Apollo 對 AI 回報的警告挑戰科技業以外回報的理據
Apollo 首席經濟師 Torsten Slok 表示，儘管企業持續投資及廣泛採用人工智能，科技業以外尚未見 AI 帶來財務回報。他於 2026 年 10 月 24 日發表的評估，將科技巨頭日益改善的財務表現，與美國其餘企業較薄弱的證據作對照。Apollo 對 AI 回報的警告，令一項熟悉的承諾面臨壓力：個人工作效率提升，將轉化為更強勁的公司業績。
這個結論值得審視，包括其本身的局限。一項大型國際商業調查於 10 月更新的結果顯示，AI 帶來的生產力效益雖然有限，但並非不存在。職場實驗亦記錄了特定工作上的改善。兩項發現均不足以證明出現廣泛的利潤增長，但都令一概否定的說法變得複雜。
核心矛盾在於，使用 AI 與從中獲取回報之間存在距離。Microsoft 及其他科技供應商可在客戶確認服務是否改善其經濟效益前，先行出售存取權。對企業買家、開發者及知識工作者而言，問題在於，有用的協助能否通過驗證、協調及業務限制的考驗。
Apollo 對 AI 回報的警告實際衡量甚麼
Slok 的 AI 回報評估比較了由大型科技公司組成的 Magnificent Seven，與其餘 S&P 500 成份股。他指出，前者的每名員工收入及利潤率正在上升，後者則表現平平。
他的文章亦指出，AI 對更廣泛生產力增長的貢獻證據薄弱。他認為開支仍然高度集中，並描繪主流企業愈來愈關注持續使用模型的成本。這些是 Apollo 對證據的詮釋，而非對企業部署所作受控研究的發現。
Apollo 指出 AI 熱潮與廣泛財務表現之間存在落差，但其比較並未分離出 AI 的影響。
每名員工收入衡量的是銷售額相對於僱員人數的比率。這個數字可能因員工生產力提高而上升，但亦可能因價格上升、人手變動，或公司外判工作而上升。企業即使完全沒有引入 AI，也可以改善這個比率。
利潤率則牽涉另一組因素。投入成本、競爭壓力、產品組合及會計決策，都可在不受員工效率影響下改變利潤率。AI 部署或可減少一項營運開支，但其好處可能被無關的業務問題抵銷。
比較組別亦需要審慎看待。其餘 S&P 500 公司並非科技業以外企業的純粹樣本；科技巨頭也不代表 AI 採用的乾淨實驗。它們的商業模式、市場地位，以及對基建需求的曝險，均與其他公司不同。
這並不代表 Apollo 的比較毫無意義。這些圖表有助識別財務模式，但解釋成因時存在限制。廣泛的財務疲弱，可以與個別部門成功部署並存。
時間點之所以重要，是因為 Slok 發表的是對當前回報的評估，而非對最終技術能力的預測。他的主張關乎效益現時是否可見。這令焦點落在目前成果，同時未能解決較長期的發展軌跡。
因此，較有用的解讀比標題最強烈的暗示更狹窄。Apollo 質疑的是廣泛財務回報的證據。要證明科技業以外沒有任何企業受惠，則需要更詳細的調查。
財務團隊面對回報轉化問題
眼前壓力落在同時負責科技投資與營運成果的行政人員身上。資訊總監可以展示員工採用情況，但財務主管仍需說明業務實際上有甚麼改變。
節省時間只有在組織能運用該時間，或取得另一項可量度效益時，才會轉化為財務回報。
假設一個服務團隊引入 AI 協助草擬客戶回覆。客服人員可更快完成初步回覆，但主管仍須審核。如審批仍是瓶頸，公司可能無法處理更多個案。
這類部署仍可改善工作環境或回覆質素。這些成果同樣重要，但其商業理據與提高處理量並不相同。公司不應僅因每項結果聽來都正面，便將它們混為一談。
當員工以較少努力完成現有工作時，也會出現轉化問題。工作時間縮短，不會自動改變薪酬、人手需求或客戶需求。其效益可能轉化為閒置產能、減少超時工作，或為棘手個案投入更多注意力。
每種結果都需要各自的證據。減少超時工作可直接影響開支。更佳服務或會隨時間提高客戶留存率。當組織可將閒置產能重新投放於客戶所需工作時，它便具有價值。
