Apollo 对 AI 回报的警告挑战了科技业以外回报的论据

Apollo 首席经济学家 Torsten Slok 表示，尽管企业持续投资且 AI 得到广泛采用，人工智能在科技行业以外尚未带来财务回报。他于 2026 年 10 月 24 日发布的评估，将科技巨头不断改善的财务表现与美国其他企业中较为疲弱的证据进行了对比。Apollo 对 AI 回报的警告令一个熟悉的承诺承压：个人工作效率的提升将转化为更强劲的公司业绩。

这一结论值得审视，包括审视其自身的局限性。一项于 10 月更新的大型国际商业调查报告称，AI 带来了温和的生产率收益，而非毫无收益。职场实验也记录了特定任务上的改进。这两项发现都不足以证明出现了广泛的利润繁荣，但都令一概否定的说法变得更复杂。

核心冲突在于，使用 AI 与从中获得回报之间存在距离。Microsoft 和其他科技供应商可以在客户确认这种访问权限是否改善其经济效益之前，就出售访问服务。对于企业买家、开发者和知识工作者而言，问题在于，有用的辅助是否能在验证、协调和业务约束的过程中持续发挥作用。

Apollo 对 AI 回报的警告实际衡量了什么

Slok 的 AI 回报评估比较了由大型科技公司组成的“七巨头”与其余标普 500 成分股。他指出，前者的人均营收和利润率正在上升，而后者的表现则较为平稳。

他的报告还指出，几乎没有证据表明 AI 推动了更广泛的生产率增长。报告认为，支出仍然高度集中，并称主流企业正日益关注持续使用模型的成本。这些是 Apollo 对证据的解读，而非针对企业部署情况的受控研究结论。

Apollo 发现了 AI 热情与广泛财务表现之间的差距，但其比较并未分离出 AI 的影响。

人均营收衡量的是销售额相对于员工人数的比例。它可能因员工生产率提升而上升，也可能因为价格上涨、人员变化或企业将工作外包而上升。企业即使完全未引入 AI，也可能改善这一比例。

利润率又引入了另一组影响因素。投入成本、竞争压力、产品组合和会计决策，都可能独立于员工效率而改变利润率。AI 部署可能降低一项运营支出，同时却被无关的业务问题抵消其收益。

这些比较组同样需要谨慎看待。其余标普 500 公司并非科技业以外企业的纯粹样本。科技巨头也并不构成 AI 采用情况的干净实验。它们的商业模式、市场地位以及对基础设施需求的敞口，都与其他公司有所不同。

这并不意味着 Apollo 的比较毫无意义。它使这些图表能够用于识别一种财务模式，但在解释其成因方面存在局限。广泛的财务疲弱可以与特定部门内成功的部署并存。

时机之所以重要，是因为 Slok 发布的是对当前回报的评估，而非对最终技术能力的预测。他的主张关乎收益如今是否已经可见。这将举证责任置于当前结果之上，同时仍让长期轨迹悬而未决。

因此，更有用的解读应比标题最强烈的含义更为狭窄。Apollo 正在质疑广泛财务回报的证据。若要证明科技业以外没有任何企业从中受益，则需要更为详尽的调查。

财务团队面临转化难题

眼下的压力落在同时负责技术投资和经营业绩的管理者身上。首席信息官可以展示员工采用情况。财务负责人仍需说明业务实际发生了什么变化。

节省的时间只有在组织能够利用这些时间，或获取另一项可衡量的收益时，才能转化为财务回报。

设想一个假设的服务团队引入 AI 来协助起草客户回复。客服人员更快完成初步回复，但主管仍需审阅。如果审批依然是瓶颈，公司可能无法处理更多请求。

这种部署仍可能改善工作条件或回复质量。这些结果很重要，但它们支持的商业论据与提升吞吐量不同。公司不应仅因每种结果听起来都很积极，就将它们混为一谈。

当员工以更少的投入完成既有工作时，转化问题也会出现。任务缩短并不会自动改变薪酬、人员需求或客户需求。收益可能转化为闲置产能、加班减少，或对复杂案件投入更多关注。

每种结果都需要各自的证据。减少加班可以直接影响费用。更好的服务可能随着时间推移改善客户留存。闲置产能则在组织能够将其重新投入客户需要的工作时才具有价值。

开发者面临类似约束。更早生成一项应用功能，并不一定会缩短其通过安全审查、集成测试和发布审批的路径。在不受约束的阶段加快生产，可能不会改变整体交付速度。

这就是为什么财务团队应区分有前景的演示与运营结果。演示表明工具能够完成一项任务。运营结果则表明，使用它是否改变了实际工作流程的表现。

供应商的经济账不同。Microsoft、Google 和其他提供商可以从客户的使用中获得收入，而该客户仍在评估收益。它们的商业成功与买家的回报彼此关联，却属于不同的账目。

