为什么微观层面AI提效显著，但宏观统计数据中却未体现出明显的生产率改善？

微观层面AI提效显著而宏观统计中生产率改善不明显的“AI生产率悖论”，主要由以下四方面因素共同导致：

第一，时滞效应与组织重构滞后。通用技术在扩散初期往往伴随大量互补性无形投资，包括组织重构、流程再设计、软件改造、数据治理和人力资本积累。这些投入在经济上具有资本形成属性，但在统计上并不总能被及时、充分地资本化。AI要真正转化为广泛的生产率提升，不仅依赖模型能力本身，更依赖企业对工作流程、组织结构和管理方式的重新设计。短期内宏观生产率数据未见同步跃升，说明企业尚处于“先投入、后释放”的组织重构阶段。此外，AI的经济影响目前更多集中在少数AI密集型行业、头部企业和可标准化场景中，尚未在全经济范围内形成同等强度的反映。

第二，现实部署瓶颈的约束。AI技术能力的进步速度并不等于技术部署和扩散的速度。即便前沿企业已表现出效率提升，AI红利要进一步扩散到全经济，仍需突破芯片供给、数据中心建设、电力扩容、内部治理结构调整以及合规责任边界等一系列现实部署瓶颈。技术能力向广泛经济应用的转化速度，可能远慢于技术能力本身的进步速度。

第三，统计识别存在系统性偏差。当前国民核算对AI的低估主要来自三类偏差：一是越来越多AI能力通过云服务、API调用和模型订阅方式交付，会计上常被记录为中间投入而非资本形成；二是AI服务能力提升的速度可能快于现有价格指数所能反映的价格下降，造成质量调整缺口；三是AI基础模型与算力投资高度集中于少数头部公司，数据更容易反映头部企业行为，而非AI在全经济中的扩散程度。

第四，需求侧约束与分配效应。即便AI提升了潜在生产率，宏观经济未必会同步改善。若自动化带来的收入再分配主要表现为劳动份额下降、资本份额上升，消费能力可能弱于潜在供给扩张。单个企业采用AI以降低成本在微观上是理性的，但如果全体企业都主要以替代劳动的方式推进自动化，劳动收入下降和失业上升就可能侵蚀总需求，反过来压制企业营收和投资意愿。因此，当前一些看似与AI相关的增长改善，更可能是算力、数据中心等基础设施的投资拉动型增长，而非生产率兑现型增长。