RBA：AI 生產力增益仍難以捉摸，數據中心加劇通脹壓力
RBA 經濟學家 Sarah Hunter 表示，AI 基建在廣泛生產力增益顯現前已增加需求，為通脹政策造成一個令人不安的時間落差。RBA 對 AI 生產力的評估，挑戰了擴展人工智能必然能在短期內紓緩成本上升的假設。
Hunter 於 2026 年 11 月 9 日在悉尼舉行的 UBS Australasia Conference 發言時，將科技投資與其最終經濟效益分開討論。她的 AI 經濟框架指出，幾乎沒有證據顯示整體生產力出現顯著提升，即整個經濟中產出相對投入的水平。這留下了一項核心矛盾：基建建設者現在需要資源，而企業仍要把新能力轉化為可靠的產出。
歷史上的參照例子是電力，其效益取決於圍繞這項技術重組生產。對 AI 採購者而言，這一比較將焦點由令人印象深刻的示範，轉向實際落地。對政策制定者而言，這提出了一個更棘手的問題：他們應如何管理在承諾增加供應以吸收需求之前便已出現的需求？
RBA 對 AI 生產力的評估實際說了甚麼
Hunter 的評估區分了已展示的工作任務改善，以及全經濟生產力加速。 這項區分很重要，因為證明兩種主張所需的證據截然不同。
一名員工更快完成一份文件，只反映某項特定任務的資訊。一家企業在資源不變下交付更多有用工作，則反映組織生產力的資訊。一個經濟體要在各行業產出更多，則需要更廣泛的模式，並能經得起衡量、匯總及其他經濟因素的影響。
將這些結果視為可互換，會造成混淆。一項成功示範可支持進一步測試，但不足以確立全國性的經濟趨勢。同樣地，整體證據薄弱，亦不代表每項企業實驗都已失敗。
Hunter 亦提到生產力 J 曲線，即在可量度的效益浮現前，先經歷投資與調整的初期階段。她以電力作比較，說明單靠更換設備未必能改變生產模式。組織重設與技術能力同樣重要。
其含意是務實而非哲學性的。購買存取權只代表可取得；把技術整合進工作流程，才決定會有甚麼改變。企業仍須決定哪些工作可轉移、哪些審批須保留，以及誰要為錯誤負責。
設想一個假設性的法律團隊引入自動文件摘要。摘要或會更快送達，但團隊仍要核實準確性、保護機密資料，並找出遺漏的背景脈絡。若審閱工作耗掉節省下來的時間，初步改善便尚未轉化為更多可用產出。
這個例子說明了衡量問題，並非聲稱某家特定公司已有已記錄的結果。相關成果是符合所需標準的已完成工作。計算生成頁數，回答的是另一個問題。
這項區分也改變了讀者應如何解讀令人失望的結果。一次不成功的推行，可能反映軟件不合用、實施欠佳、任務不合適，或期望不切實際。這些解釋需要不同的回應。
更換模型只能處理其中一部分問題。改善對來源文件的存取或可解決另一部分。重新設計審批流程，可能比任何技術改變都更重要。
因此，RBA 對 AI 生產力的討論，同時對支持者與懷疑者提出要求。支持者需要能把能力與產出聯繫起來的證據。懷疑者則需要能區分短暫調整與持續限制的證據。
任何一方都不能只憑採用情況來結束這場爭論。使用一項技術與從中獲益，是兩項不同的觀察。最具參考價值的證據，會把使用情況、資源、品質和結果連繫起來。
對關注新聞的讀者而言，這是第一項篩選準則。在決定某項報稱的改善可套用得多廣之前，先問它衡量的是甚麼。一項關於寫作速度的主張，應與一項關於公司盈利或全國生活水平的主張分別看待。
基建需求在回報實現前已到來
無論用戶何時取得效益，眼前的經濟壓力都來自建設及供應能力。 這使建設階段成為故事的核心。
一項配套的 RBA 員工分析估計，澳洲的 數據中心投資在三年間增加約十倍。作者假設約 70% 開支用於進口。扣除這項因素後，他們估計，過去一年對年度 GDP 增長的直接貢獻最多約為 0.2 個百分點。
GDP，即本地生產總值，衡量一個經濟體內的生產。因此，進口設備與本地提供的建造及服務，所帶來的影響不同。一項大型投資公告，並不會直接轉化為同等規模的本地生產增長。
