top of page

Bloomberg Economics 的 AI 增長估算顯示英國投資走在生產力證據之前

1 小時前
讀畢需時 12 分鐘
Illustrative photograph. Photo: RDNE Stock project / Pexels.

Bloomberg Economics 估計,與 AI 相關的活動今年帶來英國約四分之一的增長,令科技投資走在廣泛生產力證據之前。其報道中的計算,將約 1.8% 擴張中的 0.45 個百分點,歸因於與人工智能相關的活動。Bloomberg Economics 的 AI 增長估算所描述的是對經濟增長的貢獻,而非 AI 佔整體經濟的比重。

這一分別改變了故事的含義。建設基礎設施、開發軟件及部署系統,在客戶證明自身營運取得持久改善之前,已會產生經濟活動。英國可以受惠於供應 AI,同時經濟中其他企業仍在測試其效用。支出與生產力互有關聯,但回答的是不同問題。

英倫銀行提供了一個有用的參考點。其 11 月分析同樣識別出 AI 的貢獻,但區分了技術開發與採用企業的廣泛效益。因此,核心張力在於投資帶動的增長與已證實的生產力提升之間。這對供應商持續維持需求、買家記錄成果,以及政策制定者解釋這項數字究竟證明了甚麼,均構成壓力。

Bloomberg Economics 的 AI 增長估算衡量甚麼

歸因於 Bloomberg Economics 的數字,見於 11 月 11 日的報道。同期對這項 AI 增長估算的轉載,描述了從數據中心建設到模型開發的活動。

這項數字關乎額外增長所佔比例,而非英國現有經濟產出的四分之一。

本地生產總值(GDP)衡量一個經濟體內生產的貨品及服務價值。對其增長的貢獻,衡量的是該產出變化的一部分。將變化與總量混為一談,會把一個重大科技故事,變成沒有證據支持的經濟依賴論述。

這項數字背後的算術很直接。將報道中的 0.45 個百分點貢獻,除以約 1.8% 的增長,便得出四分之一。困難之處在於計算之前:決定哪些活動屬於 AI 類別,以及將多少增長歸因於它們。

百分點衡量的是百分率之間的差異,不能與某個行業銷售額的百分比變動互換。比較全經濟體估算與公司業績或個別行業時,區分這些單位十分重要。

時間點同樣需要審慎看待。這是一份在 2026 年結束前發布、討論今年增長的報告。讀者不應不經說明便將其視為已敲定的年度國民帳結果。其後的發布可能同時改變整體增長圖景及其表面構成。

更根本的是,歸因並不能確立一個沒有 AI 的經濟體會有何結果。這種比較需要假設其他支出、就業、投資及需求的情況。投放到科技的資源,本來可能支持其他活動、維持未支出狀態,或流向海外。

這並不代表報道中的貢獻毫無意義。它意味這項估算回答的問題,比 AI 是否創造了等量、否則不可能出現的繁榮更狹窄。當這些問題保持分開,經濟報道便更有用。

對於期待全篇都關於聊天機械人的讀者而言,報道範圍同樣重要。數據基建、軟件開發、實施工作及面向客戶的應用程式,在同一供應鏈中處於不同位置。與該供應鏈相關的增長貢獻,不必主要來自員工使用對話工具。

因此,合適的解讀是重要但有限。Bloomberg Economics 識別出與 AI 相關的活動,是英國近期擴張的重要推動因素。單憑這項數字,並不能證實採用 AI 已提升整個英國商界的生產力。

這項區別引出下一個問題:即使未能確認其精確歸因,官方經濟數據是否支持這個故事的方向。

官方增長數據支持這個方向,但存在限制

英國國家統計局於 11 月 12 日發布第三季首次估算。其季度 GDP 數據顯示,實質產出較上一季增加 0.7%。

官方統計指出與 AI 相關行業表現強勁,同時明確限制其可量化的範圍。

ONS 指出,電腦程式設計、顧問及相關活動是重要推動因素。該機構亦報告,有證據顯示強勁企業營業額與人工智能及雲端運算有關。然而,其蒐集方法無法分離這些活動的確切影響。

這種組合值得留意。它為認真看待科技關聯提供官方基礎,同時避免將精確的 AI 貢獻變成官方結論。一個行業分類可同時包含 AI 工作及無關業務。

營業額即銷售收入,亦有別於企業所增加的經濟價值。公司的收入可以反映採購投入,以及其自身的貢獻。強勁營業額提供有關活動的證據,但要將其轉化為全國增長,仍需要進一步量度。

