生产率悖论——计算机到处都是，唯独统计里没有

大家好，我是 Senko。 本文将解读“生产率悖论”。

1980年代的美国企业一直在往计算机上砸巨额投资。办公室被终端填满，业务一项接一项电算化；可一看全国的生产率统计，非但没涨，反而在放缓。拿了诺贝尔经济学奖的罗伯特·索洛用一句话说尽了这个局面，此后争论持续了将近四十年。

索洛甩出的那一行

1987年，经济学家罗伯特·索洛在《纽约时报》的书评栏里这样写道：

计算机的时代随处可见，唯独在生产率统计里看不见。

这句带着讽意的话，就此成了问题的名字，它也被叫作索洛悖论。

用数字看当时的局面就明白事情有多严重。美国劳动生产率的增速，从战后到1970年代初一直保持在年3%上下，此后掉到了1%多。恰恰是企业疯抢计算机的那段时期，生产率的增速跌到了不及一半。

技术进步则生产率上升。经济学一直当作前提的这层关系，就在眼前不成立了。

当时想到的四种解释

那时主要提出了四种解释。

其一是“测量的问题”。生产率是产出除以投入，可产出的量法还是旧的。软件变好用了、医疗质量提高了，统计都没法把这些改善好好变成数字。服务业尤其明显，于是有人指出，其实是在涨，只是没测出来。

其二是“时间差”。新技术光是引进并不出效果，要等工作方式与组织形态被改造之后才开始起作用。埃里克·布林约尔松等人的研究显示，这种改造要花十年以上。

其三是“再分配”。某家企业靠 IT 抢走了顾客，被抢的那家只是减少，社会整体未必增加。

其四是“单纯用错了”。目的含混就引进，或者只是把纸面作业原样搬到屏幕上。

1990年代后半数字动了

争论拖了很久，到1990年代后半，局面变了。

美国生产率的增速从1995年前后到2004年前后明显加快，按年率算回到了2%多，许多研究把它分析为信息技术投资终于结果的结果。

索洛本人后来也说，悖论已经消解。也就是说答案不是“没有效果”，而是“要花时间才开始起效”。

从引进到出效果的这段时间里，先被计入的只有投资这项成本；培训与组织变更也占人手，于是看上去的生产率反而会一时下降。先经历这段下沉再转为上升的形状，后来被称作 J 曲线。

电气化时也发生过同样的事

这个格局有一个强力的先例，就是1990年经济史学家保罗·戴维指出的电气化史。

电动机有四十年几乎不起作用

实用的发电机与电动机在1880年代登场，可美国工厂的生产率明显开始上涨，要到1920年代。

原因在工厂的造法上。

蒸汽机时代的工厂，是以一台巨大的机器为中心，靠走在天花板上的长传动轴与皮带把动力分配到各台机器。机器必须挤在动力够得着的范围内，因此建筑是多层的，布置也不自由。

把这样的工厂里的蒸汽机换成一台大电动机，结构没变，效率也就几乎不变。

出效果是在改成每台机器各配一个小马达之后。传动轴不再需要，机器就能按作业流程排在宽敞的单层厂房里。生产率正是在这时才蹿了上去。

通用技术都有共通的滞后

同样的形状，在每一次大技术出现时都会重演。

滞后是在变短，可并没有归零。而每一次所需要的东西都一样：不是工具，而是工作那一侧的改造。

戴维写这篇论文是在1990年，正是索洛悖论悬而未决的时候。他依据电气化的先例预测“再等几年数字就会动”，而生产率确实从1995年开始加速。

接着是第二次悖论

可故事并没有到此为止。

以2005年前后为界，美国生产率的增速再次放缓。智能手机普及了，云铺开了，机器学习实用化了，统计上的数字却不见起色。

这个局面被称作第二次生产率悖论，至今仍在争论。布林约尔松等人在2017年的研究里指出，通用技术需要大量“看不见的互补性投资”。

人才的再培训、业务流程的重新设计、数据的整备。这类投资不容易被计入资产，在统计上看着像费用。于是铺垫期数字下降，出成果之后才上升的结构一再重演。

围绕生成式 AI 的当下局面，也越来越多地被放进这个框架里谈。光把工具发下去什么也不会变，只有把工作的搭法改造过的地方才拿得到效果。1980年代几乎同样的话，隔了四十年又说了一遍。

这次的滞后会变短吗

假设生成式 AI 也走同样的顺序，那等待的时间会比电气化与计算机短吗。既有让它变短的因素，也有相反的因素。

先看助推缩短的一侧。

• “引进的初期成本很小”：不必重建厂房，用现成的终端就能开始
• “普及的速度很快”：几个月就够到了数亿人的规模
• “试错的次数攒得起来”：小规模试完就丢，这种事能便宜地反复做

另一边，也有把滞后拖长的因素。

• “要改造的是人的工作”：与摆机器不同，得改动角色分工与责任归属
• “质量的核验很费事”：新增了确认输出是否正确的工序
• “制度还没跟上”：责任范围与审计方法尚未定下的领域很多

发工具的速度快到史无前例，改造工作的速度却与从前差不了多少。这个落差，大概会决定这次滞后有多长。

我认为，出现在统计上的时间即便会缩短一些，也不会归零。若事先明白必定会夹进一段“被吵嚷说没效果”的时期，那段时间里就不至于判断失误。

从引进方的实感看也是对的

我觉得这个格局与一线的感受也很吻合。

刚引进新工具那阵子，效率多半会下降。要学用法、要与原有流程磨合、要绕开不顺的地方。这段时间的生产率比引进前低，是理所当然的。

而且许多组织会把“引进了”本身当成成果，不肯再往前一步去改造业务那一侧。于是就一直停在下沉里。

我认为这个悖论最大的教训在于：技术是工具，出成果的是工作的改造。统计上看不见并不是技术的错，而是改造还没做完。

四十年前的计算机既然如此，如今的 AI 也照同样的顺序走，这样想着才稳妥。

与经济和幸福有关的悖论

靠技术或金钱做出的改善，并没有接上预期的结果——下面是与此相关的悖论。

结语

本文解读了“生产率悖论”。

计算机到处都是，唯独统计里没有。这一行摆到眼前的事实是：技术的引进与成果之间，夹着漫长的时间差与大量看不见的投资。

而且本以为已经解决的问题，会随着每一项新技术回来一次。想到我们此刻正站在同一个位置上，实在不像是别人的事。

想返回悖论列表的读者请点击下方链接。

我们下一篇文章见。

世界经典悖论大全——哲学、数学、物理、经济学著名悖论完全解读zh.senkohome.com/paradox-list/