Paradoks Produktiviti AI: Mengapa Penerimaan Belum Terzahir dalam Angka

Oleh Victor Hoang · Dikemas kini 22 September 2026

Paradoks produktiviti AI ialah jurang antara betapa meluasnya syarikat menerima AI generatif dengan betapa sedikitnya penerimaan itu terzahir dalam prestasi kewangan yang diukur. Tinjauan menunjukkan penggunaan AI dalam perusahaan melebihi 80 peratus, tetapi McKinsey mendapati hanya 39 peratus syarikat mengaitkan sebarang kesan EBIT kepadanya, dan penyelidik MIT mendapati 95 peratus projek perintis AI generatif tidak menunjukkan pulangan yang boleh diukur. Jurang itu nyata, tetapi ia bukan bukti bahawa AI tidak berfungsi. Ia ialah kelewatan pengukuran dan pelaksanaan yang mempunyai preseden yang didokumenkan dengan baik.

Jika anda menerajui sebuah syarikat dan pernah merasai ketegangan ini sendiri, anda tidak tersilap. Pasukan anda menggunakan alat AI sepanjang masa. P&L anda tidak bergerak. Kedua-duanya benar serentak, dan sebab di sebaliknya lebih berguna untuk difahami berbanding kitaran gembar-gembur atau kitaran bantahan yang sedang ditawarkan. Artikel ini menumpukan secara khusus pada jurang P&L; untuk set kajian terkawal yang lebih luas tentang AI dan pekerjaan secara umum, lihat bagaimana AI mengubah pekerjaan dan apa yang ditunjukkan oleh bukti.

Fakta Utama

• 95 peratus projek perintis AI generatif tidak menghasilkan kesan P&L yang boleh diukur, berbanding 5 peratus yang menangkap sebahagian besar nilai, menurut "The GenAI Divide: State of AI in Business 2025" oleh MIT NANDA, berdasarkan 300+ pelaksanaan, 52 temu bual dan 153 tinjauan pemimpin (MIT NANDA, "The GenAI Divide: State of AI in Business 2025", melalui Fortune).
• 88 peratus organisasi melaporkan menggunakan AI dalam sekurang-kurangnya satu fungsi perniagaan, tetapi hanya 39 peratus mengaitkan sebarang kesan EBIT kepadanya, dan hanya 6 peratus layak sebagai "AI high performers" dengan kesan EBIT 5 peratus atau lebih (McKinsey, The State of AI: Global Survey 2025).
• Gartner meramalkan lebih 40 peratus projek AI agentik akan dibatalkan menjelang akhir 2027 kerana kos yang meningkat, nilai perniagaan yang tidak jelas, atau kawalan risiko yang tidak mencukupi (Gartner forecast, dilaporkan oleh RCR Wireless).
• Ahli ekonomi Erik Brynjolfsson dan rakan penulis memodelkan "Productivity J-Curve": teknologi tujuan am menekan produktiviti yang diukur pada peringkat awal kerana pelaburan tidak ketara yang diperlukan (latihan semula, reka bentuk semula proses, peranan baharu) tidak muncul dalam statistik rasmi sehingga kemudian (Brynjolfsson, Rock, Syverson, NBER Working Paper 25148).
• Pada 1987, ahli ekonomi Robert Solow menulis bahawa "you can see the computer age everywhere, except in the productivity statistics," menggambarkan kelewatan berdekad-dekad antara pelaburan IT dengan peningkatan output yang diukur (Solow, New York Times Book Review, 1987, dipetik melalui Stand-Up Economist).

Apa Sebenarnya Maksud Paradoks Produktiviti AI

Istilah ini menerangkan ketidakpadanan yang khusus dan boleh diukur: lengkung penerimaan yang kelihatan seperti kayu hoki, diletakkan di sebelah lengkung prestasi yang kelihatan mendatar. Ia bukan dakwaan bahawa AI tidak berguna. Ia pemerhatian bahawa nilai yang dicipta AI belum lagi melalui saluran yang menghubungkan penggunaan alat oleh individu dengan hasil kewangan peringkat syarikat.

Tiga perkara sedang dimampatkan menjadi satu perkataan ("AI") dan perlu diasingkan:

• Penggunaan: sama ada pekerja membuka alat dan mendapat sesuatu daripadanya. Ini memang meluas.
• Perubahan aliran kerja: sama ada proses asas, bukan sekadar satu langkah di dalamnya, telah direka bentuk semula berdasarkan kekuatan sebenar AI. Ini jarang berlaku.
• Kesan P&L: sama ada perubahan aliran kerja itu muncul sebagai kos yang lebih rendah, hasil yang lebih tinggi, atau kitaran yang lebih pantas pada skala yang disedari oleh seorang CFO. Ini lebih jarang lagi.