這個差距對銷售混合服務的企業尤其相關。顧問公司可能在實施 AI 的同時,也提供傳統軟件、數據管理及維護服務。客戶合約可以合併這些職能,卻不會將每筆付款分配到不同科技類別。

從買家的角度看,同一問題亦會出現。即使大部分工作涉及舊有系統,公司仍可把現代化項目描述為 AI 投資。連接數據庫、清理紀錄及修改權限,可以支援 AI 部署,但並非 AI 獨有。

這些例子描述的是量度問題,而非對特定公司的結論。它們說明為何官方統計人員可以觀察到一種模式,卻不發布精確的 AI 總額。

對政策制定者而言,這會立即對用語構成壓力。相較於宣稱 AI 已改變國家效率,指與科技相關的服務支持了增長,更貼近現有證據。較強的說法需要更多有關產出、投入及持續表現的資訊。

對供應商而言,官方數據支持需求存在,但不保證其持久性。安裝期間取得的收入,並不自動意味客戶價值會持續。買家仍須決定新系統是否值得繼續使用。

對勞工而言,科技服務活動加強,並不能解決工資、職業保障或其他地方機會的問題。全國總數結合了經歷不同的企業。它的改善可以與個別行業內的壓力並存。

ONS 的證據強化了廣泛事件敘事:與 AI 相關的商業活動已在英國增長討論中變得可見。至於更關鍵的生產力問題,則仍未有答案。

這個問題需要檢視企業實際產出甚麼,而不是把每一項科技採購都視為客戶現已更有效率營運的證明。

建設 AI 與受惠於 AI 遵循不同時鐘

英倫銀行 11 月的報告提供了一個框架,用以區分這些階段。其 AI 活動分析採用代理指標,即一項間接量度,結合多個與科技相關的行業。

在調整其基本擴張後,該行估計,自 2026 年開始以來,新興的 AI 相關活動佔增長不足五分之一。它警告,這些行業亦包含其他工作。

該行的核心區別,在於供應 AI 系統與透過使用它們取得更廣泛收益之間。

其評估將觀察到的貢獻主要歸於開發及實施。採用企業之間更廣泛的生產力效益,仍未獲充分確立。這有助解釋為何一個經濟體可以在明顯的廣泛效率提升出現前,已錄得與 AI 相關的增長。

英倫銀行的估算與歸因於 Bloomberg Economics 的四分之一不同。這些數字不應變成一場有明顯勝者的競爭比分。在定義、覆蓋範圍、調整方法及期間不一致的情況下,兩者差異無法證明哪個估算較優。

對讀者而言,它們共同指向的方向,比一場人為的精確度競賽更具資訊價值。兩者均指出,存在與 AI 活動相關的經濟貢獻。任何一個數字都不能免除區分科技供應與客戶成果的需要。

設想一個專業服務企業的示例性軟件項目。聘請專家連接內部系統,為這些專家創造工作。即使客戶尚未減少延誤或改善服務質素,他們的活動亦已發生。

客戶的生產力收益則透過另一個過程產生。生產力指相對於投入的產出,例如每小時完成的工作量。要確立改善,必須量度完整工作流程,包括核實、更正、培訓及持續維護。

更快完成初稿並不能解決這項計算。若審閱者花更多時間更正,某一階段的改善可能在整個流程中消失。若初稿以相近資源促成更多有用工作,論據便會較有力。

這項區別亦釐清企業應向供應商要求甚麼。示範顯示系統能夠完成特定任務。營運證據則顯示它能否在買家的實際限制下可靠運作。

因此,供應商與客戶可從同一份合約獲得不同的經濟結果。供應商在交付工作時記錄活動。客戶則必須吸收實施所需的努力,才會發現項目是否改善其營運。

整理研究資料的知識工作者亦面對相關挑戰。更佳的檢索可減少重複搜尋,但相關成果還包括資料來源質素及核實答案所需時間。一個實用的 AI 知識庫框架有助界定正被評估的工作流程。

