Fortune评论文章称，当前 AI 经济同时被两种情绪主导：一边是“这次不一样”，另一边是“没人知道答案”。文章认为，这种并存的乐观与不确定，正是当下 AI 热潮最突出的特征。

美国宾夕法尼亚大学沃顿商学院教授 Ethan Mollick 日前在纽约公共图书馆的一场活动上表示，即便是 AI 实验室、企业高管和行业意见领袖，也没有一套现成方法可以回答 AI 将如何真正改造企业。他说，任何声称已经掌握“标准剧本”的人，都不可信。

整体生产率提升仍然有限

文章援引美国银行数据称，AI 目前对整体经济年度生产率的拉动仅约 0.1%。这一数字与市场对 AI 的高预期形成明显反差。美国银行在同一份报告中仍将 AI 形容为比电力和互联网影响更大的技术。

高盛今年 3 月的研究也给出类似结论。其报告称，AI 与整体经济层面的生产率提升之间，暂未看到显著对应关系。不过，在客服和软件等 AI 应用更集中的行业，中位数生产率提升可达 30%。

按美国银行的测算，AI 目前可改造的职场任务约占 20%，其中只有 23% 在现阶段具备成本效益。即便完成自动化，节省的人工成本约为 27%，而人工成本本身约占总成本的一半。按这一口径推算，当前理论上的劳动生产率提升上限约为 0.66%，实际落地后还会进一步被摩擦和执行迟滞压低。

企业内部流程拖慢落地

文章认为，AI 回报迟迟未能全面体现，问题未必首先出在技术本身，而更多出在组织结构。Mollick 提到，企业 IT 部门往往是 AI 项目最容易停滞的地方，不是因为反对创新，而是因为其职责天然偏向控制风险。

他还指出，KPI 体系也会限制试验空间。企业若一开始就要求某个项目必须带来 10% 的改进，往往只会筛出对现有流程的小修小补，而不是推动对流程本身的替代。换句话说，真正改变工作方式的 AI 应用，未必能在传统绩效框架下顺利孵化。

连 AI 公司也在摸索部署方式

文章还提到一个更能说明问题的现象：不少 AI 公司正在建立自己的咨询和部署团队，帮助客户把模型接入实际业务。Mollick 认为，这本身就说明行业尚未形成成熟、可复制的落地路径。

如果模型能力已经强到足以重塑大量白领工作，那么这些公司本应更容易回答“如何部署”这个基础问题。但现实是，连最看好 AI 的技术提供方，也在为企业落地寻找方法。

文章据此认为，当前 AI 行业的核心矛盾不只是估值高低，更是技术进步速度与组织吸收能力之间的错位。市场一方面相信 AI 会带来深远变化，另一方面又缺少可直接照搬的实施路径，这种张力仍将持续影响 AI 经济的下一阶段发展。