阿波罗全球管理（Apollo Global Management）首席经济学家 Torsten Slok 于 2026 年 10 月 24 日发布题为《No Signs of AI Payoff Outside the Tech Sector》的研报。研报基于宏观与企业财务数据指出，在科技七巨头（Mag 7）之外，实体产业至今未能从人工智能的大规模投资中获得实质性财务回报。标普 500 指数中其余 493 家企业的通胀调整后人均营收与利润率几乎完全走平，旧金山联储经利用率调整的全要素生产力数据同样未见提振迹象。
这不仅是估值分化的延续，更是生成式技术商业落地遭遇的根本阻滞。狂热的算力军备竞赛未能如期转化为传统行业的全要素生产力，非科技领域的企业决策层正逐渐改变态度，开始将大模型调用成本视作挤压净利润的开支负担，而非驱动增长的引擎。
标普493家企业财务指标全面走平
自 2022 年底生成式技术掀起浪潮以来，资本市场普遍预期这项通用目的技术将重演个人电脑与互联网的普及路径，全面拉升实体商业的生产效率。然而，宏观层面的统计口径呈现出截然相反的状态。
Apollo 研报展示的数据表明，以 2019 年第四季度通胀水平为基准调整后，科技七巨头的人均创收和净利润率连年上扬，而标普 493 家传统企业的两条曲线几乎保持水平线推进。与此同时，由金融科技平台 Ramp 追踪的企业支出数据显示，当下的算力开支极度集中于获得风险投资支持的初创科技公司，非科技企业并未进行持续的重金下注。
在宏观经济层面，旧金山联储经利用率调整的全要素生产力（TFP）指标毫无波动。这一幕重现了经济学家罗伯特·索洛在 1987 年指出的现象：在统计数据之外到处都能看到新技术，唯独在生产率统计中不见踪影。主流企业没有动力采购最新、最昂贵的模型服务，反而对持续消耗的 Token 账单产生了戒备心理。
局部的百倍提效在严密的损益表面前被层层稀释，终究未成气候。
任务级的百倍跃升遭遇组织吸收屏障
这种宏观数据的沉寂，与实体巨头在微观场景中披露的战果形成了鲜明反差。
在具体的业务场景中，沃尔玛在 2024 年 8 月的财报电话会中披露，系统依托生成式工具创建或优化了超过 8.5 亿条商品目录数据，若全部交由人工操作需要近 100 倍的人力。纽约梅隆银行（BNY）在 2026 年第一季度财报中指出，限制名单筛查速度提升超过 30%，结算问询调查速度提升逾 80%，且自动化工具处理了超过 10% 的托管结算状态问询。
单点任务的惊人提速之所以没有反映在企业总利润率中，根源在于效率传导链条的断裂。
自动化改造目前多发生在文本归纳、代码补全、初级客服等边缘流程，真正维系商业核心竞争力的复杂决策、信贷审批和供应链统筹，依然需要高度依赖语境的人工判断。商业体系里的决策往往关乎信誉风险、伦理取舍与隐性利益分配，模型无法承担实体商业中的责任追溯机制。企业在某个流水线节点节省了工时，却不得不将这些省下的预算补贴给外部云服务商与软件供应商，整体营运表现因此未见起色。
统计假象背后的口径放宽与旧算力包装
市面上频频出现的企业高采用率，相当一部分源于统计口径的放宽以及企业对旧有成果的再包装。
美国人口普查局 BTOS 调查显示，截至 2026 年 5 月 3 日，全美有 19.8% 的企业使用人工智能，其中信息业达到 39.7%，金融保险业为 33.9%，员工规模超过 250 人的大企业采用率更是达到 37%。然而，这组光鲜数字的背后，是人口普查局在 2025 年 11 月悄然将调查问题从“在生产商品或服务中使用 AI”改动为“在任何业务职能中使用 AI”。只要某家连锁药店的行政员工使用公共对话界面草拟了一封邮件，该企业便会被归入已采用的行列。
与此同时，微观调查揭示了认知上的剧烈割裂。NBER 工作论文 WP 34836 针对美、英、德、澳近 6,000 名企业管理者的调研显示，69% 的企业表示正在运用相关技术，但其中 89% 的企业明确认为在过去三年内，该技术对自身劳动生产率没有任何实质改善。另一份工作论文 WP 34984 发现，尽管高管主观声称技术在 2025 年带来了 1.8% 的生产率提升，但从其汇报的实际营收和就业变动反推，所得收益远低于该数值。
宏观层面的数据也验证了这一相关性断裂。美国劳工统计局（BLS）数据显示，2025 年批发业劳动生产率增长 4.4%（工时下降 1.2%），零售业增长 2.9%（工时下降 0.4%），但官方无法证实增益由新技术驱动。旧金山联储 2026 年 9 月的报告指出，高采用率的信息、金融和教育部门对整体生产率加速的贡献并未超过疫情前水平。堪萨斯城联储 2026 年 2 月的研究进一步表明，制造业对宏观生产率的贡献增加反而超过了信息业，二者仅存在微弱的相关性，缺乏因果证明。
更深层的混淆来自对过往战果的借壳。摩根大通在 2026 年公司业务更新中披露了约 6 亿美元的效率收益，但管理层在明细中特别注明，该收益由过去十多年积累的传统分析型机器学习与近两年的生成式工具混合贡献，并未单列大模型带来的新增份额。许多机构在向市场展示技术决心时，悄悄将长期运转的反洗钱风控算法与内部数据清洗成果，贴上了本轮大模型的标签。
J曲线潜伏还是宏观天花板
学术界针对当下的停滞主要存在两种截然不同的解释框架。
经济学家埃里克·布林约尔松（Erik Brynjolfsson）主张“生产力 J 曲线”理论。他认为，任何通用技术的导入都需要漫长的准备期，企业需要推倒原有的管理层级、重写操作指引并培训员工，这些沉没成本在报表上表现为无形资产投资，初期自然会压低甚至抹平可测量的生产率，直到系统性变革完成后才会迎来陡峭的收益爆发。
麻省理工学院教授达龙·阿西莫格鲁（Daron Acemoglu）则在 NBER 工作论文 WP 32487 中给出了更为冷峻的算式。他从经济结构出发测算，认为能够被本轮技术完全取代且具备经济可行性的任务比例极低，在未来 10 年内，相关技术对全要素生产率（TFP）的累计提振上限仅约为 0.66%。
- 风险.若标普 493 家传统企业迟迟无法在主营业务中确认现金流回报，盲目采购大模型订阅与云算力的行为将面临严格的财务问责，资本市场依靠科技七巨头单边支撑的估值结构也将承担估值回调的压力。
企业数字化决策已告别以恐惧落后为驱动的试验阶段。随着技术热潮降温，传统行业首席信息官在 2026 年底至 2027 年的重点任务，不再是堆砌概念验证项目，而是对大模型的单一工作流展开精确的净投资回报率审计。当工具不能直接转化为人均净利润时，企业会收缩开支，技术的外溢效应也终将被圈定在极少数核心科技公司的围墙之内。