這個例子並不能確立全國生產力結果。它展示了由購入科技至可量度改善的路徑,須經過特定任務、紀錄及組織決策。

建設活動的經濟意義是真實的。將其轉化為持久的客戶收益,仍是另一個階段,並有另一項舉證責任。

集中支出提高供應商與買家的風險 stakes

投資的廣度與投資增長同樣重要。一個由眾多獨立買家支撐的市場,與由少數高支出客戶主導的市場,承受的風險不同。

CEPR 於 11 月 7 日發表的研究,透過企業調查探討這個問題。其對 AI 支出集中度 的分析估計,在每個受研究的國家中,不足 2% 的企業佔預期 AI 支出的一半。

這些國家是英國和美國。相關支出的定義包括購買技術,以及支援採用技術的開支。預期支出不等同已完成的支出,亦不等同本國經濟價值。

支出集中令大型客戶的決策,對下一階段需求變得格外重要。

這並不能證明投資過度。大型機構可能擁有更多用戶、更複雜的系統,以及更多攤分部署成本的機會。支出亦可能因經濟活動本身集中而集中。

然而,集中度會改變放緩傳導的方式。若主要買家同時延後項目,即使小型企業仍在持續試驗,供應商仍可能面對壓力。廣泛的興趣未必足以取代大型合約所帶來的需求。

因此,相關比較應是採用的廣度與支出分佈之間的比較。偶爾使用某項 AI 功能的企業,與圍繞該功能重建營運流程的企業,屬於不同的需求類別。

解讀調查時,這個差異十分重要。詢問企業是否使用 AI,是量度其存在;詢問支出,則從另一角度量度其投入程度。兩者都不能直接量度財務或營運回報。

供應商之間的競爭,令情況進一步複雜化。基建供應商、軟件開發商及實施專家,為同一轉型出售不同投入要素。他們的收入不應被視為可互換的終端用戶生產力證據。

基建供應商可受惠於對未來需求的預期。實施服務企業可受惠於客戶需要協助處理複雜性。應用程式供應商則更直接依賴某個特定工作流程的重複使用。

這些商業模式讓投資者和客戶面對不同的不確定性。建設活動可先於實際使用。實施需求既可反映困難,也可反映機會。訂閱續約可顯示持續興趣,卻未必揭示人手監督的全部成本。

對企業買家而言,支出集中亦帶來一個有關比較群組的實際問題。擁有專責技術人員的大型機構所得的結果,未必可套用於小型企業。周邊資源本身就是部署的一部分。

對供應商而言,這令客戶證據的質素面對壓力。公布新合約可反映當前需求;展示續約、持續使用及客戶成果,則可反映安裝後的需求。

這些差異都不預測投資將會崩潰。它們只是解釋,為何與建設擴張相關的增長,值得比單一全國性標題所容許的更仔細檢視。

若配合需求分佈一同閱讀,Bloomberg Economics 的 AI 增長估計會更有用。有意義的貢獻可以與不均衡的採用、集中的支出,以及尚未解決的客戶回報同時存在。

生產力落差既是量度問題,也是商業考驗

歷史比較為耐心等待提供理據,但不保證成功。聯儲局副主席 Philip Jefferson 在 11 月 13 日的演說中,討論了技術投資與更廣泛組織變革之間的時距。

他對技術與生產力的論述,描述企業如何隨時間圍繞電腦重組。這項比較顯示,購買設備與重新設計生產流程是不同階段。

缺乏廣泛的生產力證據,既不會否定 AI 的價值,也不代表未來回報必然出現。

這是審視英國故事時應有的懷疑立場。早期支出可以支持日後的改善,也可以為令人失望的項目、重複現有能力的方案,或需要比預期更多監督的系統提供資金。

區分這些結果所需的證據,比宣傳更接近實際營運。已完成交易、可靠服務、有用產出及消耗的資源,比可用功能的數目提供更強的評估基礎。

公平的評估亦應保留原本的比較條件。若一家公司同時改變人手配置、客戶組合及軟件,要將結果歸因於 AI 便會變得困難。成功的企業可在採用新技術之餘,因其他原因而改善。

相反的問題亦同樣重要。有用的工具可以在需求疲弱時推出,令公司整體表現維持平穩。若沒有工作層面的證據,觀察者可能錯誤地認為該工具毫無貢獻。

這些困難令企業和國家層面的歸因都具挑戰性,但不代表應放棄量度。它們反而支持將較窄的營運證據與較廣泛的統計數據連結,而不是以其中一項取代另一項。

Bloomberg Economics 的 AI 增長估計屬於這種連結中較宏觀的一端。它提醒人們注意與該技術相關的活動,但本身無法識別哪些工作流程帶來持久改善,或哪些投資將保留價值。