Kebanyakan perbualan umum menganggap penggunaan sebagai wakil kepada kesan. Data menunjukkan itu satu kesilapan, dan ia kesilapan yang sama dilakukan oleh ahli ekonomi ketika memerhati perniagaan membeli komputer pada tahun 1980-an.

Angka Penerimaan Itu Nyata

Mulakan dengan apa yang tidak dipertikaikan. Penggunaan AI generatif dalam syarikat berkembang lebih pantas berbanding hampir semua teknologi perusahaan yang pernah direkodkan. Beberapa tinjauan besar yang dijalankan secara bebas menumpu pada kadar penerimaan melebihi 80 peratus bagi sekurang-kurangnya satu fungsi perniagaan. Pekerja menggunakannya untuk menyusun draf, meringkaskan, bantuan pengekodan dan penyelidikan, selalunya tanpa kelulusan rasmi daripada IT.

Bahagian cerita ini diceritakan berulang kali kerana ia bahagian yang mudah diukur. Bilangan log masuk, lesen yang diperuntukkan dan tinjauan penggunaan yang dilaporkan sendiri murah untuk dikumpulkan dan menyenangkan untuk dilaporkan. Separuh kedua cerita itu, apa sebenarnya yang dilakukan oleh penggunaan tersebut kepada perniagaan, yang jauh lebih sukar dipastikan, dan jauh kurang menyenangkan. Angka penerimaan agregat itu juga menyembunyikan perpecahan dalam satu syarikat: lihat jurang penerimaan AI untuk sebab sesetengah pekerja telah membina semula aliran kerja mereka berdasarkan alat ini manakala yang lain belum pun membukanya.

Angka Kesan Menceritakan Kisah yang Berbeza

McKinsey: penerimaan tinggi, atribusi rendah

Tinjauan State of AI 2025 oleh McKinsey, yang dijalankan merentasi hampir 2,000 peserta di 105 negara, mendapati 88 peratus organisasi menggunakan AI di suatu tempat dalam perniagaan, meningkat daripada 78 peratus tahun sebelumnya. Tetapi apabila diminta mengaitkan keputusan kewangan dengan penggunaan itu, hanya 39 peratus yang dapat menunjukkan sebarang kesan EBIT, dan kebanyakannya melaporkan kesan itu kurang daripada 5 peratus EBIT. Hanya 6 peratus responden layak sebagai "AI high performers," yang ditakrifkan sebagai organisasi yang melaporkan nilai bermakna dan kesan EBIT 5 peratus atau lebih daripada AI.

Penjelasan laporan itu sendiri untuk perpecahan ini bukanlah bahawa AI gagal menyampaikan hasil. Ia ialah bahawa high performers melakukan sesuatu yang berbeza dari segi struktur: mereka hampir tiga kali ganda lebih berkemungkinan telah mereka bentuk semula aliran kerja asas berdasarkan AI, dan bukan sekadar meletakkan chatbot ke dalam proses yang tidak berubah. Perbezaan itu (reka bentuk semula berbanding tambahan sekali pakai) ialah benang yang menyusuri setiap kajian yang boleh dipercayai tentang topik ini, dan wajar anda pegang sambil membaca baki artikel ini.

MIT NANDA: GenAI Divide

Angka paling ketara yang beredar datang daripada Project NANDA di MIT, yang diterbitkan sebagai MIT NANDA, "The GenAI Divide: State of AI in Business 2025", melalui Fortune Penyelidik menyemak lebih 300 pelaksanaan AI awam, menjalankan 52 temu bual berstruktur dan meninjau 153 pemimpin kanan, semuanya antara Januari dan Jun 2025. Penemuan utama mereka: walaupun dianggarkan $30 hingga $40 bilion telah dilaburkan dalam AI generatif perusahaan, 95 peratus projek perintis tidak menghasilkan kesan P&L yang boleh diukur. Sebanyak 5 peratus pelaksanaan yang tertumpu menangkap sebahagian besar nilai yang wujud.

