完整。AI可能有用，但它的有用性仍嵌在一个企业投资、试验并吸收组织成本的过渡阶段中，效率红利还没有充分可见。

通用目的技术总是带着滞后到来

乐观解释是经典的通用目的技术滞后。Paul David关于电力的研究仍是标准案例：工厂并不会因为有了电动机就立刻大幅提高生产率。早期工厂常常只是用电动机替换蒸汽机，却没有重新设计生产流程。完整回报需要分布式动力、新厂房布局、连续流生产和管理实验。技术本身很早就真实存在，但生产率统计要很久以后才充分反映。

信息技术也经历了类似路径。Robert Solow那句著名观察，即计算机到处可见，唯独不见于生产率统计，准确捕捉了上世纪八十年代末的困惑。后来九十年代和二十一世纪初美国生产率加速，说明延迟并不等于失败。它反映了硬件、软件、网络、供应链、物流和商业流程形成互补所需的时间。Erik Brynjolfsson和Lorin Hitt后来强调，计算机化最有效的时候，往往也是企业同步投资组织资本的时候。

AI与这个模式非常吻合。模型能力很强，但围绕模型的生产系统还年轻。许多企业仍在判断哪些用例可靠，哪些数据可以安全使用，哪些流程应该自动化，哪些决策需要人类复核，哪些风险可以接受。早期阶段天然嘈杂，因为其中包含试点、失败部署、供应商更换、重复工具、治理成本和培训开销。这些活动先消耗资源，之后才可能产生持久产出。

因此，负的利用率调整读数应被视为警告，而不是最终答案。它告诉我们宏观证明尚未到来，并不告诉我们证明永远不会到来。更合适的类比也许是建筑工地：支出、扰动和重组先被看见，完工后的建筑随后才开始提供服务。相关的投资问题是，这个工地究竟在创造生产性资产，还是只是在缺乏纪律地扩大成本。

配套资本测试

AI的关键测试是配套资本。通用目的技术只有在其他资本形式围绕它重建时，才会变得具有经济重要性。对AI而言，这些互补项包括数据基础设施、云架构、企业软件集成、网络安全、模型治理、员工培训、重新设计的岗位说明、采购标准、法律审查和管理度量系统。芯片和数据中心只是最显眼的一层。更难的一层，是让企业把模型能力转化为更低单位成本或更高质量产出的组织重构。

这也是AI资本开支周期既必要又危险的原因。如果AI要扩展，算力、电力、网络和软件投资就是必要的。但高投资不保证高生产率。在Solow式框架中，资本深化会在劳动者获得更多或更好资本时提高产出。只有当经济更有效地组合投入时，TFP才会上升。如果繁荣只是给企业带来更昂贵的资本，而没有改变流程，回报可能令人失望。如果它促成新的生产方法，TFP最终应该改善。

投资者因此应区分总采用和生产性采用。总采用问的是员工是否有AI工具，公司是否签了供应商合同，高管是否在财报会上提到AI。生产性采用问的是周期时间是否下降、错误率是否下降、营运资本是否改善、获客成本是否降低、研究生产率是否提高、扣除新成本后的员工人均收入是否上升。第二组指标更难测，却重要得多。

BFK调整后的疲弱说明，第二组指标尚未主导宏观数据。企业可能正在建设互补资本，但回报还没有广到足以压过利用率噪音。这对年轻技术浪潮是正常的，却也应该让分析保持纪律。AI不应该获得尚未出现的生产率信用。它应该获得未来生产率的期权价值，而这份期权价值的大小取决于配套资本形成的证据。

市场正在给未来供给冲击定价

股票市场大体上把AI定价为未来供给冲击。半导体、云平台、数据中心基础设施、电力设备、软件供应商和部分工业供应商，都受益于这样一种信念：AI将提高经济生产能力，并创造大规模新利润池。这种信念并非不理性。如果AI可以自动化认知任务、压缩研发周期、提高软件生产率、个性化服务并优化物流，它就能同时提高增长和利润率。

但市场给概率加权的未来定价，已经快于国民账户的确认。这并不罕见。金融市场折现预期现金流，生产率统计记录已实现产出。如果投资者对未来技术扩散有可信信息，市场本来就应该先动。风险在于，市场价格可能对时间、幅度和分布过于自信。即使一种技术真实存在，如果现金流来得比预期晚，或只流向更窄的一组企业，它仍可能是糟糕的投资。

