密歇根 AI 泡沫調查發現焦慮情緒，即使消費者信心改善

密歇根大學發現，儘管其 11 月初步消費者信心指數由 10 月的 48.0 升至 51.0，受訪者對 AI 泡沫的焦慮卻正在增加。密歇根 AI 泡沫調查的發現反映出一種棘手的張力：美國人一方面憂慮人工智能會擾亂工作，另一方面亦擔心一旦投資失速，會對經濟造成損害。

衝突存在於 AI 能帶來共享繁榮的承諾，與誰能受益、誰須付出代價、誰要承受損失的不確定性之間。一項應用有用，並不會自動證明所有支撐它的投資都有理據。同樣地，對過高期望的憂慮，也不代表該技術沒有價值。

對開發者、企業買家及知識工作者而言，這個區別當下就很重要。商業決策需要可靠服務及實用成果的證據。公眾信心則需要更廣泛的基礎：一套可信的說法，解釋 AI 建設如何改善一般人的經濟生活。

密歇根 AI 泡沫調查實際發現了甚麼

這項發現記錄了一種正在浮現的經濟憂慮，但未能證明 AI 崩盤已經開始。

密歇根大學的消費者信心調查結果指出，受訪者的評論中對可能出現 AI 泡沫的焦慮正在增加。訪問於 10 月 20 日至 11 月 2 日進行。將這份報告與其後的政治發展或市場走勢一併解讀時，這個時間點相當重要。

該大學亦報告，持有最大股票投資組合的消費者，其信心下降了 5%。不過，生活成本憂慮仍壓過對 AI 的擔心。約 57% 受訪者主動提及高物價正在侵蝕其生活水平，相比之下，2 月時為 46%。

這些細節令任何關於全國技術恐慌的簡單敘事變得複雜。整體指數有所改善，同時評論中亦出現了某項特定憂慮。經濟信心涵蓋對個人財務、營商環境、物價及預期等彼此重疊的判斷。

這份報告沒有提供專門衡量害怕 AI 泡沫的百分比。因此，讀者不應將其質性觀察轉化為憑空捏造的全國比例。該大學列出 11 月 20 日為公布 11 月最終結果的下一個日期。

另一項報道上的區別值得留意。《華盛頓郵報》於 11 月 7 日的AI 泡沫報道讓這項調查觀察接觸到更廣泛的讀者。

密歇根 AI 泡沫調查的發現尤其有用，因為它關乎經濟預期，而非產品評測。評估家庭財務的人，提出的問題與測試聊天機械人的人不同。一場令人印象深刻的示範，並不能直接回答一個家庭是否感到更有保障。

這個差異改變了對公眾憂慮的詮釋。受訪者可能歡迎 AI 協助處理行政工作，同時質疑基建擴張能否持續。這些立場可以並存，並不代表混亂或前後不一。

試想一位辦公室職員，其僱主引入 AI 助手。該職員可能欣賞更快取回文件的便利，但對人手安排仍感到不確定。若僱主其後削減開支，該職員或會憂慮企業疲弱。

兩種反應都不需要對模型能力持有既定看法。兩者都關乎經濟利益的分配及持久性。公眾信心取決於周邊的僱傭關係，其重要性不亞於軟件介面。

因此，這項調查為企業提出了一條需要回答的問題，而不是讓觀察者慶祝的結論。有甚麼證據能將 AI 部署與人們在自身生活中可察覺的改善連結起來？

若回應完全聚焦於技術進步，這個問題仍未獲解答。能力固然重要，但要消除經濟憂慮，仍需更清楚交代成果、責任及風險承擔。

工作者與買方面對同一不確定性的不同版本

壓力落在機構身上：它們必須說明採用 AI 如何改變工作、開支及問責。

AI 經濟焦慮早已超越對投資周期的憂慮。皮尤研究中心的AI 態度調查發現，52% 美國人對 AI 日益普及感到憂慮多於興奮。另有 9% 較感興奮，而 37% 則認為兩者同樣強烈。

該調查於 2026 年 6 月 22 日至 6 月 28 日訪問了 3,488 名美國成年人。調查亦發現，71% 預期 AI 會在未來二十年減少美國職位，較 2024 年的 64% 上升。這些是預期，而非量度所得的就業損失。

對工作者而言，實際問題在於僱主如何將技術協助轉化為組織變革。更快完成工作可以支援更佳服務、縮短積壓、增加職責，或減少人手。單靠示範無法說明管理層打算採取哪一種結果。

