Bloomberg Economics 的 AI 增长估算显示,英国投资先于生产率证据
Bloomberg Economics 估计,今年与 AI 相关的活动贡献了英国约四分之一的经济增长,这表明技术投资已走在广泛生产率证据之前。其报告中的计算将约 1.8% 增长中的 0.45 个百分点归因于与人工智能相关的活动。Bloomberg Economics 的 AI 增长估算描述的是对经济增长的贡献,而非 AI 占整个经济体的比重。
这一差异改变了叙事。基础设施建设、软件开发和系统部署会先带来经济活动,而后客户才可能证明自身运营获得了持久改善。英国可以从供应 AI 中获益,即使经济中其他企业仍在检验 AI 的实际价值。支出与生产率彼此相关,但回答的是不同问题。
英格兰银行提供了一个有用的参照点。其 11 月分析同样识别出 AI 的贡献,同时区分了技术开发与采用企业普遍受益之间的差别。因此,核心张力在于投资驱动的增长与已得到验证的生产率提升之间。这要求供应商维持需求,买方记录成效,政策制定者则需说明这一头条数字实际证明了什么。
Bloomberg Economics 的 AI 增长估算衡量了什么
归属于 Bloomberg Economics 的数据出现在 11 月 11 日的报道中。同期对这项 AI 增长估算的转载称,其涵盖的活动从数据中心建设到模型开发。
这一头条关注的是新增增长中的占比,而非 AI 占英国现有经济产出的四分之一。
国内生产总值(GDP)衡量一个经济体内生产的商品和服务价值。其增长贡献衡量的是该产出变化中的一部分。将变化量与总量混为一谈,会把一个重要的技术故事变成关于经济依赖程度的无依据主张。
这一头条背后的算术很直接。将报告所称的 0.45 个百分点贡献除以约 1.8% 的增长率,得出的便是四分之一。难点在于计算之前:哪些活动应归入 AI 类别,以及应将多少增长归因于这些活动。
百分点衡量的是百分比率之间的差额,不能与某个行业销售额的百分比变化互换。在比较全经济范围的估算与公司业绩或单个行业时,区分这些单位至关重要。
时间点同样需要谨慎对待。这是一份在 2026 年结束前发布、讨论本年度增长的报告。读者不应不加说明地将其视为最终的年度国民账户结果。后续发布的数据可能改变整体增长图景及其表面上的构成。
更根本的是,归因并不能证明在没有 AI 的情况下经济会呈现何种结果。这类比较需要对替代性支出、就业、投资和需求作出假设。投入技术的资源原本可能支持其他活动、保持未支出状态,或流向海外。
这并不意味着报告中的贡献毫无意义。它意味着,该估算回答的问题比“AI 是否创造了同等规模、原本不可能实现的繁荣”更为狭窄。当这些问题保持区分时,经济报道会更有价值。
对于期待全文只讨论聊天机器人的读者而言,报告所涵盖的范围也很重要。数据基础设施、软件开发、实施工作和面向客户的应用,处在同一供应链中的不同位置。与该供应链相关的增长贡献,未必主要来自员工使用对话式工具。
因此,恰当的解读应当是重要但有边界的。Bloomberg Economics 将与 AI 相关的活动视为近期英国经济扩张的重要贡献者。但这一头条本身并不能证明,AI 的采用已提升整个英国商业领域的生产率。
这一差别引出了下一个问题:即便无法确认其精确归因,官方经济数据是否支持这一叙事的方向。
官方增长数据支持这一方向,但存在局限
英国国家统计局于 11 月 12 日发布了第三季度的首次估算。其 季度 GDP 数据显示,实际产出较上一季度增长 0.7%。
官方统计显示 AI 相关行业表现强劲,同时明确限制了其能够量化的范围。
英国国家统计局指出,计算机编程、咨询及相关活动是重要推动因素。它还报告了将强劲企业营业额与人工智能及云计算联系起来的证据。不过,其数据收集方法无法分离这些活动的确切影响。
这种组合值得关注。它为认真看待技术关联提供了官方依据,同时也避免将精确的 AI 贡献变成官方结论。一个行业分类中既可能包含 AI 工作,也可能包含无关业务。
