AI 提效了，为什么大部分公司没额外赚到钱

80% 的人说 AI 让自己更高效，但只有 6% 的公司从 AI 里拿到了显著的利润贡献。这是麦肯锡 2026 年 8 月的调研，覆盖 97 个国家、1719 位受访者。

上一篇我写了个人视角《AI 明明提高了效率，为什么我们反而更累了？》：AI 提效了，人却没轻松，收入也没涨。这篇换到组织视角（泛指团队、部门、公司等多人团体），问的还是那两件事——组织有没有提效，有没有因此多赚钱。结论不太乐观：端到端算下来，提速也就两三成，额外收益几乎没有。

点击展开全文

最后再聊一个问题：既然 AI 没有额外带来收益、投入却巨大，组织能不能干脆缩减投入、把成本省下来？

提效是真的，但它只落在部分环节

如果你关注一些 AI 类的自媒体，你肯定刷到过这类说法：AI 只用几小时就干完了人类要几天、几周的事，几天做完人类几个月的活。这些话基本都是真的，我自己也常常被这种瞬间的效率惊到。

但请注意它的主语——它说的是「某个环节」。一份真正交付出去的工作从来不是一个环节，而是一串：搞清楚要做什么、对齐口径、动手做、有人验收、打回改、上线、交付、收尾。AI 能接管的是中间「动手做」那一段，而且只是那一段里可切分、可验证的部分。

这就撞上了阿姆达尔定律：整体加速比 = 1 ÷（不可加速部分 + 可加速部分 ÷ 加速倍数）。腾讯研究院副院长袁晓辉在 2026 世界人工智能大会（WAIC）的腾讯论坛上举过一个例子：一件事里 80% 是可加速的执行、20% 是不可加速的判断与交付，执行部分快 10 倍，整体是 1 ÷（20% + 80% ÷ 10）≈ 3.6 倍——个人感受到的是十倍，系统只快了三点六倍。

而这个 3.6 倍已经算乐观，因为它假设「可加速部分」真的能被十倍加速。我之前在公司内部推 AI 的时候，我们粗略评估过自己部门的情况：做 B 端业务研发的后端工程师，真正花在 Coding 上的时间占比大概只有 30% 左右，剩下的 70% 是需求澄清、方案评审、跨端联调、等发布窗口、线上问题排查、和业务方来回确认。

按这个结构算一笔最朴素的账：Coding 快 10 倍，端到端周期变成 0.7 + 0.3 ÷ 10 = 0.73，整体只快 1.37 倍，也就是总周期缩短 27%；就算 Coding 只快 2 倍，也只有 1 ÷（0.7 + 0.15）≈ 1.18 倍。这还是有明确交付物、口径最容易算的研发岗；换到别的岗位，可加速的那一段更短，账只会更难看。

把几个算例摆在一起，比一行公式直观：

所以在公司里聊 AI 的收益，先得把两个数分开看。你体感到的那几十倍，是某个环节的倍数；公司要看的那一个，是端到端倍数。这是两笔完全不同的账。汇报时拿前者够用，真到对账那天，只认后者。

组织运作的瓶颈一直是人

其实高度抽象下来，任何白领的工作其实都是信息的收取、加工和传递。AI 能在「加工」这一段显著提效，在「传递」的一部分（写邮件、拟文案、整理纪要）也帮得上，但价值链上真正卡住的地方，从来不是「干活」那一段。

AI 写得再快又怎么样？和业务确认背景、和产品对齐需求、跨部门排期、等上线审批、评审返工、线上问题处理——这些一步都没少，有些还变多了。AI 生成的东西需要人来判断和背责，而判断和背责不进流水线。活儿是可以并行的，人是串行的：剩下那些环节里包含大量「人」，人的部分连并行都做不到，更别说加速十倍。

这事有个很土的自查办法。把你提效的那一段从总周期里抠掉，再看总时间短了没有。要是没短，你省下的功夫就没走到客户手上，只是堆在了自己这边——多生产了一批卖不出去的库存。

我说的库存不是比喻。开完就没人管的分支、卡在 review 队列里的 PR、生成完丢进回收站的文档、做到一半被叫停的功能、上线后一直零访问的内部工具，全都算。高德拉特在《目标》里表达过类似的意思：在非瓶颈上省下来的一小时只是海市蜃楼，你只是把在制品堆得更高。

