5% 对 1.3%：AI 提效先落在少数行业，差距不只在模型
一组按行业拆分的生产率统计值得记下来：自 2022 年底以来，AI 使用最密集的三个行业，人均产出年均增长约 5%，是这些行业历史速度的两倍多；其余私营部门只有 1.3%。两者相差 3.7 个百分点，按这个速度粗略复利，三年累计差距约 11%。
这组数字很容易被读成「AI 开始提效了」。更准确的说法是：提效先发生在少数已经把工作流程改过来的行业，平均线还没有动。
先把数字放回它该在的位置
5% 是「AI 使用最密集的三个行业」的均值，不是所有行业的平均值，也不是采用率。它说明的是样本内部的产出变化，不能直接推成「用了 AI 就能多出 5%」。
1.3% 是其余私营部门。这个池子里既有还没把 AI 接进核心流程的企业，也有用了但只停留在个人工具层面的企业。两条线放在一起，只能看出分布；因果还要另找证据。
还有一个容易被忽略的口径：这里说的是「人均产出」，不是「每小时产出」，也不是全要素生产率。三个指标听起来接近，回答的问题完全不同。人均产出会被人数变化影响；每小时产出更接近效率；全要素生产率还要扣除资本和劳动的投入。
时间起点也值得注意。2022 年底正好是生成式 AI 进入日常工具的节点，但同一段时间里还有需求变化、行业周期、融资环境等变量。单看一条线，不能把账全记在 AI 头上。
3.7 个百分点，可能来自三种不同的东西
一种是流程真的改了。AI 只有嵌进一条有反馈的流程，才会稳定变成产出：客服有工单和质检，编程有测试和代码审查，文档有模板和审校。模型只是其中一环。把这些环节重新排过，减少返工、等待和来回确认，人均产出才会动。
另一种是资本深化。人均产出上升，也可能是因为每个员工配了更多算力、更多工具、更多自动化。投入变成了机器，产出自然分到更少的人头上。要判断这是不是效率提升，得看每小时产出，并在扣除资本投入后再看。一个关键问题是：把资本深化算进去，5% 还剩多少？公开信息里没有给出答案。
第三种是统计和结构。人均产出是「产出除以人数」。人数下降，比值也会上升；高产出企业占比上升、低产出企业退出，同样会推高行业均值。AI 生成的内容怎么计价、免费工具怎么计入、质量变化怎么调整，都是老问题。5% 不一定全是「同样的人做了更多事」。
为什么偏偏是这三个行业
把它们的共同点拆开看，与其说这些行业更聪明，不如说它们更方便把模型接进流程。
- 本来就有数字化基础：数据、日志、接口、度量都在。
- 任务更容易切成「输入—处理—验收」的闭环。
- 规模足够大，能摊薄工具和算力成本。
- 错误有明确的接住方式：代码有测试，客服有抽检，文档有审校。
这四条里，前两条决定能不能开始，后两条决定能不能持续。缺一条，AI 就只能停在演示阶段。反过来，一个行业如果数据散在个人电脑里、验收靠口头，模型再强也只能做草稿。
对大多数公司，5% 不是可复制的目标
中位数企业不需要为了 5% 去买最贵的模型。大量任务用便宜模型加固定流程就能做，真正的瓶颈在流程、数据和验收，不在参数规模。先找一条一周能跑完的闭环，比全公司铺开更有用。
可以先用三个问题自测：
- 这件事有没有稳定的输入和输出？
- 出错能不能被自动发现，或者被人快速发现？
- 省下来的是返工、等待、切换，还是只是打字速度？
三个问题答不上来，买工具只会多一个入口，不会改变产出。反过来，如果一件事同时满足「输入稳定、错误可查、省的是返工」，它通常值得先交给机器。
接下来该盯什么
如果这轮变化是真的，后面应该能看到四个信号。
- 每小时产出也出现同样的加速，而不只是人均产出。
- 扣除资本深化之后，5% 与 1.3% 的差距仍然存在。
- 差距从三个行业向更多行业扩散，而不是只在头部集中。
- 中小企业的采用率跟上，而不是只有大公司买得起。
反过来，如果调整之后 5% 只剩下 1% 出头，那这轮更像少数公司的资本开支故事，而不是普遍的生产率革命。
把 5% 当成信号，不要当成承诺
AI 提效更可能是一组分布，而不是一条平均线。5% 对 1.3% 的意义在于：先把流程改好的那部分，已经先跑出去了。
本文只讨论生产率数据的读法，不构成投资或经营建议。