受益者和采用者之间的差异很关键。技术繁荣早期，利润常常先流向基础设施提供者。铁路繁荣中，轨道、钢铁和土地投机先于完整交通生产率红利。互联网建设中，网络设备和电信容量曾被过度建设，尽管互联网最终创造了巨大价值。在AI中，芯片和数据中心层可能在一段时间内是有利可图的瓶颈，但更广泛的生产率叙事要求下游企业能够有利可图地使用这些基础设施。

因此，利用率调整后的生产率是市场叙事的现实校验。如果AI只是把利润转移给少数资本供应商，而经济其余部分承担采用成本，宏观效果就会不同于广泛生产率革命。如果AI扩散到数千家企业并改变工作流，调整后的生产率数据最终应该改善。市场可以提前预期这一点，但不能永远用预期替代证据。

劳动强度不是生产率

近期产出改善来自哪里很重要，因为劳动强度有上限。如果企业通过让现有团队更辛苦来满足需求，短期内测得产出可能上升。薪资员工可能吸收更多任务，服务人员每小时处理更多互动，管理者可能推迟招聘，团队可能使用AI工具追赶更重的工作量。从远处看这像生产率，但它更接近努力提取，而不是效率改善。

真正的生产率提升会改变权衡关系的斜率。它让员工在不同比例增加压力、工时或资本损耗的情况下创造更多价值。它减少返工，缩短交接，降低错误率，改善排班，并消除低价值任务。AI应被用这些边际来评判。一个让团队处理更多工单的聊天机器人是有用的。一个能够预防工单、自动解决常见问题、并让员工处理复杂案例的服务架构，才是生产率。

这种差异也关系到工资和通胀。如果产出增长依赖更高努力，劳动者最终会要求补偿或离开，单位劳动成本压力可能重新出现。如果产出增长来自真实效率，企业就能在工资、利润率和更低价格之间分享收益，同时承受更少通胀压力。这就是为什么生产率位于宏观政策辩论中心。它决定强增长能否与反通胀共存。

AI多头应该希望利用率调整指标明确转正。那将意味着经济不再只是从既有投入中挤出更多产出，而是工作流重构、资本投资和知识扩散正在抬高有效生产前沿。在那之前，更诚实的表述是：AI提高了预期生产率，而不是已经证明了已实现的总量生产率。

测量可能低估部分AI收益

合理的反驳是，数据可能遗漏了一部分收益。服务、软件、医疗、金融、教育和数字消费品的生产率测量一向困难。如果AI在写作、搜索、翻译、编码、研究、客服或内部分析中节省时间，部分福利收益可能不会表现为测得产出。一个员工可能交付更好的工作、更快的响应或更多选择权，而GDP记录的变化很小。

质量调整尤其困难。如果AI辅助的分析师能审查更多情景、发现更多错误、做出更好决策，即使报告数量不变，产出也可能更有价值。如果医生用AI改善分诊，收益可能表现为等待时间缩短或结果改善，而不是更多测得的医疗产出。如果小企业用AI创造以前根本不会存在的营销材料，部分收益可能是消费者剩余，而不是记录收入。

数字经济一直存在这个问题。免费搜索、地图、开源软件、即时通信和在线信息带来的福利，远超它们的直接价格。AI可能加深这种楔子。家庭用AI做辅导、规划、翻译或个人行政事务，可能获得真实收益，但国民账户低估。因此，弱的测得生产率不等于零社会价值。

不过，投资者不能停在测量辩护上。金融资产定价依赖可货币化现金流，而不仅是未定价消费者剩余。如果AI创造的收益真实但难以货币化，宏观福利故事可能强于股票故事。如果AI创造企业价值，它最终应表现为员工人均收入、利润率、定价权、更低成本增速或更快产品周期。测量不确定性应让我们谦逊，而不是草率。

扩散在企业之间并不均匀

即使前沿企业快速改善，总量生产率仍可能疲弱。原因是扩散。少数领先企业也许能有效部署AI，因为它们有干净数据、强工程文化、云原生系统，以及能重设流程的管理者。许多其他企业则运行在遗留软件、碎片化数据库、法律不确定性、有限IT预算和难以自动化的工作流之上。平均生产率取决于前沿做法传播得多快。

