AI的落地难题、应用案例和生产率悖论

一、AI的企业应用仍处于初期阶段

人工智能的2C应用进展很快，2024年美国居民生成式AI的渗透率已达39.6%（来源：圣路易斯联储）。然而，当前的模型厂商还热衷于评分打榜、技术炫耀，企业应用尚处于早期阶段。迫切需要找到丰富落地场景，加快推进AI和各行各业的深度融合。

国联证券对A股上市公司财报中提及AI的情况进行了梳理，近年提及数量迅速增加，从2020年的172家上升至2023年的超过1200家，然而在所有A股上市公司的占比仍然不高，2023年还不到20%。根据国家经济研究局（NBER）数据，截止2024年2月，美国AI企业采用率仅有5.4%。根据欧盟统计局数据，2024年欧盟各国AI企业普及率在3.1%-27.6%之间，总体为13.5%。如下图所示。各国对问题的定义和调研方法有所不同，以上数据不能简单横向比较，但都反映出AI的企业应用还处于初期阶段。

图 2024年欧盟的AI企业普及率

来源：根据欧盟统计局数据整理，2025

二、信息密度越高，AI应用越易越深

AI的企业应用具有明显的行业差异，它与信息密度有关。大体是信息密度越高，AI应用越容易越深入；信息密度越低，AI应用越滞后越困难。

根据国联证券数据，A股上市公司2023年财报提及AI数量最多、占比最高的行业都是计算机，有超过250家提及，占比超过70%；提及数量居前五的还有电子、通信、传媒、机械设备，占比居前五的还有通信、传媒、银行、电子。总之，计算机、通信、传媒等信息密度高的行业对AI的重视程度高、潜在应用机会大。然而，有超过一半的行业提及比例不足10%，食品饮料、农业、石化、钢铁等行业均只有1家企业提及，煤炭行业提及数量为零。如下图所示。

图 A股上市公司2023年财报提及AI的企业数量和比例

美国人口普查局的调研有相似结论。全美AI采用率最高的行业是信息业，为18.1%；其次是专业/科学和技术服务，占比远超10%；教育服务业、房地产和租赁业、公司和企业管理、金融保险业等四个高信息密度行业紧随其后，占比远超5%。占比最低的是农林牧渔，仅有1.4%；其次是建筑业、运输仓储业、住宿餐饮业、采矿/采石/石油和天然气开采等四个低信息密度行业。如下图所示。

图美国各个行业当前和预期的AI使用比例（公司加权）

来源：美国人口普查局，2024

三、典型案例：编程、广告和客服对话

就市场现状来看，编程、广告、游戏、客服对话、金融、教育、医疗、气象、自动驾驶、新药和新材料研发等信息密度高的领域，走在AI应用的前列。当然，其它因素的影响也不容忽视。例如，金融和医疗本质上都是信息处理行业，但前者对安全风控有极高要求，后者长期存在数据孤岛问题，这都制约了AI的落地。

可以说，编程是受大模型影响最明显的领域。在硅谷，一种称为“Vibe Coding（氛围编程）”的全新编程方式正在兴起。截止今年4月，谷歌超过30%的新代码是由人工智能生成，微软有20%-30%。参加YC孵化器2025年冬季批次的创业公司中有四分之一，其代码库的95%由人工智能生成。受影响程度跟编程语言有关，微软纳德拉（2025.4）表示，在Python语言中，人工智能生成代码的进展较为显著；在C++语言中，进展相对较小。

今年3月，科技公司高管纷纷作出AI编程的预测。Anthropic和OpenAI认为今年AI将能够编写90%以上（甚至99%）的代码；微软表示，到2030年AI能编写95%的代码。对这些乐观估计，也有不同意见，IBM CEO反驳道：“只有20%到30%的代码可以由AI编写，而不是90%。”如下表所示。

表 2025年3月作出AI编写代码比例的预测

来源：腾讯研究院整理，2025年。

广告是被低估的领域，它已发展成为高科技行业，广告的制作、投放、审核等各个环节都建立在数字技术之上。广告业也是AI应用的先锋。以腾讯为例，AI已经对广告和游戏等业务产生实质性的贡献。从历史上看，横幅广告的点击率约为0.1%，信息流广告的点击率约为1.0%。AI加持后，某些广告库存的点击率可以提高到3.0%（来源：腾讯2025年一季度业绩电话会）。根据彭博（2024）数据，2026年全球生成式AI广告的支出规模将达到500亿美元，占数字广告的6%。如下图所示。

图生成式AI广告的支出规模和占比

来源：彭博行业研究，2024

蓝色光标是国内龙头广告营销机构，2023年发布“All in AI”战略。AI已经覆盖公司95%以上的作业场景，为约600家客户提供了AI服务，落地1500个AI驱动的营销案例。2024年蓝色光标由AI驱动的收入达到12亿元，占总收入的2%，占比是上年的十倍。

客服对话是AI应用的另一个先行领域，在很多2C公司中有成功应用。Klarna是瑞典的一家金融科技公司，它基于OpenAI技术推出AI助手，上线一个月进行了230万次对话，占客户服务聊天的三分之二，工作量相当于700名全职代理人。在客户满意度方面，达到与人类代理相当的水平；在效率方面，把解决问题的平均时间由11分钟降到不到2分钟。

在不同细分行业，涌现出了很多对话速记创业公司。Abridge是美国一家临床对话独角兽，估值高达27.5亿美元。它能够实时将医生与患者的对话转换为结构化的临床笔记，并与电子病历系统无缝集成。这大大减轻了临床医生的文书工作，提高了医疗记录的效率和准确性，已在100多个卫生系统中部署。

四、传统行业数智化转型的“五不难题”

