AI对宏观全要素生产率的提振为何存在显著时滞？

AI对宏观全要素生产率（TFP）的提振存在显著时滞，主要源于技术扩散、配套变革及核算机制等多重因素的制约。这一现象并非孤例，而是通用技术革命的普遍规律。

首先，历史经验表明新技术落地到拉动整体效率存在明显间隔。蒸汽机技术成型后时隔80年才显著抬升英国工业效率，电力商用后经过40年厂房改造与电网配套才带动全行业改善，计算机量产后沉寂20年才全面显现生产率拉动作用。导致这一时滞的核心原因在于，新技术需衍生配套的组织变革，人力资本需要时间积累，且在技术渗透率达到临界规模之前，加总效应会被稀释。

其次，AI对生产函数各要素的影响兑现遵循清晰的时序梯度。目前，AI对劳动要素的增强效应在微观层面几乎与普及同步，替代效应已现苗头，但复原效应因劳动力市场的调整摩擦（如再培训、跨地域流动）而显著滞后。对资本要素的影响正处于逐步兑现阶段，资本深化对劳动生产率的贡献已可被拆解识别，但智能资本“高固定成本、低边际复制成本”的优势传导至宏观利润率与资本存量核算，仍需等待行业渗透率的显著提升以及国民核算改革的制度性落地。历史上无形资产核算调整普遍滞后产业规模化投资5至10年，参照此规律，若AI模型成为主流无形投资，对应的核算调整窗口大概率落在2035年左右。

最后，关于宏观实质性兑现的时间点，多数研究认为AI对全要素生产率的实质性提振或将在2030年后落地。当前处于“现代AI生产率悖论”阶段，即投资规模可观但经济效益在总量统计中仍不可见。预计到2026-2029年，随着实施知识扩散和互补投资趋于成熟，生产率提升会先在部分行业层面显现；到2030-2035年，生产率提升型应用在整个经济中广泛扩散，最终随技术成熟而体现在宏观经济统计之中。因此，AI红利的释放节奏高度依赖于全行业AI渗透率的提升速度。