这种不均匀解释了为什么市场指数可以强于实体经济。大型科技公司和AI基础设施供应商可能展示清晰收入增长和利润率韧性，而中小企业面对采用摩擦。公共市场市值于是集中在最接近AI建设周期的公司上，尽管大部分就业在其他地方。只有当收益超越分布顶端的赢家时，总量TFP才会明显上升。

关于超级明星企业和无形资本的研究在这里很有用。当技术提高规模经济时，最优秀企业可以拉开差距。它们利用数据、软件和网络效应扩大利润率和市场份额。如果弱企业停滞，这可能提高利润，却不一定同比例提高全经济生产率。因此，股票市场AI繁荣可以与含混的宏观生产率图景共存很久。

对政策制定者和投资者而言，关键变量是扩散速度。AI工具是否变得更便宜、更容易集成、更容易治理，并被普通企业使用？员工是否学会围绕它们重构任务？供应商是否在解决枯燥的集成问题，而不只是展示惊艳演示？生产率繁荣更依赖中位数企业能否反复、安全地使用AI，而不是前沿模型的最高能力。

组合含义是有条件的

投资含义是有条件的乐观。AI是更高生产率的真实期权，但当前总量数据还不足以把这份期权当作已经行权。投资者仍应持有那些拥有持久AI瓶颈、可信需求、强资产负债表，并能把资本开支转化为高回报资产的公司敞口。但对那些利润率、自由现金流或客户经济尚未体现生产率加速的公司，不能轻易为生产率加速付费。

对股票而言，问题不是一家公司是否使用AI。几乎每家公司都会声称使用AI。更好的问题是，AI是否降低单位成本、提高员工人均收入、改善客户留存、压缩开发周期，或扩大可触达市场。可信的AI受益者应能解释机制。笼统谈转型不够。生产率叙事最终必须变成经营杠杆。

对债券而言，信号也很复杂。如果AI最终提高生产率，它可以在给定需求水平下降低通胀压力。但如果它同时提高预期增长、资本需求和投资支出，中性实际利率可能更高。这意味着AI可以利好实际增长，却不一定让世界回到2010年代的低利率环境。过渡阶段甚至可能不利于债券，因为资本开支需求很大，而生产率收益延迟。

对信用而言，分布很重要。AI可能帮助大型盈利企业扩大利润率，同时挤压劳动密集型服务公司、外包模式和技术栈薄弱的企业。它可以改善部分借款人的现金流韧性，同时提高其他借款人的颠覆风险。生产率数据不会在发行人层面讲清这个故事。分析师需要把AI敞口映射到成本、客户、劳动力结构、软件架构和竞争位置。

什么会确认生产率繁荣

有几类信号会让AI生产率叙事更可信。第一是利用率调整后的TFP持续改善，而不仅是表面TFP改善。第二是改善跨行业扩散，尤其是技术部门之外。第三是员工人均收入和利润率在扣除AI相关支出后仍然改善。第四是在可测企业流程中，错误率、周期时间、积压和行政开销下降。

第五个信号是劳动力再配置，而不是简单压榨劳动。如果AI提高生产率，劳动者应逐步从常规信息处理任务转向监督、异常处理、客户工作、产品设计、数据治理和更高价值判断。这种转型会有扰动，但比让同一批人在同一组织设计下处理更多工作更健康。生产率来自重构，不只是加速。

第六个信号是集成成本下降。早期AI部署昂贵，因为企业需要咨询、数据工作、治理、安全和工作流重设。随着时间推移，如果部署成本下降、可复用模式出现，技术才会变得更具生产率。云计算走过这条路：曾经需要定制基础设施的工作，后来变成标准化服务。AI也需要从定制实验走向可重复生产系统。

第七个信号是AI资本开支与下游产出之间的联系更强。数据中心和芯片是投入。宏观回报需要更好的软件、更好的服务、更好的物流、更好的研究、更好的医疗、更好的制造和更好的公共行政。如果投入繁荣增长快于下游货币化，利润率和回报最终会被质疑。如果下游产出开始加速，早期投资阶段才会显得合理。

什么会证伪它

如果AI投资仍然异常庞大，而利用率调整后的TFP持续为负，这个叙事就会削弱。这个组合说明经济增加了成本和强度，却没有改善底层效率。这不代表每个AI用例都无用，但会挑战AI已经成为广泛宏观生产率冲击的说法。市场需要重新定价时间和广度。

