NBER重磅调查：89%企业高管称三年AI投入没有任何生产力提升，90%公司也未因此减少员工人数

8月29日讯，美国国家经济研究局（National Bureau of Economic Research，简称NBER）正式发布了编号为Working Paper 38792的重磅研究报告，这份工作论文的作者团队来自斯坦福大学经济系、麻省理工学院斯隆管理学院和芝加哥大学布斯商学院，研究样本覆盖了从Fortune 1000巨头到中型区域企业再到高增长初创公司在内的1738家机构，时间跨度则追溯到2023年第三季度至2026年第二季度整整三年的AI工具投入周期。报告最令人瞩目的结论是：高达89%的受访企业高管明确表示，本公司在各类AI工具和平台上的累计投入没有带来任何可测量的生产力提升；同时91%的公司也报告没有因为引入AI而减少任何正式员工的编制数量，整体呈现出一种’既没有增效、也没有减员’的双无状态。

一、调查数据的全面拆解与分布特征

NBER这份调查在样本设计上刻意做到了行业与规模的双重代表性。1738家受访企业中，金融服务业占比21%、制造业占18%、软件与互联网行业占16%、医疗健康占13%、零售与消费品占12%、其余为教育、能源、物流等行业，基本与美国非农经济的行业结构比例吻合。按规模划分，员工人数超过1万人的超大型企业占18%，1000到1万人的大型企业占34%，100到999人的中型企业占31%，不足100人的小型企业占17%。

调查的核心问题经过了经济学方法的严格校准，避免了主观感受偏差。对于生产力影响的衡量，研究团队要求受访者对照本公司三年前设定的同口径KPI基准，而不是简单询问’你觉得AI有用吗’这样的模糊问题。最终的数据分布令人吃惊：89%的高管报告零生产力影响，7.4%的企业报告获得了5%到15%之间的温和提升，而剩下的3.6%企业反而报告生产力出现了下降，这部分下降主要归因于过度引入多种AI工具导致的工作流程摩擦、工具切换成本以及数据安全合规的额外工作量。

就业影响的数据同样出乎意料。91%的公司明确表示没有因为引入AI而裁减任何正式员工，6.8%的公司报告有过少量的结构优化但比例都控制在员工总数的5%以内，只有2.2%的公司报告员工人数出现了净扩张——而这种扩张的原因恰恰是企业为了运营和维护AI工具而专门新组建了AI部门或团队，新招聘的AI工程师、数据标注人员和产品经理的人数远远超过了业务端因效率提升而节省下来的人数。

二、Linear遥测数据的交叉印证：代码评审瓶颈

NBER的调查结果并非孤例，同月（2026年8月）软件开发协作平台Linear基于其平台上280家活跃编码团队的真实遥测数据发布了一份独立报告，得出的结论与NBER调查高度呼应且更加具体。这份遥测研究的方法是对比同一批团队在引入AI编码代理之前三个月和之后三个月的完整工程流程数据，排除了团队规模变动和项目难度变化的干扰因素。

数据显示，团队引入编码代理之后，每周平均产生的Pull Request（PR）数量从引入前的21件飙升到了引入后的65件，正好是原来的三倍。直观上看这似乎是一件好事，因为’产出量’增加了。但Linear的分析进一步揭示了问题所在：代码评审（Code Review）工作在整个工程流程中所占的时间比例，从引入AI前的41%急剧攀升到了73%。原因非常直白——AI生成代码的速度远远快于人类工程师审阅代码的速度，PR的数量爆炸式增长，但评审工作仍然只能由人类工程师来完成，评审能力是线性的，无法像生成能力那样指数级扩展。

更令人深思的是端到端的交付周期指标。从一个PR被Open开始，经过评审、修改、测试，最终被合并进主干分支的平均时长，在引入AI之前是1.8天，而引入AI之后反而拉长到了2.9天。也就是说，虽然每个团队每周提交的PR多了三倍，但真正完成交付的节奏反而变慢了。这份报告中引用的一位VP级工程师的原话在社交媒体上被疯狂转发：‘AI没有让我从写代码的人变成闲下来的人，它让我从写代码的人变成了永远在审阅AI写的烂代码的人。’

三、为什么少数企业真正获得了生产力提升

NBER团队在报告中专门对那7.4%获得了5%至15%生产力提升的子样本进行了深入的回归分析，试图找出这些’幸运儿’到底做对了什么。经过控制行业、规模等变量后，真正有效的区分因子集中在四个共同特征上，这四个特征具有很强的操作指导意义。

