AI能否提高生产力？

来源：https://www.bok.or.kr/portal/bbs/B0000347/view.do?nttId=10098529&searchCnd=1&searchKwd=&depth2=201106&depth=201106&pageUnit=10&pageIndex=1&programType=newsData&menuNo=201106&oldMenuNo=201106 ChatGPT等生成式AI问世不知不觉已近三年。如今，AI已成为劳动者不可或缺的工具。让AI起草报告初稿、用AI分析数据等场景已不再陌生。事实上，截至2025年，韩国国内超过一半（51.8%）的就业者在工作中使用生成式AI，这一普及速度是过去互联网扩散时期的三倍[图1]。

然而，尽管引入AI似乎加快了工作处理速度，但自生成式AI问世以来的过去三年里，国家的生产率指标并未发生显著变化[图2]。本期博客将共同探讨：引入AI是否真的减少了工作时间？节省的时间是否转化成了生产率的提升？以及如何才能发挥AI的生产率效益[1]。

该图显示了生成式AI与互联网商业化后，按年数推移的使用率变化趋势。横轴为商业化后的年数，纵轴为使用率（百分比）。互联网使用率从商业化当年（第0年）开始，到第3年左右略高于5%的水平，并在30年间呈S形上升。相比之下，生成式AI在商业化第3年时使用率已超过50%。这表明生成式AI的普及速度远快于过去的互联网。参考：将1995年设为互联网商业化年份，将ChatGPT发布的2022年设为生成式AI商业化年份。来源：ITU (https://www.bok.or.kr/crosseditor/attachs/images/000059/20260617142143163_HNWSWWKZ.png)

该折线图显示了2010年第一季度至2025年第四季度间，每季度每小时劳动生产率，即实际GDP除以总工作时间，并以2010年第一季度为100进行归一化处理。生产率指数从2010年第一季度的100逐步上升，到2025年第四季度达到约146。同时显示的2010年第一季度至2022年第三季度的趋势线，即使延伸至近期，也与实际生产率曲线几乎重合。这说明尽管生成式AI普及，但每小时劳动生产率并未在原有的长期趋势上明显加速。来源：韩国银行与国家数据处 (https://www.bok.or.kr/crosseditor/attachs/images/000059/20260617142153651_001ZWJLZ.png)

AI确实节省了时间

使用生成式AI的劳动者处理相同工作所需的时间平均缩短了3.8%。按每周工作40小时计算，相当于每周节省约1.5小时[图3]。假设这些节省下来的时间全部投入生产，潜在的生产率提升效应估计约为1.0个百分点[2]。

该分布图横轴为使用AI带来的工作时间节省率（百分比），纵轴为密度。分布在工作时间节省率为0%附近形成约25%占比的最高峰，大多数劳动者集中在-10%至+10%区间。两侧尾部向左延伸至约-25%，向右延伸至约+25%。整体形态为0%附近的高峰，并略微偏向正方向，平均工作时间节省率约为3.8%。来源： (https://www.bok.or.kr/crosseditor/attachs/images/000059/20260617142202914_BKT27GWC.png)

从个人特征来看，AI使用越多，时间节省效果越大；工龄较短的劳动者从AI中获益更多。这表明AI在一定程度上弥补了经验不足，发挥了“均等化作用[3]”。

该图显示了以工作时间节省率为因变量的回归分析中，主要解释变量的估计系数及其90%置信区间。每个系数表示相对于基准特征，各特征下工作时间节省率的平均差异。男性：+0.2，置信区间：-0.87~1.19；自雇者：+0.9，置信区间：-0.29~2.10；15~29岁：+1.6，置信区间：0.01~3.14；30~39岁：-0.2，置信区间：-1.12~0.76；40~49岁：+0.8，置信区间：-0.11~1.77；大学毕业生：+1.0，置信区间：0.20~1.80；研究生学历：+0.6，置信区间：-0.80~2.03；管理职：-0.6，置信区间：-2.01~0.90；专业职：+1.4，置信区间：0.27~2.51；服务职：-1.5，置信区间：-3.05~0.03；销售职：-1.7，置信区间：-3.26~-0.17；技能职：-1.5，置信区间：-2.78~-0.15；设备·机械操作职：-0.8，置信区间：-2.32~0.70；单纯劳务职：-2.3，置信区间：-3.94~-0.68；劳动供给弹性（前50%）：+0.2，置信区间：-0.51~0.95；AI使用时间（前50%）：+3.3，置信区间：2.46~4.23；工龄（前50%）：-1.3，置信区间：-2.14~-0.44。其中统计上显著的变量包括：15~29岁、大学毕业生、专业职、销售职、技能职、单纯劳务职、AI使用时间、工龄。参考：基准特征为女性、工资劳动者、50~64岁（年龄组）、高中毕业（学历）、事务职（职业）、制造业（行业），并控制了居住地、收入、资产、工作时间。来源： (https://www.bok.or.kr/crosseditor/attachs/images/000059/20260617142213517_R7K38VNU.png)

节省的时间并未转化为生产率

虽然AI帮助劳动者每周节省了1.5小时，似乎应该完成更多工作，但工作时间节省率与工作量增加之间的相关系数仅为0[图5]。我们将这一现象称为“AI生产率脱节(disconnect)”。AI提高了单项工作的速度，但其效果并未转化为整体生产率。