第二个警讯是资本强度上升，而投资资本回报率没有上升。如果企业在算力、软件和自动化上花更多钱，却没有提高利润率或增长，AI资本开支看起来就不像生产性投资，而更像竞争压力下的必要支出。企业有时投资是因为害怕落后，而不是因为投资有清晰的正净现值。这种军备竞赛可能利好供应商，却让采用者失望。

第三个警讯是过度集中。如果少数基础设施提供者捕获大部分经济剩余，而客户很难产生回报，总量生产率效果可能小于市场预期。真正的通用目的技术最终应创造广泛用户剩余，而不只是供应商利润。互联网最终两者都有，但路径中也包含大规模资本市场出清。

第四个警讯是组织阻力。AI可以自动化任务，但也带来治理、信任、法律和文化挑战。员工可能抵触他们认为是监控或岗位威胁的工具。管理者可能部署不当。监管者可能施加必要但昂贵的控制。数据可能过于碎片化或敏感。这些摩擦不会摧毁技术，但会放慢技术能力转化为测得生产率的速度。

叙事背后的核算恒等式

约束AI辩论的一个有效方法，是从简单生产函数开始。如果产出表示为Y = A F(K, L)，K是资本，L是劳动，A是经济组合二者的效率。AI可以影响三个项，但每个渠道的市场含义不同。如果AI主要提高K，因为企业购买更多芯片、服务器、电力合约和软件，那么测得产出可能通过资本深化上升。如果AI主要改变L，让员工每小时处理更多任务，它的效果可能先表现为劳动增强。如果AI真正提高A，那么经济是在更有效地组合资本和劳动。最强的宏观主张需要第三个渠道。

当前数据令人不舒服，正是因为第三个渠道还不清晰。表面TFP接近1.5%，听起来像A正在改善。利用率调整后的疲弱说明，部分改善可能是异常投入强度制造的幻象。这个区别关系到估值，因为资本深化和TFP有不同的现金流特征。资本深化需要前期支出、折旧、融资，并通常带来更高固定成本。TFP改善可以在没有同等资本负担的情况下提高利润率和增长。如果AI主要停留在资本深化，赢家可能更窄，宏观回报更慢。如果它变成真正TFP，上行空间才会扩散。

这里还有分母问题。企业今天在AI相关资本和运营费用上投入很多，而许多收益属于未来。在建设阶段，资本存量先上升，产出随后才充分回应。即使项目理性，这也可能暂时压低测得生产率或资本回报率。但暂时的分母问题必须结束。某个时点，新资本必须产生更多可销售产出、更低成本或更高质量。否则它不是延迟的生产率，而是过度投资。

这也是为什么国内生产总值与国内实验总量之间的区别很重要。一个社会可以运行成千上万个试点、演示、概念验证、内部工具和供应商迁移。这些活动在经济上可能必要，但它们不等于最终产出。有些是学习投资，有些是死胡同。国民账户不会把每次实验都记为生产率。它只会承认那些能规模化改变生产的部分。投资者也应该如此。

同样逻辑适用于公司内部。管理层可能报告AI辅助节省了数百万小时。这个数字不是没有意义，但它不完整。节省的小时只有在转化为同样产出需要更少工时、同样工时产生更多产出、客户愿意付费的更高质量产出，或产生未来收入的更快创新时，才成为生产率。如果节省的时间被重新投入会议、监控、重复复核或更广但失焦的项目，核算收益就会消失。企业感觉更忙、更现代，但生产函数没有明显移动。

这正是利用率调整后生产率应成为AI仪表盘一部分的核心原因。它迫使辩论离开轶事，转向产出增长的来源。我们看到的是更多资本？更高强度？更好投入质量？还是更高效率剩余？最乐观的长期情形仍然可能成立，但举证责任在那里。技术叙事最危险的时刻，是剩余项被假定而不是被测量。

投资者应要求的企业仪表盘

投资者需要一套实用仪表盘，用来区分AI生产率和AI表演。第一项指标是员工人均收入，并对并购和业务组合作调整。如果AI能让企业在不同比例增加员工的情况下扩展产出，员工人均收入应随时间改善。这不是完美指标，因为定价、外包和产品组合会扭曲它。但采用期之后的持续改善，是企业从知识工作中获得经营杠杆的有用信号。

