AI 会像工业化一样扩散吗？Arpit Gupta 解释组织摩擦、任务链与生产率落差

Arpit Gupta 在 Arpitrage 于 2026 年 8 月 10 日发表的 《7. AI: A Normal Technology?》 里，追问 AI 会不会像工业化这样的通用技术一样进入经济：技术本身有很强的改造能力，但企业真正采用它的速度，会被组织、制度、监管和任务设计拖慢。

Gupta 的暂时答案是：从目前的证据看，AI 更像「普通」通用技术。它已经替代一部分可以直接替代的工作，增强了更多工作，也遇到了其他通用技术曾经遇到的现实摩擦。这个判断只适用于当前阶段。递归自我改进、初级岗位持续消失，或者 AI 最终能够自动化人类全部工作，都会让历史类比失效。1

Gupta 借用 Arvind Narayanan 和 Sayash Kapoor 对「AI as a Normal Technology」的定义：一项技术可以拥有改变整个经济的潜力，但它的实际扩散会受到人的学习、组织改造、监管和制度变化限制。常用 benchmark 也不能直接等同于企业任务的真实价值；自动化带来的经济反馈，则可能把人的时间和能力引向新问题。2

一个关键数字说明了「接触」和「嵌入工作」之间的距离：作者引用的研究估算，截至 2024 年 8 月，约 40% 的成年人用过 AI，但 AI 只占工作时间的 0.5%—3.5%。很多人见过或试过模型，并不表示企业已经把模型接进稳定的生产流程。3

AI 的使用方式也取决于使用者提供的输入。Gupta 引用 Anthropic Economic Index 的结果说明，提示词和上下文的质量会影响模型输出；不同收入水平国家的使用方式也不同，高收入国家更常把 AI 用作补充人的工具，低收入国家更常把它用于编码和技术任务。作者由此把人的判断、背景知识和组织流程视为 AI 扩散中的瓶颈，而不是把模型能力当成唯一变量。4

企业层面的材料显示，采用率和实际使用深度之间存在落差。Gupta 引用一项覆盖约 6000 名全球高管的调查：69% 的企业已经在某种程度上使用 AI，但高管平均每周使用 AI 约 1.5 小时；企业预计未来生产率提高 1.4%、产出提高 0.8%、就业减少 0.7%，员工则预计就业增加 0.5%。这些数字不是同一项结果的前后测量，而是企业与员工对未来的不同预期。5

另一项调查显示，金融企业的 AI 投资率从 2025 年的 59% 升到 2026 年的 82%。企业仍把员工培训、隐私和技术成熟度列为障碍。Gupta 认为，感知到的收益高于已经实现的收益，可能是收入兑现需要时间，也可能是企业高估了 AI 的帮助。无论是哪一种解释，增加模型能力都不会自动解决流程和组织问题。6

作者还引用一项用 LinkedIn 数据重建上市公司组织图的研究。研究覆盖三千多家上市公司，估算企业平均约有十层层级；AI 采用与更少的层级相关。Gupta 的解释是，中间层级的一项功能，是替下层员工处理复杂问题。AI 接手部分问题后，企业需要重新安排职责和决策路径，而不是简单地把模型加到旧组织图上。7

Gupta 认为，任务链研究把「模型单步表现很好，企业生产率却没有同步上升」解释得最清楚。生产过程可以拆成手工完成、由 AI 增强或完全自动化的步骤。若一串简单步骤连续出现，企业可以把它们合并，让 AI 一次处理；若简单步骤和困难步骤交错，员工就得反复在人工和 AI 之间切换，管理、检查和交接的成本会抵消模型节省的时间。8

这个机制把企业采用 AI 的问题改写成生产设计问题：哪些步骤应该合并，哪些步骤需要人的判断，谁负责核验结果，企业有没有足够的上下文数据让模型连续工作。模型更强，只有在这些边界已经被重新安排后，才会转化成更高的整体产出。

一项覆盖 515 家高增长创业公司的现场实验支持了这一点。研究者只向企业提供其他公司如何围绕 AI 重组生产的信息，接受信息的企业发现的 AI 用例增加 44%，对外部资本的需求下降 39.5%，劳动需求保持不变。这个结果说明，企业可能连「哪里适合用 AI」都没有识别出来；信息和生产流程本身就是采用障碍。9

Gupta 把 METR 的开发者随机试验放在证据链的中心：研究者让一部分开发者使用 AI 工具，专家和开发者都预期效率会上升，实际任务完成速度却慢了 20%。后续追踪结果更积极，但开发者逐渐不愿意在没有 AI 的情况下工作，使非 AI 基准越来越难建立。10

另一边，网站、iOS 应用、GitHub 代码和某家公司内部的 AI 生成代码都在增加；一些行业调查也发现，报告 AI 节省时间较多的行业，生产率增长较高。Gupta 没有把这些材料拼成「AI 已经全面提升生产率」的结论。他的压缩是：特定工作流，尤其与编码有关的工作流，确实出现了收益；演示场景容易夸大收益；收益要传到企业整体和宏观经济，需要更长的组织调整时间。1

分配结果也不能用一句「AI 让人更平等」或「AI 只会扩大差距」概括。客户服务研究发现，低技能、低经验员工从 AI 中得到的提升更大；另一项问题解决实验发现，AI 缩小了部分由教育差异造成的生产率差距。可是，在宏观层面，高技能劳动者更早、更主动地采用 AI，采用决策本身可能扩大差距。工具对同一个任务的影响，和谁有条件使用工具，是两个不同的问题。1112

作者用几个职业变化的例子说明，通用技术的结果通常经过多个阶段。工厂轮班制度曾经催生「敲门人」；闹钟普及后，这项工作消失。ATM 没有立刻消灭银行柜员，较便宜的分行反而让柜员转向更高价值的服务；更完整的替代后来随着智能手机出现。电子表格先扩大了簿记软件的使用，随后又支持会计、审计、管理分析等职业增长。1

这些例子支持「替代、增强和新任务可能连续发生」，却不能保证 AI 也会按同样顺序发展。作者同时写到英国 1790—1840 年间 GDP 增长而实际工资停滞、北美城市去工业化造成的长期调整，以及年轻劳动者在当前就业市场中承受的压力。技术最终创造新工作，并不等于被替代的人能在等待期内顺利转入新工作，也不等于收益会自动平均分配。1

Gupta 给出的判断有两个时间尺度。短期看，AI 的扩散会被组织重构、任务链、上下文数据、培训和监管拖慢；这些摩擦压低了收益，也延缓了伤害扩散。长期看，初级岗位减少、白领工作大范围受影响，以及模型能力持续沿 scaling laws 推进，都会让「过去的通用技术也经历过适应期」变成不够稳固的安慰。

因此，文章把 AI 暂时放在「普通通用技术」一侧：它正在替代部分任务、增强更多任务，但尚未绕过生产系统和制度的阻力。这个结论依赖一个前提——人的组织和监管调整速度仍快于 AI 能力跃迁。如果递归自我改进让模型能力呈指数增长，或者 AI 最终能接管人类全部功能，文章所依赖的历史反馈回路就不再成立。1