该散点图显示了工作时间节省率与工作量变化之间的关系。横轴为个人工作时间节省率（百分比），纵轴为工作量变化率（百分比），散点图中点的大小表示各受访者在总体中的事后权重。大多数观测值集中在工作时间节省率0~10%、工作量变化率0%附近，并沿垂直方向广泛分散。同时显示的回归线几乎水平，两个变量之间的相关系数约为0.00。这意味着节省工作时间较多的劳动者，其工作量并未相应增加，显示了时间节省与生产率之间的脱节。来源： (https://www.bok.or.kr/crosseditor/attachs/images/000059/20260617142222838_ZB052GL0.png)

部分群体的生产率有所提升

然而，更详细地观察也发现了例外。自雇者、青年层和专业职人群将AI节省的时间用于增加工作量。这可能是由于自雇者业绩直接转化为收入的特点、青年层快速适应数字技术的优势、以及专业职人群较高的工作自主性造成了这种差异。

该图显示了以工作量增长率为因变量的回归分析中，主要解释变量的估计系数及其90%置信区间。每个系数表示相对于基准特征，各特征对因变量的额外影响。男性：-0.2，置信区间：-0.64~0.19；自雇者：+1.0，置信区间：0.32~1.78；15~29岁：+0.6，置信区间：0.00~1.17；30~39岁：+0.6，置信区间：0.05~1.08；40~49岁：-0.11，置信区间：-0.56~0.33；大学毕业生：+0.4，置信区间：-0.13~0.83；研究生学历：+0.4，置信区间：-0.47~1.19；管理职：+0.1，置信区间：-0.59~0.74；专业职：+0.7，置信区间：0.17~1.18；服务职：-0.3，置信区间：-0.93~0.43；销售职：-0.9，置信区间：-1.99~0.19；技能职：-0.1，置信区间：-0.96~0.80；设备·机械操作职：-0.6，置信区间：-1.35~0.08；单纯劳务职：-0.4，置信区间：-1.37~0.50；劳动供给弹性（前50%）：-0.8，置信区间：-1.34~-0.19；AI使用时间（前50%）：+0.5，置信区间：0.03~0.96；工龄（前50%）：-0.4，置信区间：-0.97~0.09。其中统计上显著的变量包括：自雇者、15~29岁、30~39岁、专业职、劳动供给弹性、AI使用时间。参考：基准特征为女性、工资劳动者、50~64岁（年龄组）、高中毕业（学历）、事务职（职业）、制造业（行业），并控制了居住地、收入、资产、工作时间。来源： (https://www.bok.or.kr/crosseditor/attachs/images/000059/20260617142232806_5H4HI344.png)

为什么没有出现生产率提升？

可能主要有四个因素。1. (AI扩散停留在工作层面) 目前的AI往往局限于“特定任务”而非“整体工作”。实际上，根据我们的调查结果，能够将工作时间大幅缩短20%以上的任务仅占4.4%，时间节省效果仍然有限。2. (工作流程的僵化性) 如果不对企业组织文化、劳动者行为、工作流程等进行有机调整，仅引入AI很难期待实质性的绩效改善。如前述分析所示，在工作自主性较高的自雇者或专业职群体中观察到相对明显的生产率提升，也是出于这个原因。3. (生产过程中的瓶颈存在) 即使工作流程的大部分得到效率化，但若特定阶段存在瓶颈，整个工作仍可能延迟。例如，即使利用AI快速处理数据分析和撰写报告，但如果审批环节出现延迟，生产率提升效果也会减半。4. (激励机制的不匹配) 如果对额外绩效的奖励薄弱，人们将多余时间重新投入生产活动的动力可能较低。这也与自雇者和专业职等绩效与奖励关联度较高的群体中出现生产率提升的现象一脉相承。

但不必沮丧。因为当前观察到的生产率脱节现象，可能正如J曲线[4]或索洛悖论[5]所描述的，是通用技术引入初期出现的典型转型过程。

如何提高生产率

首先，对于成果评价标准明确的“标准化工作（如报告摘要、数据整理等）”，应围绕AI重新设计流程本身，将节省的时间连接到更有价值的活动。相反，对于人的判断和创造力至关重要的“开放性工作（如新业务、研发等）”，应将AI作为辅助工具，同时进一步加强人的能力。特别是，要确保新员工和低年资员工在将基础工作交给AI的同时，不失去重要的技能形成机会，需要重新设计学习路径。AI的潜力是明显的，但将这种潜力转化为真正成果的过程中，人和制度的作用也很重要。我们也将持续追踪和分析各种数据，寻找能够说明生产率转变的先行指标，并努力提出政策建议。

• [1] 详细内容请参考BOK Issue Note第2026-12号《引入AI能否提高生产率？初期三年的效果分析》(https://www.bok.or.kr/portal/bbs/P0002353/view.do?nttId=10098322&searchCnd=1&searchKwd=&depth2=201156&depth3=200433&depth=200433&pageUnit=10&pageIndex=1&programType=newsData&menuNo=200433&oldMenuNo=200433)。
• [2] 基于节省的时间全部重新投入生产活动的强假设和生产函数方法得出的估计值，需理解为实际生产率提升效果的上限(upper bound)。
• [3] 这与现有研究一致，即生成式AI缓解了因工龄不同导致的劳动者之间的生产率差距(Brynjolfsson et al., 2025; Dell’Acqua et al.,2026; Cui et al., 2024; Hofmann et al., 2024)。
• [4] 指新技术刚引入时，因适应过程生产率暂时下降，但完全熟悉技术后，生产率如字母“J”形状迅速上升的现象。
• [5] Robert Solow教授于1987年指出：“计算机时代随处可见，唯独在生产率统计中看不到”，指出了技术发展并未立即带来生产率提升的悖论局面。