第二项指标是毛利率和单位服务成本。许多AI用例声称可以降低客服、文档、销售支持、理赔处理、合规审查、编码、测试和内部分析的成本。如果这些用例真实，成本线最终应该显示出来。管理层叙述应把工具与成本池连接起来。笼统说AI无处不在，弱于具体说明平均处理时间、工程周期时间、理赔流失、欺诈审核成本或客户入驻费用已经下降。

第三项指标是资本效率。AI基础设施并不免费。建设或租用大量算力的公司，需要证明增量毛利润足以支持支出。对超大云厂商和基础设施供应商，相关问题是利用率、定价持久性、折旧寿命和客户回报。对采用者，相关问题是AI支出是在替代其他成本，还是增加一层新成本。一个节省劳动却加入同等软件、复核和治理成本的工具，可能仍有战略必要，但还不是利润率故事。

第四项指标是错误调整后的吞吐量。AI可以提高速度，同时增加复核负担或运营风险。生产率应在质量控制之后测量。法律团队更快起草文件，但花同样总时间审查幻觉，就没有实现宣传中的收益。银行自动生成信贷备忘录，却增加模型风险检查，可能提高一致性，但净时间节省必须诚实测量。错误调整后的吞吐量比原始产出量更有用。

第五项指标是组织重构。只是把AI工具嵌到旧工作流上的企业，可能报告热情，却没有生产率。重新设计审批链、数据访问、岗位范围、内部控制和客户旅程的企业，才更可能改变单位经济。管理质量在这里成为决定因素。技术是通用的，但采用是本地的。两家公司可以买同一个模型，却因为一家改变流程、另一家只改变界面，而产生完全不同的经济结果。

第六项指标是扩散到专家群体之外。如果AI主要只对顶尖工程师、顶尖分析师和成熟用户有用，它可以提高前沿生产率，却无法改变中位数企业。更广泛的宏观繁荣需要普通员工能在清晰治理下安全、反复地使用工具。因此，培训、界面设计、工作流集成和信任不是软问题。它们是生产率兑现的中心问题。

这套仪表盘也能避免一个常见错误：把裁员自动当成生产率证据。减少人员可以短期改善利润率，但它可能只是周期性成本削减，而不是AI驱动效率。更强的信号是成本基础变化之后，产出、质量和增长仍能持续。如果企业裁员后服务质量恶化，生产率主张就弱。如果企业削减常规工作、重新配置人才、保持质量并加速产出，主张才更强。

政策和宏观反馈循环

生产率滞后也有政策含义。央行不能负责任地假设AI已经提高了经济限速。如果利用率调整后生产率疲弱，强需求仍可能制造通胀压力。美联储和其他央行可以承认生产率上行风险，但在把更快增长视为非通胀之前，需要已实现证据。过早假设AI驱动供给扩张，会重复经典政策错误：因为期待未来供给回应，而在需求繁荣中放松。

同时，政策制定者也不应压制实验阶段。如果AI是通用目的技术，社会需要电力、数据中心、宽带、网络安全、教育和公共部门现代化投资。它也需要竞争政策，既防止瓶颈变成永久收费站，又允许大固定成本投资获得回报。政策目标应该是有问责的扩散：让采用更容易，但在高风险领域要求治理、安全和透明度。

劳动力政策同样重要。如果AI改变任务需求，转型不会毫无痛苦。一个只是削弱劳动者议价能力的生产率繁荣，会引发政治反弹并放慢采用。更好的均衡是把自动化与培训、流动性、资质灵活性，以及真实生产率改善处的工资增长结合起来。这不仅是公平论点，也是效率论点。理解并信任工具的劳动者，更可能围绕工具重设任务，而不是抵触工具。

能源政策是另一个反馈循环。AI基础设施需要电力、电网容量、冷却和实体建设。如果电力约束变紧，AI投资繁荣会抬高成本并延迟部署。如果电网扩张和发电投资跟上，基础设施就成为推动因素而不是瓶颈。这意味着AI生产率故事部分也是实物资产故事。数字经济仍依赖物理容量。