這造成了單憑熱情無法解決的溝通問題。僱員需要明白績效期望將如何改變，以及部署是否配合培訓。他們亦需要清楚知道，自動化輸出需要修正時，責任由誰承擔。

企業買家則從另一方向面對相關問題。買家必須判斷，一項服務在日常營運環境中是否仍然實用。這包括不完美的輸入、敏感資訊、整合工作，以及沒有時間反覆試驗的僱員。

試點項目看似吸引，可能是因為參與者獲得非常規的支援。大規模部署會移除這層保護。當實施成本及覆核要求納入計算後，經濟問題便成為機構能否持續取得實用成果。

開發者面對另一種依賴關係。應用程式可能依賴外部模型服務，而其行為、可用性或商業條款均可能改變。因此，技術可攜性具有商業意義，尤其當客戶責任的存續時間超過與單一供應商的關係。

這些憂慮並不代表供應商即將失敗。它們說明買家為何要在問題發生前安排業務延續方案。了解自身依賴關係的機構，可以更有信心評估新工具。

同一原則亦適用於選擇個人軟件的知識工作者。即使工具改變，資訊仍應易於理解及檢索。只要底層材料保持可存取，悉心維護的個人知識庫便能支援這種延續性。

相關的採購問題，不止於助手能否產生吸引人的答案。使用者能否檢視支持資訊、修正錯誤，並在功能改變時繼續工作？

AI 投資風險會在這些依賴點變得具體。融資環境改變，若影響服務延續性或承諾的交付，便會影響客戶。企業公告改變運作中系統附帶的責任時，亦同樣重要。

管理層可透過區分願景與承諾來減少不確定性。探索性項目不應承擔與支援關鍵工作服務相同的營運承諾。機構清楚說明這個區別，僱員與客戶都會受益。

因此，眼前的壓力既屬管理層面，亦屬技術層面。要求人們接受改變的公司，需要交代甚麼會改善、如何量度成功，以及誰仍須負責。

有用的 AI 不保證投資可持續

生產力提升與令人失望的投資回報可以同時存在。

回應一概悲觀論調的最有力方法，是實際工作所得的證據。Erik Brynjolfsson、Danielle Li 及 Lindsey Raymond 的研究提供了一個例子。他們於 2023 年 11 月發表的工作論文，研究了一個由 5,179 名客戶支援代理人使用的 AI 助手。

這項客戶支援研究指出，每小時解決的問題平均增加了 14%。不同工作者的增幅各異，其中新手及技能較低的代理人改善較大。經驗豐富及技能較高的工作者，效果則很小。

這項結果支持一個有限度的主張：在特定環境中，協助工具改善了一項界定明確的活動。它並不能證明每個工作場所都會獲得相若增益，亦不能決定服務該市場的每家供應商都能獲取具吸引力的回報。

這個區別源於商業價值如何在市場中流動。一項工具可以幫助客戶，同時競爭卻會減少供應商可保留的價值。實施合作夥伴、基建供應商、僱員及買家，均可能取得不同部分的利益。

更好的模型亦可改變現有服務的經濟模式。若取得相若成果所需資源較少，客戶便多了一個選擇。原本按舊成本結構規劃的供應商，便會面對不同的競爭環境。

這正是技術成功本身無法解決泡沫問題的原因。一項投資論點包含對未來需求、成本、競爭及時機的假設。有用的軟件支持部分假設，但其他假設仍有待驗證。

相反的推論同樣不成立。一個過度擴張的項目，並不會抹去已能完成實用工作的應用程式之價值。逐項評估每個主張，比將整個行業視為單一賭注更準確。

Microsoft 與 Google 在產品層面展示了一種熟悉的競爭區別。企業買家可透過既有辦公軟件接觸 AI 功能，同時亦可選用獨立應用程式及專門服務。他們的決策關乎能力、整合、管治及轉換成本的組合。

這個比較並不需要宣告普遍適用的贏家。整合式助手可為部分機構減少採用阻力。當成效足以證明額外合作關係合理時，專門產品可適合較狹窄的工作流程。

對買家而言，這表示供應商之間的競爭可以改善選擇，卻無法化解所有根本的投資風險。更佳的應用體驗，對某個無關基建項目的盈利能力幾乎沒有說服力。市場不同部分需要不同證據。

透過這個區別，密歇根 AI 泡沫調查的發現便更容易理解。公眾對經濟風險承擔的憂慮，並不需要相信每個 AI 用例都會失敗。人們可以看見好處，同時質疑投資的規模或分配方式。

