摘要： NBER 在 2026 年 2 月發布的工作論文訪問將近 6,000 位高管，並與各國總體資料交叉比對。結果顯示 AI 採用率高，但約九成高管說過去三年對僱用與生產力沒有可測量影響；他們對未來三年的平均生產力預估也只有 1.4%。這讓企業 AI 討論從採用率轉向使用深度與可驗證產出。
2026 年 2 月，NBER 推出工作論文 w34836《Firm Data on AI》，背後是一支十多人的經濟學家團隊，成員包括 Ivan Yotzov、Nicholas Bloom、Steven J. Davis、Brent H. Meyer、Paul Mizen、Gregory Thwaites 與 Ben Zhe Wang，所屬機構涵蓋亞特蘭大聯準會、英格蘭銀行、德國聯邦銀行以及 Macquarie 大學。2 月 20 日 AI News 的報導把這份研究帶進科技圈的討論，而論文的結論一句話就說得完，卻不留情面：企業的 AI 採用率確實高，但量得到的生產力成效幾乎是零。
這項調查值得放進證據清單，關鍵在做法。研究團隊以電話逐一驗證、不支付酬勞，訪問了將近 6,000 位高管——其中大多數是 CEO 與 CFO——樣本遍及美國、英國、德國與澳洲，回覆結果再與各國統計局過去十年的總體產出及僱用數字交叉比對。拿它對照市面上常見的廠商問卷與推特民調，這大概是至今關於「AI 在企業內部究竟造成了什麼」最紮實的證據之一。
普及率很高，量到的效果很小
數字拼出一組反差強烈的畫面。69% 的受訪公司表示已在業務中真正用上 AI，而且愈年輕、生產力愈高的公司採用比例愈突出；高管本人定期使用 AI 工具的也超過三分之二。實際用途以 LLM 文字生成居首（41%），視覺內容生成（29%）與機器學習資料處理（28%）依序在後；單看英國，企業採用率在 2025 年一年內就從 61% 爬升到 71%。
然而把時間軸拉回過去三年，大約九成的高管表示，AI 對自家公司的僱用人數與生產力「沒有可測量的影響」。實際使用強度也偏低：高管平均每週只花約 1.5 小時在 AI 上。一邊是全面普及，一邊是淺層使用——現況全在這組對比裡。
雇主與員工，預期各走各的路
論文更耐人尋味的一半在於預期。同樣這批高管往前看三年，平均估生產力提升 1.4%、產出增加 0.8%、僱用縮減 0.7%。各地以美國高管最樂觀，預期生產力提升 2.25%，英國則為 1.86%。縮編幅度同樣溫和：英國預期中的調整，有三分之二打算靠「放慢招募」完成，而不是裁員。
把鏡頭轉到員工端，落差立刻浮現。透過 SWAA 調查，美國員工預期就業增加 0.5%，高管卻預期減少 1.2%；員工估的生產力增益是 0.92%，連高管預期 2.25% 的一半都不到。同一套技術，兩種敘事：老闆盤算的是省下人力，員工想的是薪水往上加——無論如何，其中一邊注定失望。
數字為何這麼平淡
幾個結構性因素值得攤開來看：
- 互補性投資尚未跟上：流程重設、資料整理與人員訓練往往排在工具採購之後，正是生產力研究裡一再出現的 J-curve 老劇本。
- 使用深度太淺：一週 1.5 小時的用量，要撼動一家公司的成本結構，機會不大。
- 衡量口徑各說各話：McKinsey 的調查稱 88% 的企業至少在一個職能用上 AI，美國普查局的 BTOPS 則從 2024 年初的 9% 一路升到 2025 年 12 月的 18%——問卷怎麼定義，數字就能差到五倍，也提醒讀者別把任何單一採用率奉為真理。
- 早期採用者偏差的另一面：會採用的多半本就是年輕而生產力偏高的公司，增益因此很難全數歸因給 AI 本身。
產品團隊該帶走什麼
首先，把「採用」當賣點的故事已經飽和，下一輪採購決策要的是量得到的產出改變——就這點而言，這份論文形同替所有走 ROI 路線的企業 AI 產品背書了方向。其次，使用深度是新的北極星：一週被用 1.5 小時的產品，與每天使用兩小時的產品，商業意義完全不同，嵌進工作流的價值遠高於偶爾單次叫用。第三，預期管理不是空話：高管平均只押 1.4% 的生產力增益，任何宣稱十倍回報的 pitch 站到 CFO 面前都會顯得可笑。就現有證據，天平倒向漸進派——至於未來三年會不會翻盤，這份論文本身就是最好的基準線。