開發者亦面對相關限制。更快產生應用程式功能，未必能縮短其通過安全審查、整合測試及發布審批的流程。若在沒有受限的環節加快生產，整體交付時間可能維持不變。
因此，財務團隊應區分有前景的示範與營運成果。示範顯示工具能夠完成某項工作；營運成果則顯示使用工具是否改變實際工作流程的表現。
供應商的經濟效益則不同。Microsoft、Google 及其他供應商可從客戶使用中取得收入，同時客戶仍在評估效益。供應商的商業成功與買家的回報彼此相關，但屬於不同帳目。
同一區分亦適用於互相競爭的模型供應商。技術更強的模型或可解決足以支持其使用成本的困難問題。另一個工作流程可能只需要可靠檢索及簡短答案，令額外能力在經濟上無關痛癢。
因此，買家面對的決定比是否擁抱 AI 更具體。他們必須找出預期由 AI 移除的限制。若擬議部署沒有處理該限制，採用數字難以帶來安慰。
這令採購及部署選擇承受更大壓力。企業需要有理由擴展運作良好的應用、有理由修訂表現欠佳的應用，亦需要有停止的方法。若缺乏這些區分，試點計劃可能持續產生活動，卻無法產生站得住腳的成果。
新企業數據令零回報說法變得複雜
最有力的保留意見來自直接檢視企業的研究。2026 年 10 月修訂的 企業 AI 採用研究，調查了七個國家近 9,000 名高級行政人員。作者包括 Ivan Yotzov、Jose Maria Barrero、Nicholas Bloom 及其合作者。
更新後的論文指出，78% 受訪企業使用 AI。行政人員認為，在過去三年，AI 採用令勞動生產力年增長提高 0.2%。他們預期在隨後三年帶來較大的 0.6% 年度貢獻。
這些發現描述的是有限的自述效益，並非 AI 徹底改變經濟。它們亦不支持將所有企業生產力增長視為不存在。
更新後的證據削弱了字面上的零回報說法，但仍未證實出現廣泛財務轉型。
研究的修訂日期很重要。較早的報道描述了規模較小的調查，並強調可觀察到的效應有限。若不核對更新後的論文而引用舊有發現，便會錯過現有證據的重要變化。
作者亦發現開支高度集中。僅 2% 的公司佔了逾半數已報告的 AI 支出。這種集中情況支持審慎態度，因為不應以顯著採用者的高強度活動，來描述典型企業。
然而，這項調查並未解決 Apollo 的論點。行政人員報告的是感知到的生產力影響，這不等同於獨立審核的財務收益。受訪者可能高估或忽視效益，亦可能將無關的變化歸因於 AI。
勞動生產力，即產出相對於勞動投入，也有別於盈利能力。公司可在軟件及實施上投入更多資金的同時，提高生產效率。競爭壓力其後可能透過更佳服務或較低價格，將部分效益轉移給客戶。
調查涵蓋的國家及公司，與 Apollo 的股市比較不同。這些指標透過不同樣本及方法處理相關問題。應一併審視其結果，而非假裝其中一項可直接重現另一項。
行政人員調查有助揭示採用情況及管理層預期。財務報表反映公司結果，但甚少分離特定科技的貢獻。受控實驗可更清楚識別局部效應，儘管其發現的適用範圍較窄。
對買家而言，這個組合反對自滿與一概否定。證據中可見一些可量度效益，但其規模及分布值得關注。有限的平均效應，容許成功應用與成效甚微的部署並存。
商業含義很直接。供應商不能只憑使用量增長來證明客戶回報。懷疑者亦不能只憑整體利潤率持平來證明普遍失敗。兩種立場均需要在部署與結果之間建立更清晰的連結。
職場收益不足以證明公司利潤
一項已發表的客戶支援研究，提供 AI 改善既定工作流程的具體例子。Erik Brynjolfsson、Danielle Li 及 Lindsey Raymond 研究一款由 5,172 名客服人員使用的對話式助手。他們的 客戶支援生產力研究指出，每小時解決的問題數量平均增加 15%。
不同員工的收益有所差異。經驗較少、技能較低的客服人員，在速度及質素方面均有改善。最資深、技能最高的客服人員，速度效益較小，同時質素略有下降。
AI 可改善一項營運工作，但不足以證明每名員工、每間公司或每個行業均能取得回報。