一個有用的比喻，是繁忙服務與具盈利能力服務之間的差別。使用量證明有人正在使用某物。可持續的經濟模式則需要了解該活動消耗甚麼資源，以及客戶能可靠地貢獻多少。

即使一項有利的職場研究，亦未能替企業決定實施方式。一間公司必須決定是把節省下來的時間重新投入、提升服務質素，還是調整人手編制。員工承受的是這些選擇的後果，而非一個抽象的生產力平均數。

因此，核心張力仍然在於分配問題。當有用的能力可轉化為超出資助機構範圍、具持續性的利益時，所承諾的繁榮才會變得可信。技術進步的證據固然有幫助，但經濟論述仍需自身的支持。

基礎設施承諾令信心成為營運議題

AI 擴張依賴實體項目，而其承擔的責任可持續至市場熱情轉變之後。

模型服務依賴運算設備、冷卻系統、電力供應及網絡連接運作。這些配套系統會帶來軟件示範無法呈現的承諾。其經濟意義取決於建設進度、使用率、融資及本地條件。

國際能源署 2026 年的 AI 能源展望 指出，全球數據中心的用電需求在 2025 年增長了 17%。以 AI 為重點的設施用電量增長了 50%。其中央預測顯示，到 2030 年所有數據中心的用電量將達約 950 太瓦時。

太瓦時是量度電能消耗的單位。該預測描述的是預期走勢，而非保證結果，亦不代表所有需求都可完全歸因於 AI。

該機構亦將融資條件、市場情緒及社會接受程度列為擴張限制。其分析指出，效率提升會與更廣泛的採用及要求更高的應用互相影響。這些力量可令資源需求朝不同方向發展。

這種互動解釋了為何 AI 投資風險難以用簡單算術理解。效率較高的系統可減少完成個別工作的資源需求。更廣泛的使用可抵銷這項改善，而應用改變亦可改變工作本身。

基礎設施規劃必須在這些關係完全穩定前作出決定。設備訂單、建設安排及電力接駁均涉及前置時間。因此，項目是在仍然不確定的條件預期下投入資源。

這並不表示項目不理性。每項長期投資都依賴預測。但這意味著，這些假設的質素與圍繞技術的熱潮同樣重要。

企業客戶應區分公告與實際營運能力。擬建設施、建築工地及可用服務代表不同階段。把它們視作可互換，會掩蓋交付風險。

社區面對的是另一組問題。項目可以帶來好處，同時亦會對共用基礎設施產生需求。相關評估應聚焦於本地責任、可執行的承諾及成本分配。

把每次電費上升都歸因於 AI 並不準確。本地結果取決於發電、輸電、監管、需求模式及投資決定。要確立因果關係，需要針對受影響系統的證據。

同樣地，建設放緩並不必然代表需求疲弱。項目可能遇到許可、設備或接駁限制。觀察者在把延誤解讀為財務逆轉的證據前，須先識別限制因素。

這些區分之所以重要，是因為信心可經多個途徑影響營運。當客戶懷疑交付能力時，會重新考慮承諾；當預期回報改變時，融資方會重新評估風險承擔；當承諾的好處仍不清晰時，社區會重新考慮支持與否。

每種反應都可影響其他反應，但不代表全國性崩潰已獲證實。項目延誤可能改變客戶的計劃，繼而改變預計使用率。分析應檢視這個過程，而非假設一則新聞標題已涵蓋完整機制。

業界的溝通挑戰由此而來。一個可信的擴張敘事，需要把需求與可交付能力連結起來，並清楚劃分責任。對未來效益的一般保證，不能取代這些細節。

當人們缺乏這些資訊時，AI 經濟焦慮便更難被忽視。務實的回應是更具體說明正在建設甚麼、由甚麼支援，以及若預期改變，誰要承擔後果。

公眾焦慮是憂慮的證據，並非崩盤預測

懷疑的解讀同樣適用於樂觀的企業敘事，以及自信地預測崩潰的說法。

調查是在特定問題及收集條件下量度受訪者表達的態度。它可以揭示受訪者關注甚麼，以及預期如何變化。它無法獨立確立投資回報、就業或基礎設施需求的未來走勢。

Michigan AI 泡沫調查的發現值得在這個界限內受到關注。它證明與 AI 相關的經濟風險承擔已進入消費者討論。它並未提供崩盤機率估計，亦未確立其可能發生的時間。