同一份員工論文指出，接入電力網絡是主要限制，並描述了對部分可轉移建造技能的競爭。其發現屬員工分析，而非 RBA Board 的觀點聲明。
這些事實支持一種比最聳動新聞標題更狹窄的詮釋。數據中心可造成顯著壓力，但未必足以解釋通脹的每一項變動。其影響取決於它們需要哪些資源，以及供應商能多快作出回應。
設想一個假設性的地區，土地供應充足但電力接駁容量有限。增加建築物不會解決這項關鍵限制。有用的介入措施應涉及電網、項目排期，或另一個可靠的電力來源。
再考慮一個電力充足但專門承辦商有限的地區。它所面對的即時問題將會不同。同一項全國投資總額，可能造成不同的地方後果。
這正是為何公告不足以完整反映經濟影響。一個擬建設施、一份建造合約、一批進口伺服器貨運，以及一個投入運作的場址，分別代表不同階段。每個階段會按不同時間表影響需求和生產能力。
對科技業以外的企業而言，相關影響可能是間接的。一家計劃擴張的製造商，可能面對承辦商競爭。一名地產發展商或會面對不同的可用地盤或工程服務供應。
這些是可能的傳導渠道，而不是聲稱每家受影響企業已面對更高成本。要確定實際影響，需要本地證據。產能狀況決定額外需求會帶來更多產出、更高價格、延誤，還是三者兼有。
建設與營運之間的區分同樣重要。建造設施需要集中調動資源；營運設施則會產生不同的需求模式。
因此，投資熱潮應按不同階段評估。短期需求衝擊並不自動反映長期就業、持續建造增長，或最終的收入分配。
對企業採購者而言，這為基建公告增添另一個層面。更多規劃中的產能可令人鼓舞，但交付日期和營運限制仍然重要。當客戶能可靠地使用產能時，它才具備經濟效用。
核心張力仍然是時間。開支可以進入經濟體，但原本用以證明這些開支合理的工作流程改變，可能仍未完成。
實際任務增益仍須經受整個工作流程考驗
證明 AI 有助特定員工的證據，能強化投資理據，但不足以確定更廣泛回報的規模。 一個可信的樂觀論點，應從可量度的結果開始。
Erik Brynjolfsson、Danielle Li 及 Lindsey Raymond 的研究，考察了 5,172 名客戶支援人員使用 AI 助手的情況。他們的 客戶支援研究發現，每小時解決的問題平均增加 15%。不同員工所得的效益有所差異，經驗較少及技能較低的客服人員增益較大。
這項發現為「生產力效益只是幻想」的一概而論說法，提供了具體反證。它亦說明為何情境很重要。研究人員考察的是明確的應用、特定的工作環境及可量度的結果。
企業不能假定同樣結果可原封不動地套用於軟件開發、法律審閱或研究工作。這些活動的錯誤成本、回饋周期及相互依賴關係均不同。一項有用的比較，必須保留這些差異。
對一個假設性的軟件團隊而言，更快生成程式碼只是中間結果。業務成果取決於該程式碼能否通過審閱、正確整合，以及保持可維護性。更快產出不合用的程式碼，只會在後續造成額外工作。
對一個假設性的支援營運而言，回應速度亦不足以說明一切。解決品質、重複聯絡、升級處理及客戶結果，有助判斷改善是否持續。衡量整個服務流程，可減低獎勵只把工作轉移到其他地方的活動之風險。
這些例子解釋了可見的任務效益與組織成果之間的差距。它們並不反駁客戶支援研究，而是指出另一個組織在借用其結論前需要測試甚麼。
比較供應商時，同樣的邏輯亦適用。Microsoft 和 Google 是企業採購者熟悉的參考點，但品牌知名度並不能證明生產力成果。公平的評估應對各個候選方案採用相同的任務定義和品質標準。
這種做法令比較聚焦於文章的核心矛盾。問題在於科技開支能否在採購組織內產生可用產能。圍繞產品公告的競賽，所提供的答案較不實用。
因此，採購團隊應區分吸引人的示範與營運承諾。示範顯示在選定條件下發生了甚麼。承諾則需要確信其在買方實際限制下的表現。
取得組織知識亦應納入這項評估。對考察技術資訊如何流向其工具的團隊而言，一個 可搜尋知識庫可提供相關的工作流程參考。它仍應與其他投資一樣，按照相同的成果標準評估。