AI 让你更快地生产没人要的东西。

真提效的地方确实有，只是小得可怜

那有没有真正十倍提效的场景？有，而且不少：平面设计与电商详情页、短剧与短视频、投放素材与文案、代码片段与单元测试、客服话术与初筛。

这些场景有共同特征，值得单独拎出来：可数字化、可切分、输出可验证、反馈快、责任轻。最后一条最容易被忽略——AI 画错一张图，删掉重画就行；AI 把对外文案里的数字写错、把一段合规条款判错，是要背责的。

问题是，这些场景在白领工作里占比极小。我粗估一下（这是经验估计，没有严格统计）：白领工作里同时满足上面五条的，可能不到十分之一。剩下的十分之九是协调、判断、担责、关系、现场处置——恰好都是瓶颈所在。而企业的成本和利润是按全量算的。用十分之一成本项上的提效，去撬动百分之百的利润表，杠杆不够。

省下的产能被新需求吃掉

不过，就算这些场景的提效全部兑现，也不等于人能少干点活。上一篇我讲过职场版的杰文斯悖论：19 世纪杰文斯观察到，蒸汽机效率提高之后，英国的煤炭消耗量不降反升——单位能耗下来了，用得起蒸汽机的行业变多了，总需求反而涨了。放到职场是同一个逻辑：某种劳动变得更便宜，组织就会购买和消耗更多这种劳动。AI 恰好把「做东西」的成本打得很低，于是两种新增需求被同时释放出来。

标准上移是其中一种。原来一份同类产品调研要花好几天，现在 AI deep research 十几分钟出稿，那省下来的几天大概率不会还给你，而是变成「再多分析三个竞品」。加分项变标准配置，标准配置再变最低要求。

更隐蔽、也更能解释「明明提效了怎么活更多了」的是第二种：低优事项回流。每个组织都有一批「一直想做但一直不值得做」的事：数据治理、老系统补文档、埋点补齐、客户案例整理、长尾客诉的自动分类。因为投入产出比太低，它们长期躺在需求表里吃灰。AI 把这些事的成本砍到原来的零头，ROI 就翻正了——于是它们全部被重新排上日程。

问题是，这些新增的工作确实有价值，可它们消耗的正是你刚省下来的那点产能。结果就是：单位时间的产出变多了，排期表一点没松，人还更累了。至于新增的价值有没有落到利润表上，那是另一回事。

组织有提效，但没有变成利润

先说事实：个人都认，组织不认

先看数据，不靠感觉。这个问题过去两年已经积累了几批比较扎实的调研，结论惊人地一致：个人层面的提效几乎人人都认，组织层面的财务回报却普遍缺位。

麦肯锡有份报告给出的组合最典型：80% 的人说 AI 提升了自己的生产力，但只有 37% 的组织报告了任何正面的 EBIT（息税前利润）贡献，与上一年基本持平；把门槛提高——至少 5% 的 EBIT 可归因于 AI、且影响显著才算「高绩效者」——只剩 6%，两年没动。

另外几家的调研指向同一个方向。麻省理工 NANDA 的说法最刺眼：约 95% 的企业生成式 AI 项目没产生任何可衡量的损益结果。这份研究的方法有争议，样本和「可衡量」的定义都被质疑过，只能当警示看；但它点出的预算错位和另外两家对得上——钱大多投在销售和市场，更容易省出成本的后台职能反而投入不足，原因不难猜：销售市场的指标好归因，后台省下来的钱不好写进汇报。Gartner 那边，88% 的企业在继续加投，真拿到财务价值的 CFO 只有 11%。德勤问到的那 205 位大陆和香港高管，则大多只用工时和速度衡量 AI。

也就是说，绝大多数公司算的是「快了多少、省了多少工时」，几乎没人算「多赚了多少钱」——而前者恰好是财务最不认的那本账。

投入这一侧倒是不用怀疑：仅微软、Alphabet、亚马逊、Meta 四家，2026 年在 AI 上的资本支出预计合计约 6500 亿美元，同比增长约 60%。一边是这个量级的钱，一边是上面这些数。要说「AI 给组织额外赚到了钱」，证据显然还撑不住这句话。

那钱到底去哪了？先看最容易被忽略的一笔账。

省下来的是工时，不是钱

会计不认「快」。公司账上，成本下降只有两种记法：要么少发工资，要么多卖东西。AI 省下的是人天，不是人头——不裁员，工资照发，成本一分不动；省下的人天如果没被卖掉，在财务上叫闲置产能，记零分。当然也有公司借这轮 AI 顺手缩编，那走的就是「少发工资」那条路；但那不是大多数，本文说的都是不走这条路的那一类。

更要命的是新增成本反向吃掉收益。token 账单、为了配合 AI 而必须先补的上游文档、以及下游的人工审阅——审别人的产出比自己做更累，这是很多用 AI 干过活的人的共同体会。成本只是从人力挪到了机器加审核，未必更便宜。

