人工智能无处不在，却在账目中隐而不见

Atlassian报告显示，仅6%的高管确信能列举出清晰的组织ROI案例；ADP则记录了员工的AI使用情况与工作感受。这一落差与测量局限及收入滞后实现相符，但本身不足以证明存在结构性失配。

核心要点

• 据ADP《2026年职场人员报告》和Atlassian《2026年团队状态报告》，澳大利亚十家企业中有九家报告AI对生产率的可测影响为零，尽管AI已被广泛采用。
• AI带来的实际收益体现在质量、速度和错误减少三个维度——而现行会计体系是为捕捉收入而设计的，无法衡量这三类收益。
• 这不是澳大利亚特有的问题。NBER工作论文34984记录了国际范围内AI采用率与总体生产率提升之间的类似落差。
• 缺乏适当的测量框架，AI收益在劳动、资本与消费者之间如何分配便无从厘清，循证公共政策因此难以立足。
• 生产率计量经济学曾有过类似的滞后：1980至1990年代的信息化用了超过十年才在统计数据中显现。

索洛悖论再现

1987年，罗伯特·索洛说过：计算机随处可见，却在生产率统计中踪影难觅。这句话颇具挑衅意味。美国生产率从1990年代中期开始加速；学界对信息技术贡献的共识，要到2000年代初才逐步形成。

生成式AI与信息技术早期扩散阶段有若干共同特征，但现在断言它将复制相同轨迹还为时过早。2026年的澳大利亚调查显示，AI已成为每周使用的工具。Copilot、写作助手、摘要工具、工单自动化——这些用途真实存在，有据可查，且已融入日常。NBER论文记录的生产率提升为正向但幅度有限，并指出感知收益与隐性收益之间存在落差，并未给出”十分之九”的结论。工作论文34984以美国金融高管为主要样本，记录了感知生产率收益与基于收入测算的隐性收益之间的差距；工作论文34836则提供了四国比较数据。

对此有两种解读。其一：AI的可观察收益因情境而异，分布不均或整体有限，高管的乐观预期可能超出实测结果。其二：部分情境中确有收益，但现有估算结论分散，申报收益普遍高于实测隐性收益。澳大利亚数据显示AI使用频繁、感受参差，但无法判断是否存在真实收益只是尚未被测量到。89%的高管表示团队工作速度加快，同时94%的人对能否列举清晰的组织ROI案例并无把握——这并不意味着他们在账目中完全找不到AI影响的痕迹。

痕迹是有的，只是埋在数据里。

现行会计体系的局限

现代会计框架建立在工业模型之上：统计产量、核算收入、计量工时。这套架构适合衡量”每工时销售更多产品或服务”式的生产率提升，但面对另一类收益便力不从心。

AI带来的运营改善，有相当一部分难以在国民账户或短期收入指标中单独体现。首先是执行速度：一名分析师将一份报告从六小时压缩到两小时完成，未必能带来更多收入，但他可以处理更多课题，或腾出时间从事更高价值的工作。其次是质量：法律报告减少错误、客户回复更精准、代码漏洞更少。这些改善降低的是隐性成本——纠错、诉讼、售后支持——而这些成本只有在发生时才会出现在账目上。最后是认知负荷的减轻：工作压力较小的团队决策质量更好，但这几乎无法在季度报表中追踪。

部分运营收益不会立即转化为新的收入项，但原始资料也指出了与收入增长相关的创新渠道和需求渠道。有些运营收益不能立即变现，但视信息系统而定，可通过运营或会计指标加以追踪。远程办公收益的测量也遭遇过同样的困境：远程工作的好处同样长期抵御传统指标的捕捉，直到更精细的纵向研究才将其记录在案。

采用率高企，组织却未随之转型

澳大利亚的AI采用率令人注目。但Atlassian的数据揭示了一个重要细节：AI广泛用于个人层面，融入工作流程的程度仍然有限；该调查并未直接测量流程转型的情况。大量知识工作者在使用AI，但宣称已将其整合进工作流程的人仍属少数。

这一区别至关重要。技术进步的计量经济学研究表明，通用技术的生产率收益，需要配套的组织重组才能实现——新角色、新流程、新的任务分配。电力并非靠以电机逐台替换蒸汽机就让工厂更高效；真正的转变发生在工厂设计师意识到，可以不再受集中式机械传动的约束，将车间重新布局之后。

生成式AI目前很可能仍处于重组前阶段。44%的澳大利亚员工表示每周至少使用AI数次，但调查无法证明他们在组织架构不变的情况下产出更多或更快。个人层面的收益确实存在，但不必然转化为组织层面的收益；工作流整合、协调机制和配套投资的缺失，都是可能的解释之一。个人采用与集体转型之间的这种落差，在其他技术场景中有据可查，且有其特定的时间节奏：1980年代个人电脑在企业中扩散的研究显示，组织吸收周期以年计，有时长达数十年。