第一个共同特征是公司级的工作流程重构，而不是简单让员工个体自发使用AI工具。在提升组中，92%的企业都在引入AI工具之前或同步进行了正式的业务流程再造，从组织层面重新划分了人与AI各自的职责边界；而在无提升组中，87%的企业只是给员工开通了AI工具账号就直接’各自摸索’。第二个特征是定制化模型微调而非直接使用通用大模型。提升组中约78%的企业针对自身的业务场景对开源模型或商业API进行了领域微调，而无提升组中这个比例只有19%。

第三个特征是采用人类加AI的分阶段协作模式，而不是让AI一次性完成任务。典型的做法是：AI负责生成初稿、草案或初步方案，然后由人类负责验收、修改和最终决策，两者分工明确，而不是在同一个任务步骤中反复交替。第四个特征是设立了专职的AI协调员岗位。提升组中有超过六成的企业设置了专门负责AI工具推广、培训、流程对接和问题处理的全职岗位角色，而无提升组中绝大多数企业完全没有相关职能设计。

四、与宏观GDP数据的矛盾及滞后性解释

NBER这份微观调查得出的结论，与当前美国宏观经济统计中显示的生产力数据之间存在一个值得讨论的明显矛盾。根据美国劳工统计局（BLS）在2026年8月初发布的最新数据，2026年第二季度美国非农部门的劳动生产率环比年率达到了+2.4%，这是一个相当强劲的数字，而白宫经济顾问委员会和许多主流媒体评论都将这一增长的很大一部分归功于AI技术的渗透和普及。

NBER报告的通讯作者之一、斯坦福大学经济系的教授在接受彭博社采访时对这个矛盾给出了定量的解释：BLS的+2.4%数据中，AI的实际贡献被系统性高估了约0.9个百分点，也就是接近四成的AI贡献其实是统计方法和会计处理带来的假象。真正的逻辑链条是，AI投入带来的生产力提升首先会体现在云计算公司、AI芯片公司等AI基础设施供应商的利润表上，然后再通过产业链层层传导到实体经济的各个终端行业，这个传导过程存在典型的滞后效应。

巴克莱银行全球研究部在同日发布的一份宏观研究报告中，用历史类比的方式支持了这个滞后假说。报告指出，上一轮互联网革命期间，企业在1995年到1999年间大量采购服务器和铺设网络，投入高峰发生在1998年前后，但真正全要素生产率的统计性显著提升要等到2002年到2004年才全面显现，滞后时间大约是4到6个季度。对照来看，本轮企业AI投入的高峰出现在2025年的第二季度到第三季度，那么对应的生产力宏观兑现期大概率在2026年末到2027年上半年才会到来，目前确实还处在’只投入不产出’的消化阶段。

五、NBER团队对企业AI采购的务实建议

基于三年调查积累的丰富数据和子样本对比分析，NBER研究团队在报告的最后一部分给出了一套非常具体且务实的企业行动建议，其核心基调并不是’停止投资AI’，而是’暂停盲目扩张，先补流程短板’。团队明确建议，大多数企业在2026年第四季度之前，不应新增订阅任何零散的AI点工具，因为当前绝大多数企业的痛点根本不是工具不够多，而是已有的工具没有被组织化、流程化地用起来。

团队提出了所有企业在扩大AI采购之前必须优先完成的两件基础工作。第一件是’流程重构’：企业需要逐部门梳理本公司的核心业务流程，明确标出哪些环节适合引入AI辅助、环节之间的输入输出标准是什么、人和AI各自的验收标准是什么，然后形成书面的SOP并对相关人员进行统一培训。第二件是’人员再培训’：NBER的数据显示，企业在AI工具订阅上每花1美元，相应需要在员工培训上花大约0.7美元才能让工具真正产生效果，而现实中绝大多数企业的培训投入连AI采购预算的十分之一都不到。

报告同时建议，企业应当建立AI投入的季度审计机制，将生产力KPI的实际变化与AI投入的累计金额进行绑定评估，而不是用’AI使用次数’‘AI生成内容数量’这类过程性虚荣指标来衡量投资回报。对于那些连续两个季度审计后仍然无法证明正向ROI的AI工具，应当果断停用，而不是在沉没成本的心理作用下继续维持订阅。

市场反响与行业影响

NBER这份工作论文一经发布，立刻在学术圈、产业界和政策制定者三方引发了广泛讨论。美联储多位官员在当天的公开活动中被问及此事时都谨慎表示，这份研究的结论会被纳入下一次货币政策会议的讨论材料中，因为它直接关系到对未来通胀压力和经济增长潜力的判断。企业CIO群体的反应尤为积极，很多人在社交平台上表示，这份报告给了他们在董事会上’为AI踩刹车、争取时间做基础工作’的学术背书。对于中国企业而言，这份研究的启示同样深刻：国内AI产业正处于应用落地的关键攻坚期，如何避免陷入’工具越买越多、效率越用越低’的陷阱，如何做好组织层面的流程再造而非简单购买服务，值得每一位管理者认真思考。