单价先吃掉红利

成本侧省不下来，收入侧也未必赚得到。先划一下适用范围：这套机制对外卖交付物的公司最明显——外包、内容、设计、代运营；内部团队不按单价卖东西，同样的压力会表现为前面说的闲置产能。

内容生产把这个局看得最清楚。需求端是固定的：甲方的年度预算、平台的分账池、广告主的投放总额，不会因为你变快就变大。供给端门槛又极低：会用工具的人，一夜之间从几万变成几百万。

结果就是一道很朴素的算术：效率乘十，供给乘十，单价除以十。收入原地踏步，成本项反而变多。效率提升不会创造需求，它只会重新切蛋糕。 刀是变快了，蛋糕没变大。

红利见底，提效从优势变成门槛

这部分提效的红利，已经见底了。

几年前，会用 AI 出图是个本事，报价能加钱；现在这是标配，不加钱还嫌慢。短剧的单集成本被压到以前的零头，但平台的分账池没有变大；设计外包的单价跟着效率一起下来了，接单的人一天能交十版，收入却没变，还多了抽卡、审核、返工和版权风险。效率红利在到达公司账户之前，先被单价下跌吃掉了。

接着是第二步：提效从「优势」退化成「门槛」。全行业都会用之后，提效不再带来超额收益，只带来「不做就出局」。效率不是护城河，效率只是入场券。

再往前看一层，还得承认一件事：我们大多数人不在卖 AI 的那一端，而在买 AI 的那一端。整条产业链上真正在扩张市场的，是模型公司、算力公司、卖铲子的那一层——它们面对的是一个正在从零变大的新市场。剩下绝大多数行业面对的是存量局，甚至是负和局。

这里说的「负和」，比教科书上的零和还要差一点。零和只是盘子不变：一家公司全年的软件采购预算、客户的年度预算、平台的分账池，不会因为供应商变快而变大。负和是盘子没变，桌上每个人却都多付了一笔 AI 成本（token、算力、订阅、培训、审阅返工），于是参与者的总收益反而下降。

负和局里还有个更残酷的性质：任何一项能扩大收益、但应用门槛不高的技术，都不会长期属于先发现它的人。你能用，你的同行也能用；你花三个月搭起来的能力，别人三十天就能追平——因为工具是货架上的商品，不是你的独门手艺。领先优势的窗口期，往往比投入的回收周期还短。

于是竞争会收敛到一个新的均衡：所有人都多付了一笔钱，所有人的交付速度都变快了，但客户不会因为你快就多付钱，他只会要求你用更快的速度报同样的价。多出来的产出被市场以降价收走，多出来的成本被各自留在账上。

这也是为什么在这个局里，「提效」和「赚钱」会分家：提效是相对速度，赚钱是相对议价权。速度全行业一起涨，等于没涨；议价权没动，钱就流不到你的账上。

为什么停不下来：囚徒困境与五条锁链

想清楚这一层，再回头看「能不能停」，答案就不在技术上了。

如果只算财务账，答案很清楚：应该考虑停。投入侧极其确定——token、算力、订阅、培训、审阅返工、组织改造，一笔一笔都能算出来；收益侧极不确定，且大概率落在别人账上。典型的「高确定性支出 + 低确定性回报」，任何 CFO 都会要求砍。

但现实中几乎没有公司停，因为身上挂着五条锁链：

1. 沉没的组织改造。流程已经按 AI 重写，SOP、评审方式、人员配置、外包结构都变了。停掉不是回到两年前，是回到一个更差的状态——两年前的那套流程、那批熟手、那份肌肉记忆，已经不在了。
2. 囚徒困境。对任何一家公司，继续投是理性的——不投，份额立刻被抢走；对所有人，同时停是理性的——停了，红利才有可能留存；但没有人能单方面停，也没有人能保证别人停，于是集体选择了一个所有人都更差的结果。这次的赌注是整张利润表：参与的人越多，每个人分到的那块越小，但谁先离桌，谁先出局。红利是虚的，掉队是实的——报价没优势、交付更慢、投标直接被筛掉。没人为了赢而参加，只是怕不参加就输。
3. 内部政治与预算制。投 AI 是可见的功劳——有 demo、有数据、有叙事；砍 AI 要有人签字解释「我们放弃了未来」。而且省下的预算不会变成利润，只会变成明年的预算削减，所以理性部门的做法是把预算花掉。
4. 期权与成本曲线。没人知道哪一段会兑现。停投等于放弃全部上行；而模型价格还在往下走，现在停，等兑现那天你已经没有组织能力接住。
5. 对外叙事。对客户、投资人、候选人，AI 能力已经是资质的一部分。停投等于公开承认自己不在牌桌上。