AI 生產力最有力的論據是累積而成的。具體增益需要持續存在、擴展至適當的工作，並超過取得這些增益所需的資源。這個過程可以帶來可觀效益，卻不代表每一項早期主張都正確。
最有力的懷疑論回應同樣應具體指出效益在哪裏消失及原因。相比泛泛的失望，有證據顯示驗證、整合或需求有限，令工作改善未能轉化為商業價值，會更具資訊價值。
為何生產力提升不保證通脹下降
經濟體可以變得更具生產力，卻不會因此出現永久性的通脹下降。 生產能力與價格增長是透過需求相連，而非存在固定的機械式關係。
Hunter 的立場容許隨着產能擴張，初期投資壓力有所緩和。不過，她仍形容 AI 對長期通脹的影響大致可能保持中性。這不同於預測 AI 會持續壓低價格增長。
當把單項工作變得更便宜，與整體支出區分開來，這種差異便會更清楚。自動化後，個別活動可能需要較少資源。企業及家庭仍可選擇把節省下來的資金用於其他地方。
假設一間公司利用效率提升來擴展服務、開發另一款產品，或進入新市場。這些選擇可能會帶來對勞工、設備及供應商的需求。即使其他方面的支出增加，原本的節省仍然是真實的。
這是一個分析示例，而非對每間公司行為的預測。其目的在於說明，生產力增長本身並不能決定通脹。需求的反應同樣重要。
在其inflation outlook discussion中，Hunter 表示，RBA 已將科技相關商品價格及建築業外溢效應納入考量。她亦強調，石油價格假設解釋了最新通脹預測修訂的相當部分，尤其是整體通脹。
這項限定收窄了可合理歸因於數據中心的範圍。AI 投資屬於通脹評估的一部分，但不能取代對能源、住房、工資及其他因素的評估。
問答環節亦否定了政策制定者突然放棄即時生產力效益預期的說法。Hunter 表示，一直預期顯著收益需要時間才會出現。因此，她的評論描述的是投資前景正在演變，而不是新近發現的實施延誤。
對讀者而言，實際教訓是避免把一項有條件的機制演繹成必然的利率預測。已識別的需求來源並不能揭示完整的政策反應。政策制定者必須評估各種壓力之間的平衡。
暫時性瓶頸與持續通脹之間亦有分別。受限制的供應鏈在擴張期間可能出現急劇價格變動。這些壓力會否擴散或持續，取決於其他環節如何調整。
企業買家亦面對相關的預算問題。更高效的軟件流程並不保證其運作所需的每項投入都會變得更便宜。能源、設備、人手及融資可各自走出不同路徑。
這令 RBA 對 AI 生產力的評估不僅與澳洲相關。它提供一種方法，將技術樂觀情緒與對更廣泛成本環境的假設分開看待。這項區分亦有助解釋，為何強勁投資與審慎的貨幣政策可以並存。
因此，對科技領袖而言，聲稱可提升效率，比承諾全經濟範圍的價格紓緩更站得住腳。前者可在界定清楚的工作流程中測試；後者則需要對整個經濟體的反應作出假設。
目前證據支持審慎量度及有條件的判斷。它並不支持把 AI 視為自動治癒通脹的方案，或視為通脹持續的完整解釋。
能源及就業證據令投資故事更為複雜
實體限制及勞動力影響不均，令單憑總體支出更難判斷轉型。 它們亦為樂觀及懷疑兩種情境帶來不同的檢驗標準。
國際能源署更新的data center electricity outlook預計，耗電量將由 2025 年的 485 太瓦時增至 2030 年的 950 太瓦時。太瓦時用以量度一段時間內的用電量。這些數字涵蓋整體數據中心，而非僅指 AI。
IEA 亦指出，電力基建及晶片供應鏈的瓶頸正趨於收緊。其預測取決於需求、效率、融資及交付等假設。它們是規劃情境，而非保證的耗電結果。
對生產力辯論而言，電力引入另一項時間依賴。軟件改良可以毋須完成新的電力接駁便交付。要擴展支援更大使用量的實體系統，則可能需要不同的投資次序。
這種錯配為基建投資者帶來風險。強勁的客戶興趣並不能消除交付限制。同樣地，完成一項設施亦不能證明需求足以支持預期回報。
效率帶來另一重不確定性。如果一項工作所需電力較少，該工作的資源需求便會下降。總耗用量仍取決於人們進行該工作的頻率，以及哪些新工作變得具經濟效益。
