当硅谷的资本与算力以近乎疯狂的速度涌入大模型时，一个尴尬的经济学悖论正在浮现：AI带动的生产率增长，远未达到与之匹配的量级。没有技术能让生产率增长如此疲软，却还被称为革命。

这张来自英国《金融时报》John Burn-Murdoch的图表，被AI科学家、创业者、AI批评家Gary Marcus直接引用。其核心事实是：自20世纪70年代以来，美国非农商业部门的生产率年均增长率已从2%以上的高位，滑落至如今1%左右的水平。即便在这轮大模型热潮启动后，这一数字也并未出现显著反弹。Marcus以此指出了一个被资本叙事掩盖的现实：AI的“生产力幻觉”正在被真实数据撕毁。

从行业背景看，这并非孤例。类似“生产率悖论”在90年代互联网初期也曾出现，当时经济学家也一度怀疑IT投入是否真的有效。但彼时，随着互联网基础设施成熟与B2B、电商模式的爆发，生产率在90年代末显著上扬。而如今的AI，特别是大模型，面临着更严峻的落地困境：LLM在推理、验证与长期规划上的核心缺陷，使其在关键的生产闭环中无法替代人类专家。

更深层的问题在于信任。即使模型能生成看似合理的代码或报告，但缺乏确定性、一致性与可解释性，使得企业必须投入额外的人力去“审校”输出。这反而构成一种隐性成本——管理AI本身的负外部性。Marcus将此称为“Slop”（垃圾产出），产出越多，清洁成本越高。当所有的AI产品发布会都在强调“比人快”，却很少有人提及“由此产生的错误，谁来兜底”，这正是当下AI战略最大的风险。

对于AI产品与战略从业者而言，这组数据与观点提供了逆向思考的锚点。短期看，AI的增量价值可能集中在垂直场景的辅助与降噪，而非全栈替代。真正的“生产力飞跃”，依赖于可信任AI的构建，这需要算法、数据治理与工程验证的长周期闭环。正如Marcus所暗示的，AI驱动的世界进展甚微，不是因为技术不够强，而是因为我们对它的期待与它实际可控的边界，存在巨大鸿沟。每一次泡沫的破裂，都孕育着下一阶段更扎实的技术扩散。