谁在获益，如何知晓

测量问题有其严格意义上的政治维度。缺乏更精确的数据，AI收益在资本、劳动与消费者之间的分配便难以严谨估算。

可归因于AI的收益，其确切分配至今难以估算，测量也严重不足，但这并不意味着无从测量。

数字基础设施治理问题在这里触及一个具体层面：AI测量不足制约了对其经济效应的记录；其对工资谈判、工时或税收的确切影响，目前仍是有待验证的假设。生产率一旦测量失准，便更难进行实证归因；收益分配方式是制度与谈判问题，并非本文可直接得出的结论。

经济学家手头有工具来接近这些问题：劳动微观经济学的实地研究、薪资与利润率的纵向面板、采用AI与未采用AI企业之间的行业比较。但这些工具需要时间、需要企业数据（而这类数据罕有公开），方法论的成熟也需要数年研究才能实现。在此期间，决策者缺乏可靠的量化依据。

达伦·阿西莫格鲁和西蒙·约翰逊在近期关于技术与权力的研究中直接提出了这个问题：谁决定自动化哪些功能，谁获得自动化的收益。AI收益的不透明，使这一仲裁更难确立。没有测量，就没有证据；没有证据，政策仲裁便只能靠惯性而非审慎选择来完成。

2030年展望：路径与障碍

通用技术的历史使得AI采用与可测收益之间出现滞后具有合理性，但并不保证总体效应一定会实现，也无法预判其规模。NBER工作论文34984以美国金融高管为主样本，记录了感知生产率收益与基于收入测算的隐性收益之间的差距。

第一种情景可称为”静默吸收”：AI收益在五到十年内悄然积累于利润率改善、人员稳定和企业间竞争加剧之中。国家统计数据最终将在2030至2032年前后捕捉到全要素生产率的改善，滞后幅度与信息化时代相近。在这一情景下，收益分配早已完成——主要流向资本方——而测量工具尚未能记录或纠偏。

第二种情景对收益共享更为有利：企业、社会伙伴和统计学家提前开发出新指标，足以捕捉质量性收益。服务质量、错误率、处理时效等指标一旦纳入行业仪表板，便可在收益发生之处使其可见，并在其消散于利润之前就分配方式展开谈判。已有若干举措指向这一方向：戴安·科伊尔关于数字时代进步测量的研究、经合组织对工作福祉指标的探讨，以及部分科技企业发布超越营收数字的内部影响指标的实验。

第三种情景较为悲观，可称为”事后危机”：AI收益长期不可见，收入极化加剧，没有人能记录其确切机制，最终由社会或政治冲击强制触发重新评估——强制影响审计、生产率收益分享监管，乃至针对自动化收益征收专项税。这一情景并非不可避免，但随着采用加速而测量机构跟进迟缓，其概率在上升。

区分这三种轨迹有若干可观察信号。其一是AI高采用率行业的实际工资走势：若生产率收益得到分享，经生产率调整的名义工资应有所上升。其二是利润率动态：高采用率行业利润率上升而工资涨幅相近，将指向资本截留。其三是制度信号：若澳大利亚等国统计机构开始在卫星账户中纳入质量性指标，则是适应正在推进的强烈信号。

无需等待的行动方向

澳大利亚有一个有利条件：劳动力市场相对透明，行业数据可及性较高，多个行业建立了结构化的社会对话机制。若各方能善加利用，这一环境有利于开展质量性生产率测量的实验。

几个具体方向已在当前讨论中浮现。采用AI的企业可以系统化地开展内部影响评估，不只追踪营业额，还涵盖处理时效、错误率和主观工作负荷。这些数据无法取代国民核算，但可形成支持比较研究的数据集。活跃于多个服务业的澳大利亚工会组织，具备在劳动条件谈判中争取数据访问权的能力。

在公共统计层面，澳大利亚统计局有方法创新的传统。其团队已开发出数字经济和无形资产的相关指标。若能联合高校和若干自愿参与的大型企业，开展AI质量性收益专项研究，三到五年内可产出可用于公共政策的数据。

核心困难在于政治层面：精确测量收益流向会带来透明度，而透明度会在雇主、雇员与政府之间的谈判中重新分配权力。部分行为者希望收益继续留在灰色地带。另一些寄望于AI采用长期合法性的行为者，则有动力使其可见。技术基础设施监管问题恰好触及这一核心：关键不只在于建设还是监管，而在于谁掌握仲裁所需的信息。

索洛悖论在1990年代信息技术扩散中得到部分缓解，但其背后的滞后机制和测量问题仍有争议。这一过程耗费了时间、大量组织投资和更好的统计工具。AI在扩散和测量上或将经历与信息技术类似的滞后，但其采用方式和核算方式的差异已足够显著，使任何确定性类比都难以成立。问题仍然开放：各国机构能否预判这一转变，还是会像以往一样，等到转变基本完成之后，才开始着手测量。

资料来源

1. NBER工作论文34984，https://www.nber.org/papers/w34984
2. ADP《2026年职场人员报告》，ADP研究院（年度报告，无固定链接）
3. Atlassian《2026年团队状态报告》，Atlassian公司（年度报告，无固定链接）
4. CoterieLabs分析报告，澳大利亚企业AI采用数据综合分析（无固定链接）