假設一間企業利用效率改善，在產出不變下減少資源使用。另一間企業則可能因活動更容易合理化而擴大使用量。兩種反應均符合技術效率提升。
就業則帶來另一項量度問題。RBA 研究員 Mike Major 的labor market monitoring發現，至今澳洲整體幾乎沒有重大擾亂的證據。研究發現，較易受影響的職業可能出現初步疲弱，尤其是在年輕勞工之中，但亦提醒不應作出因果結論。
該論文明確屬描述性研究。職業受影響程度的指標顯示工作可能改變的潛力，而非記錄實際採用或職位取代。更廣泛的經濟環境亦可影響招聘。
這份審慎態度兩面皆適用。整體就業穩定，不能證明每個職業群組均未受影響。易受影響職業的招聘轉弱，亦不能證明是 AI 導致變化。
對僱主而言，這些區分意味應檢視工作如何進入機構。減少招聘、讓職位空缺不予填補，以及重組現有職位，是不同的調整。一則關於總人數的標題可能忽略這些差異。
對初入職場的勞工而言，相關問題不僅是某個職位會否消失，也包括當例行工作改變時，員工如何累積經驗。因此，培訓設計應成為嚴謹實施計劃的一部分。
這些不確定性不會否定投資理據，而是界定其條件。成功轉型需要具備可用基建、有價值的應用，以及能把技術能力轉化為有用工作的組織安排。
這是一項嚴格標準，但比起計算設施、授權或生成產出的數量，亦更具資訊價值。每項計數都描述活動；沒有任何一項能獨立證明最終經濟回報。
三項訊號將檢驗生產力回報
下一批有用證據將把支出連繫至交付，再把交付連繫至持續產出。 未來三個月，讀者應追蹤這個順序，而非期待單一決定性公告。
首先，留意基建承諾會否轉化為運作中的產能。公司更新應區分規劃中的設施、正在建設的設施，以及可供客戶使用的產能。如有披露，接駁里程碑及客戶使用率將有助釐清實體投資是否按進度推進。
這首先會檢驗故事的需求面。若持續施工之餘服務可用性延遲，便會強化本文所述的時間落差。已完成產能若能交付予客戶，則會削弱該項限制，但生產力問題仍有待回答。
取消項目則需要另一種解讀。這可能減低未來的資源壓力，同時亦挑戰先前對需求或回報的預期。較少建設並不會自動構成生產力更佳的證據。
第二，留意企業報告中採用以外的成果。相關證據應把 AI 使用與已完成工作、質素、資源需求及持續的組織表現連繫起來。當公司說明比較基礎並列出實施成本時，其主張會更具資訊價值。
若可比較的營運活動反覆出現改善，將強化工作層面的收益正轉化為更廣泛業務收益的理據。若持續強調使用量而缺乏相應成果，該理據仍不完整。兩種結果均不足以把每間公司的經驗外推至整個經濟體。
獨立評估在此尤其有用。買家需要知道，改善是否能在經挑選的示範以外持續。他們亦需要了解誰會受惠，以及哪些工作流程維持不變。
第三，連同更廣泛的經濟背景，一併觀察通脹組成及招聘模式。科技相關商品、建築壓力及職業招聘提供不同的調整視角。其變動應與其他影響因素一併解讀，而非自動歸因於 AI。
若瓶頸紓緩並配合更強勁的業務產出，將削弱投資需求跑在效益前面的憂慮。若限制持續而成果證據有限，則會強化這種憂慮。若結果參差，便需要按行業作更具選擇性的評估。
就業證據需要特別審慎處理。初級職位招聘的轉變，可能在整體就業數據反映前已具重要性。要確定原因，仍不能只觀察受影響工作是否容易受 AI 影響。
這些訊號為開發者及企業買家提供實際方法，以解讀即將出現的新聞。新模型發布可以提升能力，但實施證據決定該能力是否解決營運問題。基建公告可以擴大機會，但交付決定客戶何時可以使用。
在批准另一項 AI 推出計劃前，先界定何種成果足以證明其合理性，以及判斷該成果所需的證據。把已完成工作、質素、審核工作量及總資源與現有流程比較。不同供應商之間應維持一致的比較方法，並記錄表面節省在哪些地方帶來額外工作。RBA 關於 AI 生產力的辯論令這種紀律更具關聯性，因為基建需求已是經濟圖景的一部分。企業毋須在行動前先解決全國生產力問題，但必須對自身成果作出可信的交代。追蹤下一批產能更新、營運披露及勞動力證據，然後問每項新主張究竟展示了有用產出，還是僅記錄更多支出。