這種差異對部署十分重要。能協助新員工找到恰當回覆的工具，對經驗豐富的同事或較少幫助。若將平均效益套用於每名員工，便會掩蓋重要差異。
這項結果亦比一般的參與度指標更貼近實際工作。已解決的客戶問題，將協助與完成的服務活動連結起來。若只計算產生了多少建議，工具行為與商業價值之間的落差會大得多。
即使如此，生產力與利潤仍是兩回事。據報的改善並不會自動得出全公司利潤率的估算。要作出這項計算，還需要實施情況、使用成本、監督安排，以及額外服務能力價值等資訊。
這項研究同樣聚焦於一家軟件企業的支援工作。它展示了一種與其他服務場景相關的機制，但並未獨立證實其結果適用於非科技行業。要把研究結果延伸至那些場景，仍需要來自當地環境的證據。
一項涵蓋更廣泛職場的實驗得出不同但互補的結果。Eleanor Wiske Dillon、Sonia Jaffe、Nicole Immorlica 和 Christopher Stanton 研究了來自 66 家公司的 7,137 名知識工作者。他們的 職場 AI 實驗 隨機向參與者提供可整合至熟悉應用程式的助理工具。
在實驗後期，接受介入的工作者中，活躍使用者每周花在電郵上的時間少了兩小時。研究人員亦報告，正常工作時間以外的工作有所減少。他們未發現個人取得工具使用權後，工作任務數量或組成出現更廣泛的變化。
這是一項重要分別。即使不會帶來額外銷售額或完成更多項目，減少處理電郵的時間仍可惠及工作者。減少在正常工作時間以外工作，也可能具有價值，而未必會立即反映為公司盈利增加。
綜合這些研究可見，單一的生產力標籤為何可能令討論變得混亂。更快解決問題、減少處理電郵的投入、提升質素和提高利潤，描述的是不同結果。一項結果的證據，不應被默默當作所有結果的證據。
對企業團隊而言，關鍵在於衡量方式。相關結果應跟隨部署目的而定。支援助理應以服務指標評估；研究助理則應以證據質素和可用產出評估。
這項分別同樣適用於 可搜尋的知識庫。找到文件只是中間事件。組織層面的效益取決於該資訊是否協助某人解決問題、避免重複工作，或完成一項決策。
所受質疑的承諾，是把協助自動轉化為回報。這些研究顯示，在特定條件下確有實用效果。它們同時說明，企業在推算更廣泛回報前，為何需要檢視餘下的工作流程。
廣泛指標無法對 AI 作出明確裁決
即使承認某些任務已取得成功，質疑的理據仍然充分。企業在各種限制下運作，助理工具無法單獨消除這些限制。更快完成的初稿仍可能等待審批，而增加產出仍可能面對需求有限的情況。
丹麥的證據突顯另一條界線。Anders Humlum 和 Emilie Vestergaard 將採用情況調查與行政勞動市場紀錄連結起來。他們的 AI 對勞動影響 研究發現，工作方式出現廣泛變化，但收入或記錄工時未見可偵測的影響。
這些結果未能衡量公司或僱員可能獲得的每一項好處。然而，它們確實挑戰一項假設：採用技術會迅速在傳統勞動市場指標中帶來可見變化。工作可以先改變，而工資或記錄的工作時間尚未改變。
疲弱的廣泛指標限制了關於 AI 熱潮的主張，但無法界定每項部署的表現。
Apollo 亦提到全要素生產力，這是一項衡量產出增長的指標，扣除勞動和資本投入可量度變化後的部分。其經使用率調整的版本，會考慮這些投入使用強度的變化。這有助將部分周期性影響與潛在效率分開。
這項指標的範圍仍比 AI 更廣。其他技術、組織變革、衡量問題及經濟狀況都會影響結果。全經濟層面的數列，無法直接識別某家公司引入助理工具後發生了甚麼。
生產力衡量數據說明了這項分別。截至 2026 年第二季的四個季度，未調整全要素生產力上升了 1.42%。經使用率調整的對應數字則下跌了 0.07%。
這項背離顯示所選指標為何重要。它並不表示一般生產力已停止增長，亦不表示 AI 導致任何一項結果。關於 AI 的主張，還需要額外論證，將採用情況與觀察到的經濟變化連結起來。