同样的区别也适用于相互竞争的模型提供商。技术更强的模型或许能够解决一个足以证明其使用合理性的难题。另一项工作流程可能只需要可靠检索和简短回答，使额外能力在经济上无关紧要。

因此，买家面临的决策比是否拥抱 AI 更为具体。他们必须确定希望它消除的约束是什么。如果拟议部署未能解决该约束，采用数据几乎无法带来安心。

这使压力转向采购和部署选择。企业需要有理由扩大有效应用，有理由修订表现不佳的应用，也需要有办法停止。没有这些区分，试点项目可能持续产生活动，却无法产生站得住脚的结果。

新的企业数据令“零回报”主张更复杂

最有力的限定来自更直接考察企业的研究。2026 年 10 月修订的 企业 AI 采用研究调查了七个国家近 9,000 名高级管理人员。作者包括 Ivan Yotzov、Jose Maria Barrero、Nicholas Bloom 及其合作者。

更新后的论文报告称，78% 的受访企业使用 AI。管理人员将过去三年中劳动生产率年增长率提高 0.2% 归因于 AI 的采用。他们预计未来三年将带来更大的、每年 0.6% 的贡献。

这些发现描述的是温和的自述收益，并非一个被 AI 改造的经济体。它们同样不支持将所有企业生产率收益视为不存在。

更新后的证据削弱了“零回报”的字面主张，但尚未证明出现了广泛的财务转型。

研究的修订日期很重要。早期报道描述的是规模较小的调查，并强调观察到的影响有限。若不查阅更新后的论文而报道旧发现，将会错过现有证据中的实质变化。

作者还发现，支出高度集中。仅 2% 的企业占报告中 AI 支出的一半以上。这种集中度支持谨慎态度：不应利用知名采用者的高强度活动来描述典型公司。

不过，这项调查并未解决 Apollo 的论点。管理人员报告的是感知到的生产率影响，而这些评估并不等同于经独立审计的财务收益。受访者可能高估收益、忽视收益，或将无关变化归因于 AI。

劳动生产率，即产出相对于劳动投入，也不同于盈利能力。一家公司可以更高效地生产，同时在软件和实施上花费更多。竞争压力随后可能通过更好的服务或更低的价格，将部分收益让渡给客户。

调查中的国家和公司与 Apollo 的股票市场比较不同。这些衡量方法通过不同样本和方法探讨相关问题。应将其结果结合考察，而不应假装其中一项直接复现了另一项。

高管调查有助于揭示采用情况和管理层预期。财务报表显示公司结果，却很少能够分离某项特定技术的贡献。受控实验可以更清楚地识别局部影响，尽管其发现的适用边界更窄。

对于买家而言，这种组合反对自满，也反对一概否定。证据中确实出现了一些可衡量的收益，但其规模和分布值得关注。温和的平均效应为成功应用留下空间，也为收效甚微的部署留下空间。

商业含义很直接。提供商不能只通过指出使用量增长来证明客户回报。怀疑者也不能只通过指出整体利润率持平来证明普遍失败。两种立场都需要在部署与结果之间建立更清晰的联系。

工作场所收益不足以证明公司利润

一项已发表的客户支持研究提供了 AI 改善明确工作流程的具体例子。Erik Brynjolfsson、Danielle Li 和 Lindsey Raymond 研究了一种由 5,172 名客服人员使用的对话式助手。他们的 客户支持生产率研究报告称，每小时解决的问题数量平均提高了 15%。