所以现在大家付的其实不是「提效的钱」，是「不掉队的保费」。它更像军备竞赛和广告投放，不像投资：支出刚性、收益外溢、谁都不敢先停。

AI 支出正在从「可选项」变成「营业成本」。 一旦变成成本项，它的处境就彻底变了——你既享受不到它带来的利润，也取消不了它。资产可以减值，成本不能取消。

问题的位置：缺的从来不是产能

1987 年，经济学家罗伯特·索洛在《纽约时报》的书评里写了一句后来被反复引用的话：「到处都能看到计算机时代，唯独在生产率统计里看不到。」

那不是技术没用，是技术摸不到当时的瓶颈——那时的瓶颈在组织流程和管理方式上。今天的情况像是同一部片子的重拍：提效解决的是供给端约束，而多数公司此刻的瓶颈在需求端：没有值得做的事、没有能承接的客户、没有差异化的产品。

需求可承接，产能释放就是增长；需求固定，提效只能变成内部竞争加剧、交付物通胀、少招人，以及更快地做无用功。

这也解释了为什么「明明有收益却看不见」——收益有三种隐形归宿：

• 被存量债吸收（技术债、协作债、欠下的文档），表现为「没那么痛了」，不是「多赚了」；
• 变成避免的损失（没翻车的项目、没返工的交付），而没人会为没发生的事记账；
• 变成未来期权（有人练出了判断力），不进当期利润表。

所以「提效了但没收益」这个感受，有一部分确实是可见性偏差。但只有一部分——剩下的部分是真的漏了，漏在了单价、闲置产能和议价权上。

结语

回到开头那两个问题。AI 对组织有没有提效：有，但只落在少数环节，我自己的感觉，端到端算下来也就提速两三成——1.18 到 1.37 倍，这已经是研发这种口径最容易算的岗位给出的上限。有没有多赚钱：从现有的证据看，几乎没有。

我希望自己判断错了。如果 AI 真能整体抬高一个组织的产出，最先受益的就该是我们这种天天泡在协调、评审、交付里的人。可麦肯锡那组数据，两年了没怎么动过。

写完这些，我对 AI 的期待反而变简单了：不指望它直接带来利润，只希望它别把成本悄悄挪到看不见的地方。真要说能做什么，大概只有一件——把口径从工时换成端到端周期。口径一改，投在哪、值不值、要不要停，后面的判断会自己浮出来。

这件事不需要新工具，难的是有人愿意先动。更难的是眼下这个气氛：大多数组织都在 AI 的兴头上，预算、汇报、招聘、对外叙事全围着它转，这个时候让人冷静下来，比算清一笔账难得多。 我能做的只有写这么一篇文章，有可能让更多的人意识到这个问题。

数据与资料来源

• 麦肯锡《The state of AI in 2026: On the road to ROI》，2026 年 8 月（97 个国家、1719 位受访者；80% 个人提效 / 37% 组织有正面 EBIT 贡献 / 6% 高绩效者）
• 麻省理工 NANDA《The GenAI Divide: State of AI in Business 2025》，2025 年（约 95% 生成式 AI 项目无可衡量损益结果；约一半预算投向销售与市场；后台支持职能回报更高）
• Gartner 调研，2026 年（88% 企业 2026 年继续增投；11% 的 CFO 称 2025 年拿到实际财务价值；8% 中国企业靠 AI 实现营业收入增长；转引自《中国经营报》2026 年 5 月 31 日）
• 德勤《决策者视角下的企业 AI 应用》，2026 年 9 月（205 位中国大陆及香港企业高管；87.3% 看工时节约 / 21.5% 涉及收入与客户）
• 路透、彭博数据，转引自《经济参考报》2026 年 2 月 24 日（微软、Alphabet、亚马逊、Meta 2026 年 AI 资本支出预计合计约 6500 亿美元，同比增长约 60%）
• 袁晓辉（腾讯研究院副院长）《AI让每个人都变强了，但为什么公司没跑得更快？》，2026 世界人工智能大会（WAIC）腾讯论坛发言整理，腾讯研究院，2026 年 7 月 24 日（阿姆达尔定律及「80% 加速十倍 → 整体 3.57 倍」算例）https://mp.weixin.qq.com/s/mu4ZiCeNuasv5J4Gt22jTA
• 高德拉特《目标（The Goal）》（非瓶颈上省下的一小时只是海市蜃楼）