時間亦是一個問題。財務結果可能在實施後一段時間才出現，尤其當企業改變職責或系統時。然而，未有明確說明的未來回報，不能無限期合理化所有當前支出。
雙方都面對舉證責任。倡議者需要證明效益能在營運成本及組織限制下維持。批評者則需要證據，才可將缺乏整體訊號詮釋為普遍失敗。
質素帶來另一項複雜因素。產生更多材料的系統，也可能帶來更多審核工作。若組織只衡量生成速度，便可能忽略修正缺乏支持的陳述或不一致決策所需的投入。
相反的問題亦存在。助理工具可能協助僱員避免代價高昂的錯誤，或服務要求甚高的客戶。狹窄的速度指標可能錯過這項好處。可信的評估需要反映實際工作的結果。
這些限制應令報道更精確。關於利潤的陳述應採用財務證據。關於任務速度的陳述應指明任務。關於經濟轉型的陳述應處理採用的規模和分布。
Apollo 的警告在質疑由可見活動跳躍至廣泛回報時最有力。若將其詮釋為有用收益不存在的證明，說服力便較弱。現有證據支持審視轉化過程，而非作出普遍裁決。
下一批證據必須將支出與結果連結起來
在下一個報告期內，討論應取決於可觀察的變化，而非互相競爭的宣示。相關訊號涉及客戶結果、收益分布，以及持續使用的經濟效益。三者結合，可區分選擇性成功與廣泛的財務回報。
決定性證據將會把 AI 使用與更廣泛企業的已完成工作及財務結果連結起來。
首先，留意主要科技供應商以外企業的下一輪業績披露。最有用的披露會將具名部署與營運指標連結，並說明相關成本。關於僱員採用情況的一般說法，證據力度會弱得多。
零售商、保險公司或製造商若能說明某項工作流程在哪裏改善，以及這如何影響業務表現，便可強化理據。這種連結比單獨聲稱節省了多少小時更重要。讀者亦應留意是否討論審核要求和實施工作。
重複出現這類披露，會削弱對 Apollo 警告最廣泛的詮釋。若持續依賴含糊的效率措辭，其核心憂慮便仍然成立。供應商收入增長本身，無法回答客戶回報的問題。
其次，留意後續企業調查是否顯示，收益正擴展至最密集採用者以外。10 月研究更新已顯示，據報的生產力效益屬溫和。下一個問題是其廣度、持久性，以及與實際營運結果的關係。
平均數上升值得關注，但分布仍然重要。若效益集中在狹窄群體，所描述的經濟狀況便與收益擴展至一般企業不同。具代表性的樣本有助避免讓突出的成功故事取代典型結果。
調查修訂亦需要謹慎比較。國家樣本或問題措辭的變化，都可能改變所呈現的圖景。讀者應比較等效指標，才將新數字解讀為加速或逆轉。
第三，留意擴大部署後，隨着使用量增長，其經濟效益是否改善。如果核實和修正工作同步增加，產生更多輸出並不足夠。有意義的訊號，是相對於所需資源，有用的已完成工作有所改善。
這尤其適用於獲授權跨商業軟件採取行動的系統。一項具說服力的部署應顯示可靠完成、可管理的人為介入，以及工作流程的明確效益。在嚴密監督下成功的示範，回答的是一個較狹窄的問題。
續約、縮減和取消亦會提供線索，但每項都需要置於脈絡中理解。續約可能反映感受到的價值、轉換困難，或未完成的評估。取消可能反映實施不佳，而非底層技術失敗。
對知識工作者而言，實際含義是讓協助與結果之間的連結保持可見。 個人知識管理 工作流程可以整理有用材料，但整理本身並不能證明有財務回報。當更佳的存取方式改變了實際決策或交付成果時，證據便更有力。
閱讀下一項 AI 成功主張時，應將其分母一併納入考慮。問清楚哪項工作改善了、誰的投入改變了，以及哪些成本仍然存在。區分一名工作者更快完成工作，與一家公司賺取更多收入，同時承認兩種結果都可能重要。當企業持續說明這種連結，Apollo 對 AI 回報的討論將會更清晰。在此之前，應將採用主張與已完成工作比較，將據報節省與營運結果比較，並清楚看見每項研究的界線。當一個組織展示其下一項部署時，要求它說明原本旨在改變的結果，以及該結果確實改變的證據。更快完成的初稿、檢索到的文件或生成的答案進入企業其餘部分後，發生了甚麼？