营业额,即销售收入,也不同于企业创造的经济增加值。公司的收入可能反映购入投入品,也反映其自身的贡献。强劲营业额能够证明活动的存在,但将其转化为全国增长数据仍需要进一步测量。
这一差距对于销售混合型服务的企业尤其相关。一家咨询公司可能同时实施 AI、传统软件、数据管理和维护服务。客户合同可以把这些功能结合起来,却不会将每一笔付款都分配给单独的技术类别。
从买方视角看,同样的问题也存在。一家公司可能将现代化项目描述为 AI 投资,即使大量工作涉及的是旧系统。连接数据库、清理记录和调整权限,都可能支持 AI 部署,但并非 AI 独有的工作。
这些例子描述的是测量问题,而非针对特定公司的结论。它们解释了为何官方统计人员能够观察到一种趋势,却不愿发布精确的 AI 总额。
对政策制定者而言,这会立刻对措辞形成压力。称技术相关服务支持了增长,比宣称 AI 已经改变了国家效率更贴近证据。后一种更强的说法,需要关于产出、投入和持续表现的额外信息。
对于供应商而言,官方数据支持需求存在这一事实,却不能保证其持续性。安装期间获得的收入,并不自动意味着客户将持续获得价值。买方仍需决定新系统是否值得继续使用。
对于劳动者而言,技术服务活动增强并不能解答工资、就业保障或其他领域机会的问题。全国总量汇集了经历各异的企业。总量改善可以与个别行业内部的压力同时存在。
英国国家统计局的证据强化了这一广泛事件叙事:与 AI 相关的商业活动已在英国增长讨论中变得可见。但它并未回答更具影响力的生产率问题。
要回答这个问题,需要考察企业实际产出什么,而不是将每一次技术采购都视为其客户如今运营效率更高的证明。
构建 AI 与从 AI 中获益遵循不同的时间节奏
英格兰银行 11 月的报告提供了区分这些阶段的框架。其 AI 活动分析采用了代理指标,即一种间接衡量方法,结合了多个技术相关行业。
在调整这些行业的基础增长后,该行估计,自 2026 年开始以来,新型 AI 相关活动占增长的比例略低于五分之一。该行提醒,这些行业也包含其他工作。
英格兰银行的核心区分在于:供应 AI 系统与通过使用 AI 实现更广泛收益是两回事。
其评估认为,观察到的贡献主要来自开发与实施。采用企业中更广泛的生产率收益仍未得到充分证实。这有助于解释,为何经济体可以先出现与 AI 相关的增长,而广泛的效率改善尚未变得清晰。
该行的估算不同于 Bloomberg Economics 所归因的四分之一。这些数字不应被变成一场显然有胜负之分的竞争。若没有一致的定义、覆盖范围、调整方法和时期,两者的差异无法证明哪一项估算更优。
对读者而言,它们共同指向的方向比人为的精度竞赛更有参考价值。两者都指向与 AI 活动相关的经济贡献。任何一个头条都无法消除区分技术供应与客户结果的必要性。
以一家专业服务企业中的示例性软件项目为例。雇用专家连接内部系统,会为这些专家创造工作。即便客户尚未减少延误或提高服务质量,他们的活动也已经发生。
客户的生产率提升则通过另一套过程显现。生产率指产出相对于投入的关系,例如每小时完成的工作量。要确认改善,必须衡量完整工作流程,包括核查、更正、培训和持续维护。
更快地生成初稿并不能决定这一计算。如果审核人员需要花费额外时间纠正它,某一环节的改善可能会在整个流程中消失。如果初稿能让企业以类似资源完成更多有价值的工作,那么这一论证就更有说服力。
这一差别也说明了企业应向供应商提出什么要求。演示展示的是系统能够完成某项选定任务。运营证据则展示其能否在买方的实际约束条件下可靠运行。
因此,供应商和客户可能从同一份合同中获得不同的经济结果。供应商在交付工作时记录活动。客户必须先消化实施所需的投入,才能发现项目是否改善了自身运营。
整理研究资料的知识工作者也面临类似挑战。更好的检索可以减少重复搜索,但相关结果还包括来源质量以及核实答案所需的时间。实用的 AI 知识库框架有助于界定正在评估的工作流程。