不同员工获得的收益各不相同。经验较少、技能较低的客服人员在速度和质量上均有提升。经验最丰富、技能最高的客服人员获得的速度收益较小，同时质量略有下降。

AI 可以改善一项运营任务，但这并不能证明它为每位员工、每家公司或每个行业带来回报。

这种差异对部署很重要。帮助新员工找到恰当回复的工具，对经验丰富的同事可能帮助较小。将平均收益应用于每名员工，会掩盖一项重要差异。

这一结果也比笼统的参与度指标更贴近工作本身。已解决的客户问题将辅助与完成的服务活动联系起来。若仅统计生成建议的数量，工具行为与业务价值之间将留下更大的鸿沟。

即便如此，生产率与利润仍然是两回事。所报告的改善并不会自动得出全公司范围的利润率估算。要完成这一计算，还需要了解实施情况、使用成本、监督需求以及新增服务能力的价值。

这项研究同样聚焦于一家软件企业的支持工作。它展示了一种与其他服务场景相关的机制，但并不能独立证明其结果适用于非技术行业。要将其结论推广出去，还需要来自那些场景的证据。

一项覆盖范围更广的职场实验得出了不同但互补的结果。Eleanor Wiske Dillon、Sonia Jaffe、Nicole Immorlica 和 Christopher Stanton 对66家公司中的7,137名知识工作者进行了研究。他们的职场 AI 实验随机向部分人员提供了集成于常用应用程序中的助手访问权限。

在实验后期，接受干预的员工中活跃用户每周花在电子邮件上的时间减少了两小时。研究人员还报告称，正常工作时间以外的工作有所减少。他们未发现，个人获得访问权限会对任务数量或构成带来更广泛的变化。

这是一个重要区别。减少处理电子邮件的时间可以让员工受益，即使这并未带来额外销售额或完成更多项目。减少正常工作时间以外的工作，同样可能具有价值，却未必会立即体现为公司收益的增长。

这些研究共同说明，为生产率贴上单一标签为何可能混淆讨论。更快地解决问题、更少的电子邮件投入、更高的质量和更高的利润，描述的是不同结果。某一项的证据不应被悄然延伸为全部结果的证据。

对于企业团队而言，关键在于衡量方式。相关结果应当与部署目的相匹配。支持助手应接受服务指标的评估；研究助手则应依据证据质量和可用产出接受评估。

这一区别同样适用于可搜索知识库。找到一份文档只是中间事件。组织层面的收益取决于该信息是否能帮助某人解决问题、避免返工或完成决策。

在压力之下，人们往往承诺能将辅助自动转化为回报。这些研究表明，在特定条件下确实存在有益效果；它们也说明，在预测更广泛回报之前，公司为何需要审视剩余的工作流程。

宽泛指标无法给出清晰的 AI 结论

即使承认存在成功的任务案例，怀疑论的理由仍然充分。企业受到助手本身无法消除的约束。更快的初稿仍可能等待审批，额外产出也仍可能遭遇有限的需求。

来自丹麦的证据凸显了另一条边界。Anders Humlum 和 Emilie Vestergaard 将采用调查与行政劳动力市场记录联系起来。他们的AI 劳动影响研究发现，工作方式发生了广泛变化，但收入或记录工时没有可检测到的影响。

这些结果并未衡量公司或员工可能获得的所有收益。但它们确实挑战了一种假设：采用 AI 会迅速在传统劳动力市场指标中带来可见变化。工作可以先于工资或记录的工作安排发生变化。

疲弱的宏观指标会限制关于 AI 繁荣的论断，但它们并不能识别每一项部署的表现。

Apollo 还提到了全要素生产率，这是一项衡量产出增长超出劳动和资本投入已测变化的指标。其利用率调整版本考虑了这些投入使用强度的变化，有助于将部分周期性影响与基础效率区分开来。

这一指标仍然比 AI 的范围更广。其他技术、组织变革、测量问题和经济状况都会影响结果。全国范围的时间序列无法直接识别某家公司引入助手后发生了什么。

生产率衡量数据说明了这种区别。在截至2026年第二季度的四个季度内，未经调整的全要素生产率增长了1.42%。经利用率调整后的对应指标则下降了0.07%。

这种背离说明，所选指标为何重要。它并不表明通常意义上的生产率停止增长，也不表明 AI 导致了其中任何一个结果。关于 AI 的论断还需要额外论证，将采用行为与观察到的经济变化联系起来。