对AI而言，信息处理是“低垂的果实”。AI已在信息相关行业和信息业务环节得到成功应用，取得了良好效果。然而，这只是一个池塘，国民经济各行各业是辽阔的大海，是“高悬的果实”。在与行业Know-How深入融合、传统行业数智化转型的过程中，还面临着基础不佳、精度不高、软硬不调、考核不清和组织不力的难题，需要着力克服和破解。

一是基础不佳。人们往往视数据和信息为特权，视共享为隐患。这导致信息孤岛普遍，数据烟筒林立，业务云化程度不高。生成式人工智能从一开始就建立在云端之上，全球85%以上的信息技术支出仍本地部署，尚未迁移到云端（来源：亚马逊2023年股东信）。智能化浪潮已汹涌而来，数字化基础还十分薄弱，网络化欠课还比较严重，我们要同时进行补课、上课、备课。

二是精度不高。大语言模型的幻觉问题十分普遍，Vectara（2025.4）对全球132个著名大模型进行了测算，平均幻觉率6.7%，最大为29.9%。但这不影响人们的使用热情。行业应用与之不同，它需要极高的准确率和可靠度，否则影响产品质量，甚至造成设备损坏和安全事故。卡奥斯COSMO-GPT是我国工业大模型的佼佼者，推理准确率达到96%以上，意图识别准确率达到85%以上，与生产运营要求相比似乎仍有可提升空间。

三是软硬不调。软件定义世界，但“重硬件、轻软件”的老问题仍然严重。以公有云为例，全球市场是底层硬件资源的IaaS占比20%，顶层的SaaS应用高达60%以上（来源：IDC）；我国正好相反，IaaS占比74.2%，SaaS占比仅12.7%（来源：信通院），且呈现“越来越硬”的趋势。这导致很多项目花大钱不成事，发挥不出数智化系统应有的价值，甚至成为摆设。我们需要充分认识到软件和知识的价值，需要进一步强化软硬协同。

四是考核不清。IT部门承担着落地执行的任务，其人员素质和待遇水平往往较高，且掌握着较大数额的经费预算。然而他们的工作产出不易衡量，给企业创造的价值不够直观，赚到的钱和节约的成本难以清晰量化，往往被认为“是锦上添花，不是雪中送炭”。可见的投入和不可见的回报之间的矛盾，客观存在，是困扰IT部门的顽疾，很多企业因此在数智化转型方面犹犹豫豫，反反复复。

五是组织不力。数智化转型不是某一个部门的事情，它是系统的、全局的、前瞻的，是对业务流程的优化重塑，是对经营管理的全面变革，涉及每一个人。需要调动所有部门予以配合，面临组织挑战。很多数智化项目并非开箱即用，企业不能做甩手掌柜，需要和技术方案提供商共同探讨解决，这可能需要花费较长时间。唯有一把手重视，才有成功可能。

五、通用技术的生产率悖论

人工智能是新的通用技术（Nicholas Crafts，2021；OECD，2024）。通用技术（GPTs）具有持续改进、普遍适用、互补创新的特征，是经济增长的引擎。但它并非即插即用，需要花费较长的时间才能对生产率产生实质影响。哈佛大学Helpman和特拉维夫大学Trajtenberg（1994）把通用技术对经济增长的影响分为播种和收获两个阶段，在播种阶段产出和生产率增长缓慢甚至下降，只有在第二阶段才真正开始增长。通用技术对生产率影响具有滞后效应，呈现出“J形”曲线（Brynjolfsson，2020）。

英国经济学家Nicholas Crafts（2018）指出，蒸汽机在1830年之前对劳动生产率增长的贡献很小，直到瓦特改良蒸汽机100年后，对劳动生产率的贡献才达到顶峰。斯坦福大学教授保罗·大卫（1990）研究发现，发电机在发明90年，也即中央发电站商业化40年后，才带来实质性的生产力提高。美国用了50年时间才把由电动机提供的机械动力提高到一半，又用了10年时间提高到75%（来源：Devine，1983）。如下图所示。

图典型通用技术从发明和商业化到明显提升生产率的年限

计算机也是这样。从1946年埃尼阿克发明到1989年万维网的40余年，重大技术发明不断涌现，但对生产率的影响并不明显。诺贝尔经济学奖得主罗伯特·索洛（1987）指出：“计算机带来的改变无处不在，只有在统计数据中例外！”这就是著名的“索罗悖论”，亦称“生产率悖论”。其后的研究有了新发现。美国企业研究所Stephen Oliner和国家经济研究局（NBER）Daniel Sichel指出（2000）：在上世纪90年代初期之前，计算设备仅占总资本存量的很小部分，不应期望对增长做出太大贡献。从90年代中后期开始，投资的快速增长使得信息技术的资本积累达到足以影响生产率的程度。根据欧洲央行（2020）研究，电和ICT对美国劳动生产率增长的贡献度极大，在历史走势上具有很大相似性。两者对劳动生产率的贡献都是前期平缓，后期加速，拐点分别是在1915年和1995年。从历史视角来看，索罗悖论并不是什么悖论。如下图所示。

图电和ICT对美国劳动生产率增长的贡献（来源：欧洲央行，2020）

人工智能术语提出已有70年时间，当前全球炼大模型、大炼模型，新一轮AI浪潮如火如荼。然而，欧美国家的劳动生产率增速并没有加快迹象，美国仍处于2005年以来的低水平中枢阶段，今年一季度甚至下降了0.8%。AI是否和其它通用技术一样，存在着生产率悖论？我们是在继续“播种”，还是已经（或即将）迎来“收获”？生产率提升的拐点在哪里？期待看到经济学家的研究成果。