摘要
简短结论是：微观层面已经是Yes，宏观层面还不是完全确认。
Brynjolfsson、Li、Raymond的Generative AI at Work研究了5,172名客户支持员工。生成式AI助手使按每小时解决问题数量衡量的生产率平均提高约15%。收益最大的是经验较少、初始技能较低的员工。
美联储FEDS Notes显示，AI采用已经不是边缘现象。到2025年底，约18%的企业采用了AI；个人层面的工作相关GenAI使用率约为41%；按就业加权估算，约**78%的劳动者在采用AI的企业工作，约54%**在使用LLM的企业工作。
堪萨斯城联储则给出谨慎结论。2022年底以来，美国劳动生产率已经高于疫情前趋势，但改善还不够广泛。AI采用率较高的行业生产率增长更快，但AI目前还不能解释总体生产率变化的大部分。
四份资料如何拼在一起
| 资料 | 层级 | 问题 | 结论 |
|---|---|---|---|
| Generative AI at Work | 工作任务 | AI是否提高实际生产率 | 在特定流程中提高 |
| FEDS Notes | 采用率 | AI使用是否广泛 | 已经有意义，但不均衡 |
| 堪萨斯城联储 | 行业生产率 | 宏观改善是否来自AI | 有相关性，但证据不足 |
| 旧金山联储 | 政策 | 应看什么数据 | 不能只等总量数据 |
工作现场的证据
AI并不只是让人打字更快。它更重要的作用是帮助低经验员工更接近高绩效员工。这是技能差距压缩。
AI把组织中部分隐性知识系统化，帮助新人培训、客户支持、文档写作、技术支持和中等复杂度问题处理。
采用率已经重要
18%、41%、78%、54%并不矛盾。它们的单位不同：企业数量、个人、就业加权企业。大企业更早采用AI，因此企业数量占比看起来不高，但劳动者覆盖率可以很高。
采用率最高的是金融和专业服务。这说明AI首先进入的是高价值认知工作，而不是单纯低工资劳动。
宏观生产率仍未完全扩散
美国生产率已经改善，但改善集中在少数行业。这并不意味着AI失败。它更像通用技术早期扩散阶段。
任务层面改善
→ 企业流程重组
→ 行业扩散
→ 宏观生产率数据体现
当前经济仍在这条链条的中间。
投资含义
AI基础设施投资仍可以被证明合理，但理由不应只是模型更强，而应该是企业实际工作流程中的生产率提升。
对韩国市场而言，这支持HBM、服务器DRAM、eSSD、网络、电力设备、数据中心、AI云和企业软件的长期逻辑。但门槛也更高：市场应奖励能把AI转化为可重复生产率提升的企业，而不是只贴AI标签的企业。
结论
AI生产率在任务层面是真实的。采用率也已经足够重要。但宏观生产率革命尚未完全证明。
下一阶段AI周期的关键不是演示效果，而是扩散：AI是否真正改变工作流、利润率、每名劳动者产出，并最终进入国家生产率统计。