對開發者而言,實際壓力在於完成的工作,而不只是產生的程式碼。審查工作、缺陷、維護及交付時間都會影響結果。當表面的速度改善能通過這些檢驗時,說服力便會更強。

對企業買家而言,壓力在於融入日常工作。試點可依賴投入程度異常高的參與者及廣泛支援。持續營運考驗的是,工作流程能否在常規條件下維持實用。

對知識工作者而言,壓力除了便利性,還包括可靠性。若要找出支持某個答案的證據花費更多時間,快速產生答案的重要性便會下降。搜尋、綜合、審查及修正,應納入同一項評估。

這些只是示例性的評估準則,並非聲稱任何特定產品已通過或未能通過測試。它們讓討論聚焦於企業可檢視的成果。

政策含意源自同一個差異。鼓勵基建及支援有效採用,處理的是相關問題;但其中一項成功,並不代表另一項已成功。

英國眼前的經濟效益值得肯定。其較長期意義取決於活動能否由供應系統,擴散至使用這些系統的企業之中,並帶來持續改善。

三項訊號將釐清收益是否擴散

下一階段需要具體證據,而非又一輪愈來愈自信的預測。未來數月,官方修訂、客戶披露及營運結果,將有助區分持續建設與更廣泛的收益。

最有力的確認證據,會將持續的技術活動與技術供應鏈以外可量度的改善連結起來。

第一,留意下一輪官方國民賬目發布及修訂。ONS 季度公告指出,下一次預定發布日期為 12 月 22 日。更新後的行業細節將有助顯示,該模式能否在更多資料加入後持續存在。

若能持續,將加強近期與技術相關的活動正帶來持續貢獻的論點。若修訂大幅下調相關增長,則會削弱人們對其表面規模的信心。兩種結果都不能單獨識別 AI 的確切因果影響。

重要的是各次發布之間是否存在一致證據。單一較強的月份可以反映時點因素,而一連串經修訂的數據則可改變解讀。讀者比較標題時,應清楚掌握量度期間。

第二,留意供應商披露,以尋找客戶在初步部署後仍持續使用的證據。續約、持續使用,以及項目進入日常營運,比單純公布消息提供更多資訊。

此類披露需要背景。續約可以保留使用權,卻未必證明密集使用。較大的合約可以反映覆蓋範圍擴大,而非生產力提升。當供應商將持續需求與特定客戶成果連結時,證據才會更有力。

若買家擴大正在運作的部署,同時記錄其效益,持久需求的論據便會加強。若實施公告仍然眾多,但持續使用的證據依然薄弱,投資主導的解讀便會保留較大分量。

第三,留意採用企業的產出相對其所用資源是否出現變化。相關證據應延伸至開發、託管或安裝 AI 以外的企業。

若改善擴展至採用 AI 的各行業,便會加強效益正在擴散的論點。若持續增長主要局限於技術供應商,廣泛生產力的說法便較缺乏支持。兩種模式都可產生經濟活動,但其較長期影響不同。

企業亦應區分已實現結果與預期。預測描述管理層的預期;營運比較則描述在可識別條件下實際發生的情況。兩者在清楚標示時都有用,若不作解釋便混合使用,則會造成誤導。

閱讀下一份 Bloomberg Economics AI 增長估計時,應連同這些訊號一併考量,而非將標題視為已完成的判決。應清楚掌握其期間、歸因及單位。比較供應商活動與客戶成果,並問一問:當培訓、審查及維護納入計算後,改善是否能夠持續。對正在評估自身部署的企業而言,應選取一個真實工作流程,並保留比較結果所需的證據。問題很具體:系統是否幫助機構以現有資源交付更多有用的工作?在下一輪發布及企業更新中持續追蹤這些證據。它們會比盲目樂觀或盲目否定,更能揭示英國的 AI 轉型。

 
 

為每個智能代理提供更完整的背景,提升工作表現

讓智能代理連接 remio 已整理好的知識、決策和歷史紀錄。

remio 目前支援 Windows 10+(x64) 及配備 Apple 晶片的 Mac。

你的 AI 工作夥伴
和 remio 一起高效工作

規劃、創作、交付
一站式完成

bottom of page