这个例子并不能证明全国生产率出现结果。它说明了,从购买技术到可衡量的改善,必须经过具体任务、记录和组织决策。
建设投资的经济意义是真实的。将其转化为持久的客户收益,仍是一个独立阶段,并有独立的证据责任。
集中支出提高了供应商和买方面临的风险与要求
投资广度与投资增长同样重要。由众多独立买家支撑的市场,与由少数重度支出者主导的市场,面临的风险敞口并不相同。
CEPR 于 11 月 7 日发布的研究通过企业调查审视了这一问题。其对 AI 支出集中度 的分析估计,在每个受调查国家中,不到 2% 的企业占据了预期 AI 支出的一半。
这些国家是英国和美国。其采用的支出概念包括技术采购以及对落地应用的支持。预期支出不等同于已完成支出,也不等同于国内经济价值。
集中度使主要客户的决策对下一阶段需求具有异常重要的影响。
这并不能证明投资过度。大型组织可能拥有更多用户、更复杂的系统,以及更多分摊部署成本的机会。支出可能集中,是因为经济活动本身也呈现集中态势。
然而,集中度会改变放缓传导的方式。如果主要买家同时推迟项目,即使小型企业仍在继续试验,供应商也可能面临压力。广泛的兴趣未必能够替代大额合同所带来的需求。
因此,关键比较应在采用范围与支出分布之间展开。偶尔使用某项 AI 功能的企业,与围绕 AI 重构运营流程的企业,属于不同的需求类别。
在解读调查时,这一区分尤为重要。询问企业是否使用 AI,衡量的是存在与否;询问支出,则从另一视角衡量承诺程度。两者都无法直接衡量财务或运营回报。
供应商之间的竞争进一步复杂化了这一图景。基础设施提供商、软件开发商和实施专家向同一轮转型出售不同投入品。它们的收入不应被视为可互换的终端用户生产率证据。
基础设施提供商可受益于对未来需求的预期。实施服务企业可受益于客户在应对复杂性时所需的帮助。应用供应商则更直接地依赖某个特定工作流的重复使用。
这些商业模式让投资者和客户面临不同的不确定性。建设活动可能先于实际利用率。实施需求既可能反映困难,也可能反映机遇。订阅续约可显示持续兴趣,却未必揭示人工监督的全部成本。
对于企业买家而言,支出集中还带来了比较对象的实际问题。拥有专职技术人员的大型组织所取得的结果,未必能够迁移至较小企业。周边资源本身就是部署的一部分。
对于供应商而言,这会提高客户证据质量的要求。宣布新合同回应的是当下需求;展示续约、持续使用和客户成果,回应的则是安装后的需求。
这些区分都无法预测投资会崩盘。它们解释了为何与建设扩张相关的增长,值得比单一国家级标题所允许的程度更细致地审视。
结合需求分布来解读时,Bloomberg Economics 的 AI 增长估计会更具参考价值。显著贡献可以与不均衡采用、集中支出以及尚未解决的客户回报问题并存。
生产率缺口既是衡量问题,也是商业检验
历史比较为耐心等待提供了依据,但并不保证成功。美联储副主席 Philip Jefferson 在 11 月 13 日的一次演讲中,讨论了技术投资与更广泛组织变革之间的间隔。
他对 技术与生产率 的论述描述了企业如何随着时间推移围绕计算机进行重组。这一比较表明,购买设备与重新设计生产流程是不同阶段。
广泛生产率证据出现延迟,既不能否定 AI 的价值,也不能证明未来回报必然到来。
这正是审视英国情况时应采取的审慎立场。早期支出可以支持未来的改善;它也可能为令人失望、重复既有能力,或需要比预期更多监督的项目提供资金。
区分这些结果所需的证据,比宣传更贴近实际运营。已完成交易、可靠服务、有用产出和资源消耗,比可用功能数量更能构成评估基础。
公正的评估还应保留原始比较条件。如果一家公司同时改变人员配置、客户结构和软件,便很难将结果归因于 AI。成功的企业可以采用新技术,同时也因其他原因而改善。
反向问题同样重要。一项有用工具可能在需求疲软时期推出,使公司整体表现持平。若没有任务层面的证据,观察者可能会错误地断定该工具毫无贡献。
