当科技巨头不断砸下百亿美金训练大模型，当媒体铺天盖地渲染“AI将取代一切”，一篇来自AI批判常客Gary Marcus的短文，却像一盆冷水浇在了狂欢派对的正中央。Marcus引用了金融时报记者John Burn-Murdoch制作的一张图表，该图清晰展示了美国非农商业部门劳动生产率增速在过去数十年间的变化曲线——以及毫无争议的结果：自2022年生成式AI爆发以来，生产力增长曲线并未出现任何陡峭的背离上升。

这张被称为“Slop”（即一堆噪声）的图表，精准击中了当前AI叙事的要害。我们听到的是“Copilot帮你写代码提速40%”“Midjourney一出图设计师就失业”等微观效率神话，但宏观统计似乎不为所动。美国劳工统计局的数据显示，2023年Q4至2024年Q3的整体生产率年均增速约为2.2%，与2019年之前的趋势线几乎重合——并没有出现类似电气化早期或PC互联网普及期那种明显的“趋势加速”。

这背后有几种值得警惕的可能性。其一，所谓的“生产力提升”被过于狭隘地定义了。许多AI工具确实能缩短单次任务时长（如撰写邮件、生成PPT草稿），但节省出的时间并未被有效再投资于高价值工作，而是被流程碎片化、多任务切换或“再编辑”所吞噬。加里·卡斯帕罗夫早已在《人机协同》中警告：AI的边际收益往往被协调成本抵消。其二，组织层面的吸收能力严重滞后。与电力、铁路等基础设施不同，AI是一种“认知辅助设施”，需要全新的岗位设计、评价体系和管理流程。麦肯锡2024年的调研显示，只有不到15%的企业完成了关键工作流的AI化改造，大多数公司仅停留在“ChatGPT作诗”式的浅层实验。

更值得深思的是，Marcus本人并未否定AI的长期潜力，他只是用数据剥离了被营销粉饰的“幻觉”。对于AI产品经理和战略决策者而言，这张图表意味着：不能简单将技术部署等同于价值兑现。如果你正在规划一个AI驱动的转型项目，需要先回答三个定量问题：①该工具节省的时间是否真正对应可核算的产出指标？②组织是否有冗余的“吸收时间”让员工重新整合工作流？③测量周期是否足够长（至少12个月）以排除霍桑效应？

正如电气化花了约30年才在统计数据中显露出显著跃迁，AI或许也需要经历类似的“扩散滞后”。但区别在于，电气化当时的测量工具是成熟的经济学框架，而今天我们对“智能生产率”的计量体系却仍沿用20世纪的劳动时间法。Marcus的这张图不该被当成泼冷水的工具，而应被视作校准预期的一种路标：在未来2-3年，依靠更精细的微任务追踪和流程再设计，那些将AI深度嵌入而非简单叠加的企业，才有可能从“Slop”中分离出真正的信号。