过去一年，关于人工智能的讨论已经从“它到底行不行”转向了另一个更棘手的问题：“它到底创造了多少价值？”答案似乎比想象中要模糊得多。
麻省理工学院的一项新研究，恰好捕捉到了这种尴尬。研究者追踪了软件开发者使用AI工具前后的工作表现，结果呈现出一个耐人寻味的漏斗状：程序员创建或编辑的文件数量增加了近300%，但到了提交待审核的独立工作项时，增幅就缩水到了150%；而最终，真正完成的软件版本发布数量，仅提升了约30%。换句话说，AI让写代码这件事变得飞快，但把代码变成可用的产品，却依然卡在那些古老的人为流程里——代码审查、质量测试、跨团队协调。这些瓶颈并不会因为AI的介入而自动消失。
30%的产量提升当然不算小数目，但它与人们预期的“颠覆性爆发”相去甚远。更值得注意的是，研究人员发现，即便软件发布数量增加了，应用的下载量却没有任何增长。大多数新应用甚至连少量用户都吸引不到。这揭示了一个更深层的问题：生产端的效率提升，并没有传导到消费端。
Uber首席执行官达拉·科斯罗沙希的坦白则提供了另一个注脚。他说，公司在一个季度内就花光了2026年全部的AI预算，接下来只能把大部分AI应用转向低成本模型，仅将前沿工具用于特殊场景。与此同时，法律行业的一项新研究发现，将廉价的开源AI智能体与偶尔充当“顾问”的高端模型相结合，反而能以低得多的成本取得更好的效果。这似乎在暗示，盲目购买最贵的模型，可能只是一种资源浪费。
那么，究竟该如何解释这种矛盾？一种观点认为，AI创造真正价值的能力被严重夸大了。但研究者提出了另一种更有历史纵深感的解释：当前的组织结构和市场体系，还没有准备好利用AI的潜在价值。19世纪末电力刚被引入工厂时，管理者只是用一台大型电动机取代了大型蒸汽机，其余机械和布局照旧，结果生产效率提升微乎其微。直到几十年后，工程师为每个工作站配备了专属的小型电动机，工厂才迎来了真正的繁荣。新技术需要配套的新流程和新组织形式，才能释放全部潜力。
将这个逻辑套用到今天，情况就变得有趣了。那些将AI生硬嵌入现有工作流程的成熟公司，只获得了微小的效率提升。而像Anthropic、OpenAI这样以AI为核心、产品由AI编写和审核的新公司，其使用量、收入和生产力却呈爆发式增长。这也许正是同一个历史进程在加速上演——真正的大变革，往往不属于那些试图给旧房子刷层新漆的人，而属于那些直接拆掉旧房子、按新图纸重建的人。
当前企业级AI应用的低效率几乎是必然的。我们正在经历一个“摩擦期”：强大的工具与不适配的流程之间，产生了大量的内耗。但历史也告诉我们，这些摩擦和瓶颈只会随着时间逐渐缓解。问题不在于AI能不能创造价值，而在于我们是否愿意为了真正抓住它，而改变那些已经运行了几十年的工作方式。这比买几块显卡要难得多。