这些困难使企业和国家层面的归因都充满挑战。但它们并不意味着应放弃衡量;相反,它们说明应将更狭窄的运营证据与更广泛的统计数据连接起来,而非以其中一个取代另一个。
Bloomberg Economics 的 AI 增长估计属于这种连接中较宏观的一端。它将注意力引向与该技术相关的活动。但它本身并不能识别哪些工作流带来了持久改进,或哪些投资将保留价值。
对于开发者而言,实际压力在于完成的工作,而不仅是生成的代码。审查投入、缺陷、维护和交付时间都会影响结果。只有经得起这些检验,表面上的速度提升才更具说服力。
对于企业买家而言,压力在于融入日常工作。试点项目可能依赖投入异常高的参与者和广泛支持。持续运营则检验该工作流在常规条件下是否仍然有用。
对于知识工作者而言,关键在于可靠性,也在于便利性。如果查找支撑证据所花的时间更长,那么快速给出答案的意义便会下降。检索、综合、审查和纠正应纳入同一评估之中。
这些是示例性评估标准,并非声称任何特定产品已经通过或未能通过检验。它们使讨论立足于企业能够检视的结果。
政策含义也源自同一区分。鼓励基础设施建设与支持有效采用,处理的是相关问题,但一方成功并不能证明另一方同样成功。
英国眼前的经济收益值得认可。其长期意义取决于,相关活动能否从供应系统扩展为使用这些系统的企业中持续的改进。
三项信号将说明收益是否正在扩散
下一阶段需要具体证据,而不是又一轮愈发自信的预测。未来几个月,官方修订、客户披露和运营结果将有助于区分持续建设扩张与更广泛的收益。
最有力的确认,将把持续的技术活动与技术供应链之外可衡量的改善联系起来。
第一,关注下一次官方国民账户发布及修订。ONS 季度公报指出,其下一次计划发布时间为 12 月 22 日。更新后的行业细节将有助于显示这一模式是否能经受更多信息的检验。
持续性将强化以下观点:近期与技术相关的活动构成了持续贡献。若修订显著下调相关增长,则会削弱人们对其表面规模的信心。两种结果都无法单独识别 AI 的确切因果影响。
重要的是比较各次发布中是否存在一致证据。单个月份表现较强可能反映时点因素,而一系列修订后的数据则可能改变解读。读者在比较标题时,应注意衡量期间。
第二,关注供应商披露,寻找客户是否在初始部署后持续使用的证据。续约、持续使用,以及项目进入日常运营,所提供的信息都多于单纯的公告。
这类披露需要置于语境中理解。续约可能只是维持访问权限,并不证明高强度使用。更大合同可能反映覆盖范围扩大,而非生产率提高。当供应商将持续需求与具体客户成果联系起来时,证据才会更有力。
如果买家扩大已投入运行的部署,并记录其收益,持久需求的论据就会增强。如果实施公告依然大量涌现,而持续使用的证据仍然薄弱,那么由投资驱动的解读就会更具分量。
第三,关注采用企业的产出相对于其所用资源是否发生变化。相关证据应超越开发、托管或安装 AI 的企业。
采用行业广泛改善,将强化收益正在扩散的论点。若持续增长主要局限于技术供应商,广泛生产率的主张就缺乏更多支持。两种模式都可以产生经济活动,但其长期影响不同。
企业还应区分已实现结果与预期。预测描述管理层预计会发生什么;运营比较则描述在可识别条件下实际发生了什么。两者在明确标注时都很有用,若不作解释地混合使用则具有误导性。
解读下一份 Bloomberg Economics AI 增长估计时,应将其与这些信号结合,而非将标题视为已得出的最终判决。保留其期间、归因和单位信息。将供应商活动与客户成果进行比较,并询问在把培训、审查和维护计入计算后,改善是否仍能持续。对于评估自身部署的企业,选择一个真实工作流,并保留比较结果所需的证据。问题很具体:该系统是否能帮助组织利用现有资源交付更多有用工作?在接下来的数据发布和企业更新中持续跟踪这些证据。与自动乐观或自动否定相比,它们更能揭示英国 AI 转型的真实情况。



