Apollo 的 AI 回报判断，关键在于如何衡量生产率

Apollo 最新的 AI 回报论点，给企业在扩大软件支出之前要求更充分证据的理由。但它不能确定某一家企业具体 AI 工作流程的回报。每名员工收入、利润率和宏观生产率，回答的是相互关联却并不相同的问题。

在 2026 年 10 月 24 日的 The Daily Spark 文章中，Apollo 首席经济学家 Torsten Slok 认为，财务收益尚未扩散到最大型科技相关企业之外。他描述，“七巨头”的每名员工收入与利润率上升，而标普其余 493 家公司的相应指标保持平缓。这是对已有证据的新评论，并不是一项刚刚公布的受控部署实验。

先弄清观点所覆盖的样本

S&P 493 指的是从该股票指数中扣除七家公司后剩余的成分股。不能将其视为对所有非科技雇主或所有 AI 用户的普查。

Apollo 说明，每名员工收入的比较已按通胀调整至 2019 年第四季度。这有助于界定指标，但它依然是收入除以员工人数，与每小时实际产出或完成一项业务任务的成本并不相同。

整体趋势可以与成员之间不同的结果同时存在。若要确定 AI 的影响，需要作出能够区分部署本身与其他业务变化的比较。这是在这些汇总指标基础上作推断的边界，并不代表 TechKili 已经发现了隐藏的生产率收益。

区分不同的生产率指标

美国劳工统计局 9 月 3 日的公告将劳动生产率定义为每小时实际产出。公告显示，2026 年第二季度非农商业部门的季度环比折年增长率为 1.4%，与上年同季相比增长 2.2%。这两个数字本身都没有单独测量 AI 的贡献。

全要素生产率则从劳动和资本的更广泛核算角度出发。旧金山联储 10 月 8 日更新的方法说明描述了如何调整投入使用强度的变化。这一区别很重要：更充分地使用现有设备，以及改进底层生产流程，都可能提高每名员工的产出。

在 9 月 3 日的分析中，旧金山联储研究员 Huiyu Li 说明，资本投资、劳动力构成和投入利用率都可能推动劳动生产率增长。她将 AI 对整体经济的贡献视为仍不确定。因此，每小时产出上升本身不足以归功于 AI；宏观信号尚无定论，也不足以给每一种部署都判定零价值。

增加预算之前，先定义所需证据

对企业来说，更有用的回应，是围绕变更前后的同一项工作制订测量计划。明确合格产出、完成时间、返工及人工审核的要求。在计算每项已完成任务的成本时，应包括 token 费用、集成及运行所需的人力。

初稿变快，仍可能因为需要大量修改而抵消节省。反过来，某个流程也可能有用，却不足以让一家大型上市公司的每名员工收入指标出现明显变化。这些是评估时应考虑的可能性，并非 TechKili 观察到的结果。

只有测得结果符合企业的质量和成本要求，才扩大使用。Slok 的谨慎观点与这一决定有关，但无论是总体悲观判断，还是供应商的生产率承诺，都不能替代对实际投入资金所支持工作的证据。

资料来源

• Apollo：Torsten Slok 10 月 24 日的 AI 回报评论

• 美国劳工统计局：9 月 3 日公布的第二季度修订数据

• 旧金山联储：全要素生产率方法

• 旧金山联储：Huiyu Li 9 月 3 日的生产率分析