不同調查亦不應被合併成綜合指標。對日常生活中 AI 的憂慮，與對失業或投資泡沫破裂的恐懼不同。相關發現可提供背景，但不會回答完全相同的問題。

這種審慎同樣適用於解釋情緒變化。人們同時接觸到有關物價、就業、政治、科技及金融市場的交疊資訊。整體變動很少能單獨指出每項影響因素的貢獻。

一個尤其重要的區分，是風險承擔與結果之間的差異。依賴某項 AI 服務，會使人面對該服務變動的風險。這些變動是否造成實質傷害，取決於可用替代方案、合約保障及所涉工作。

同樣的推理可避免對技術進步作出誇大說法。公司的公告只確立其所說或計劃的內容。獨立測試、客戶經驗及營運披露則提供不同類型的證據。

投資者、員工及買家評估的結果亦不同。客戶可以從服務中受益，同時供應商卻在商業上掙扎。僱主可以取得效率提升，員工卻仍然擔心管理層將如何使用這些效率。

這些觀點並不互相抵銷。它們顯示，單一採用指標不能代替共享繁榮。使用增加須與服務質素、組織成果及利益分配一併解讀。

把公眾懷疑視為無知，還有另一重風險。一個人可能明白工具的實用性，卻仍質疑周邊機構是否值得信任。憂慮可能關乎問責，而非不熟悉。

反過來說，一宗令人擔憂的個案亦不應成為普遍模式的證據。一次失敗的實施可能反映工作流程選擇不當、資料不合適或監督不足。要確立更廣泛趨勢，需要超出個案的證據。

最站得住腳的立場仍然是有條件且具體的。識別主張、選擇可檢驗它的證據，並說明尚未解決的問題。這種紀律可同時改善報道及採購決策。

對 AI 業界而言，責任是實際的。機構需要證明，在妥善考慮實施成本及營運責任後，採用 AI 如何產生持續的效益。當外界可檢視其依據時，保證會更可信。

下一批訊號應把信心與結果連結起來

下一階段值得按以下次序透過消費者後續意見、企業披露及持續職場價值的證據審視。

首先，留意 Michigan 在 11 月最終發布的數據，以及隨後的消費者評論。問題在於，對 AI 的憂慮會否持續、變得更具體，或隨其他憂慮一同消退。若持續存在，將更能支持這代表持續經濟憂慮的說法。

若提及減少，將削弱焦慮正持續擴大的主張。無論結果如何，都要留意調查時間及研究人員使用的措辭。單憑重複出現，仍無法確定憂慮的規模及成因。

第二，檢視即將公布的企業披露，了解基礎設施承諾與營運業績之間的關係。資本開支是指在設備及設施等長期資產上的支出。它描述投資活動，而使用率及客戶需求則有助解釋其目的。

有用的問題是，公司是否提供足夠資訊來評估這些關係。持續需求的更清晰證據，將挑戰一概而論的過度建設說法。若需求疲弱而承諾持續，投資敘事將面臨更大壓力。

比較需要一致的定義。全公司收入、產品使用量及設施營運活動量度的是不同事物。把它們當作可互換，會令論點看似比基礎證據所容許的更具結論性。

第三，留意職場部署在初步試行後，是否帶來可重複的改善。最有力的證據會說明工作內容、比較方式、審核負擔及結果能否持續。一個精心包裝的示範無法提供完整交代。

可靠的改善，即使公眾信心仍然疲弱，亦會支持持續採用的理由。令人失望的結果將加大對承諾廣泛效益的機構的壓力。結果參差則較支持選擇性部署，而非得出普遍結論。

對開發者及買家而言，這些訊號支持審慎回應。繼續評估有用的應用、記錄依賴關係，並保留更換供應商的能力。要求供應商區分已可運作的能力與未來承諾。

對員工而言，對應的問題關乎協助與期望之間的關係。更快的流程有不同含義，取決於它是提升質素、減輕過勞，還是單純提高工作量。管理層應說明其打算實現哪一種結果。

在下一次推出 AI 前，先識別甚麼日常成果足以證明值得繼續。選擇一個真實工作流程、記錄其現有局限，並說明人們會如何檢查輸出結果。保持支援資訊易於取得，並決定當系統犯錯時由誰負責修正。問一問，這項好處能否在一般工作量及人員變動下持續存在。Michigan AI 泡沫調查提出了一個更廣泛的信心問題，但機構可透過可觀察的結果回答其中一部分。你對 AI 使用的哪一項主張，可讓同事毋須依賴示範或高層承諾便能驗證？就從這項主張開始，仔細測試它，並讓證據決定下一項承諾。