财政政策也进入方程。政府希望向AI赢家征税、补贴本土能力、保护劳动者并监管风险。每个目标都有逻辑，但组合很重要。补贴可以加快本土能力，也可能错配资本。监管可以保护社会，也可能冻结实验。税收可以资助调整，也可能抑制投资。生产率结果取决于政策是改善互补系统，还是把它碎片化。

宏观反馈循环因此是圆形的。AI投资在充分影响测得生产率之前，就会影响需求、利率、劳动力市场、电力市场和财政选择。这些宏观条件反过来影响AI采用。更高利率提高长期投资门槛。紧劳动力市场让自动化更有吸引力，也提高实施成本。电力短缺拖慢数据中心扩张。政治反弹改变监管。生产率路径不仅是技术路径，也是经济均衡路径。

下一轮周期的情景思考

基准情景大概应是延迟兑现，而不是立即失望或瞬间革命。在这个情景中，利用率调整后的生产率继续一段时间保持噪音，AI资本开支维持强劲，基础设施供应商获得高利润，采用者积累组织学习。几年后，可复用模式出现，集成成本下降，生产率逐步改善。这类似早期通用目的技术的历史路径。它支持部分市场热情，但不支持每一个估值。

牛市情景是更快扩散。模型变得更可靠，企业软件更干净地嵌入AI，数据治理改善，企业更积极地重构工作流。利用率调整后的TFP转正，员工人均收入广泛上升，技术部门之外的利润率改善，尽管增长稳健，通胀压力仍缓和。在这种世界里，AI会验证供给侧叙事，并支持更广泛的股票上涨。受益者会从基础设施供应商扩展到流程强大的采用者。

熊市情景是资本过度建设。企业因为竞争者在花钱而大举投入，但用例仍然狭窄，治理成本居高不下，终端用户支付意愿令人失望。基础设施容量增长快于有利可图需求。利用率调整后的生产率保持疲弱，折旧上升，利润率承压。技术仍然重要，但投资周期把太多资本提前拉入。这看起来不像AI失败，更像围绕真实创新发生的熟悉金融周期错误。

第四种情景是集中式生产率。AI对少数拥有数据规模、工程人才和分发能力的公司极其有效，但向其他地方扩散缓慢。股票指数可能仍受支撑，因为最大公司继续取胜，而总量生产率只温和改善。这个情景很重要也很可能，因为它区分市值加权结果和全经济结果。它可以利好指数龙头，同时仍让中位数员工和企业失望。

情景思考让辩论保持诚实。当前数据没有强迫一个结论，但它拒绝确定性。低于零的利用率调整后生产率，不支持宣称宏观生产率繁荣已经到来。它支持的是一个技术转型，其回报仍在建设中。投资工作的任务是分配概率、跟踪证据，并避免把能力、采用和已实现生产率当成同一种东西来支付同一美元。

实际结论

实际结论是，AI仍是强大的生产率期权，但这份期权尚未在总量数据中兑现。表面TFP接近1.5%，不足以宣告胜利，因为Basu-Fernald-Kimball利用率调整后指标低于零。经济可能部分通过更辛苦地使用既有劳动和资本来获得更多产出。这不同于生产系统真的更有效率，从而用同样投入生产出显著更多东西。

这个区别应该让投资者更有纪律，而不是更犬儒。AI仍可能成为电力、计算机或互联网级别的通用目的技术。但如果这真的发生，证据应逐渐从演示和支出公告进入企业经营指标和全经济效率统计。滞后是正常的。证明仍然是必要的。

最好的框架是分阶段。第一阶段是能力：模型变得有用。第二阶段是采用：企业购买工具并运行试点。第三阶段是互补资本形成：数据、工作流、治理和岗位设计改变。第四阶段是生产率：相对于完整测量的投入，产出上升，而不仅是相对于可见工时上升。当前经济看起来处在第二和第三阶段之间。市场已经在给第四阶段的某个版本定价。

被定价的未来和被测量的现在之间的差距，正是机会与风险所在。如果利用率调整后的生产率转正并跨行业扩散，AI相关资产可能配得上相当一部分溢价。如果数据持续疲弱，市场就必须把真实生产率复利者与销售或购买昂贵希望的公司区分开。正确态度不是不信，而是基于证据的耐心：尊重技术，尊重滞后，并持续追问经济是否终于在更聪明地工作，而不只是更辛苦地工作。