时间问题同样存在。财务结果可能在实施之后延迟显现，特别是在企业调整职责或系统时。然而，未被具体说明的未来回报，不能无限期地为当前每一笔支出提供正当性。

双方都面临举证责任。倡导者需要证明，收益能够在运营成本和组织约束下存续；批评者则需要证据，才能将缺乏总体信号解读为普遍失败。

质量带来了另一项复杂因素。一个能产出更多材料的系统，也可能带来更多审查工作。如果组织只衡量生成速度，就可能忽略纠正无依据陈述或不一致决策所需的投入。

反向问题也同样存在。助手可能帮助员工避免代价高昂的失误，或服务一位难以应对的客户。狭窄的速度指标可能遗漏这种收益。可信的评估需要反映实际工作的结果。

这些限制应使报道更加精确。关于利润的陈述应使用财务证据；关于任务速度的陈述应明确任务；关于经济转型的陈述应讨论采用的规模和分布。

当 Apollo 质疑从可见活动直接跳跃到广泛回报时，其警告最有力。若将其解读为有益收益不存在的证明，则说服力较弱。现有证据支持审视转化过程，而非作出普遍性判决。

下一步证据必须将支出与结果联系起来

在下一个报告期内，辩论应取决于可观察到的变化，而非相互竞争的声明。相关信号涉及客户结果、收益分布和持续使用的经济性。它们共同能够区分选择性成功与广泛的财务回报。

决定性的证据将把 AI 的使用与更广泛企业中的已完成工作和财务结果联系起来。

首先，关注大型技术供应商以外企业的下一轮财报披露。最有价值的披露会将某项明确部署与运营指标联系起来，并说明相关成本。关于员工采用情况的泛泛表述，证明力会弱得多。

零售商、保险公司或制造商若能说明某个工作流程在哪方面得到改善，以及这如何影响业务表现，就能强化这一论点。这种关联比单独声称节省了多少工时更重要。读者还应留意对审查要求和实施投入的讨论。

此类披露若反复出现，将削弱对 Apollo 警告最宽泛的解读。若持续依赖模糊的效率表述，其核心担忧仍将存在。仅凭供应商营收增长，无法回答客户回报的问题。

其次，关注后续企业调查是否显示，收益正在从最密集的采用者向外扩散。10月的研究更新已表明，报告中的生产率收益较为温和。下一个问题则是其覆盖面、持久性及其与实际运营结果的关系。

平均值上升值得关注，但分布仍然重要。若收益集中于一小部分群体，其描述的经济状况将不同于收益扩展到普通企业的情形。具有代表性的样本可以避免让显眼的成功案例被当作典型结果。

调查修订也需要谨慎比较。国家样本或问题措辞的变化都可能改变报告画面。读者应比较等价指标，再将新数字解读为加速或逆转。

第三，关注扩大的部署是否会随着使用量增长而改善其经济性。若验证和纠正工作也同步增加，生成更多产出并不足够。有意义的信号是，相对于所需资源，有用的已完成工作得到改善。

这尤其适用于获准跨业务软件采取行动的系统。令人信服的部署应展现可靠的完成情况、可控的人为干预以及对工作流程的明确收益。在密切监督下成功的演示，回答的是一个更狭窄的问题。

续约、缩减和取消也将提供线索，但每一种情况都需要结合背景理解。续约可能反映感知到的价值、切换困难，或尚未完成的评估。取消则可能反映实施不佳，而非底层技术的失败。

对于知识工作者而言，实际含义是让辅助与结果之间的联系保持可见。个人知识管理工作流程可以整理有用材料，但仅有组织整理并不能证明存在财务回报。当更好的访问能力改变了实际决策或交付物时，证据才会更有力。

阅读下一项 AI 成功主张时，应将其分母纳入视野。问一问：哪些工作得到了改善，谁的投入发生了变化，又有哪些成本仍然存在。区分员工更快完成工作与公司赚取更多收入，同时承认两种结果都可能重要。当企业能够持续解释这种联系时，Apollo AI 回报之争将变得更清晰。在此之前，应将采用主张与已完成工作相比较，将报告的节省与运营结果相比较，并清楚看到每项研究的边界。当一个组织展示其下一项部署时，询问它原本旨在改变什么结果，以及证明该结果确已改变的证据。更快的初稿、检索到的文档或生成的答案进入业务其余环节之后，发生了什么？