Diagnosis laporan itu lebih penting daripada angka yang mengejutkan itu. Ia menunjuk kepada "learning gap": kebanyakan alat AI perusahaan tidak mengekalkan konteks, tidak bertambah baik daripada maklum balas dalam aliran kerja khusus tempat ia digunakan, dan ditinggalkan oleh kakitangan barisan hadapan yang mengelaknya sebaik sahaja geseran muncul. Itu bukan masalah data atau bakat. Ia masalah integrasi, dan masalah integrasi boleh diperbaiki dengan cara yang tidak boleh bagi masalah "teknologi tidak berfungsi."

Gartner: gelombang pembatalan

Ramalan Gartner pada Jun 2025 menambah titik data ketiga dari sudut yang berbeza: kadar kematian projek. Firma itu meramalkan lebih 40 peratus projek AI agentik, iaitu inisiatif yang dibina di sekeliling ejen AI autonomi berbilang langkah dan bukan sembang satu pusingan, akan dibatalkan sebelum akhir 2027. Sebab yang dipetik Gartner ialah kos yang meningkat, nilai perniagaan yang tidak jelas dan kawalan risiko yang tidak mencukupi, serta pasaran yang dibanjiri apa yang firma itu panggil "agent washing," iaitu vendor yang melabel semula automasi biasa atau bot berasaskan peraturan sebagai sistem agentik tanpa keupayaan asas untuk menyokongnya.

Dibaca bersama, McKinsey, MIT dan Gartner tidak menerangkan tiga fenomena yang tidak berkaitan. Mereka menerangkan corong yang sama dari tiga sudut pandang: penerimaan luas di bahagian atas, kesesakan reka bentuk semula di bahagian tengah, dan penapis kegagalan projek di bahagian bawah yang secara tidak seimbang mematikan inisiatif yang tidak pernah melepasi peringkat perintis.

Kita Pernah Menonton Filem Ini: Paradoks Solow

Pada 1987, ketika kemuncak ledakan komputer peribadi, ahli ekonomi Robert Solow menulis satu baris yang bertahan lebih lama daripada hampir semua yang lain yang diterbitkannya untuk khalayak umum: "You can see the computer age everywhere, except in the productivity statistics." Perniagaan telah membelanjakan banyak untuk PC dan perisian perusahaan sepanjang 1980-an. Statistik produktiviti negara pada masa itu tidak menunjukkan pecutan yang sepadan. Pelaburan itu kelihatan. Pulangannya tidak, setidak-tidaknya belum lagi.

Apa yang menyelesaikan paradoks Solow bukanlah cip yang lebih baik atau rangkaian yang lebih pantas. Ia gelombang perubahan organisasi pada 1990-an yang mengejar perkakasan: sistem ERP yang memaksa syarikat mereka bentuk semula cara pesanan, inventori dan kewangan berhubung antara satu sama lain, firma runcit dan logistik yang membina semula rantaian bekalan berdasarkan data masa nyata dan bukan kemas kini kelompok berkala, dan sedekad amalan pengurusan yang mengejar apa yang telah dimungkinkan oleh teknologi bertahun-tahun sebelumnya. Pertumbuhan produktiviti memecut dengan ketara pada separuh kedua 1990-an, kira-kira sedekad selepas penerimaan besar-besaran PC, sebaik sahaja pelaburan pelengkap itu dilaksanakan.

Persamaan dengan AI generatif bukan metafora. Ia corak yang didokumenkan dengan nama dalam literatur ekonomi, dan ia membawa tuntutan yang boleh dipalsukan: keuntungan produktiviti AI akan muncul dalam data sebaik sahaja syarikat melakukan kerja organisasi, bukan sebelumnya, dan bukan secara automatik hanya kerana lebih ramai orang telah log masuk ke chatbot.

J-Curve: Mengapa Produktiviti yang Diukur Ketinggalan Berbanding Pelaburan Sebenar

Erik Brynjolfsson, Daniel Rock dan Chad Syverson memformalkan corak ini dalam model Productivity J-Curve mereka, yang diterbitkan melalui National Bureau of Economic Research. Hujah mereka: teknologi tujuan am (elektrik, pengkomputeran, dan kini AI tergolong dalam kategori ini) memerlukan pelaburan pelengkap yang besar untuk membuahkan hasil. Melatih semula kakitangan. Membina semula proses perniagaan berdasarkan kekuatan sebenar teknologi itu, dan bukan memaksanya masuk ke dalam bentuk proses lama. Membangunkan produk dan model perniagaan baharu yang tidak dapat disokong oleh infrastruktur lama.

Inilah bahagian yang menerangkan paradoks itu secara langsung: pelaburan pelengkap tersebut sebahagian besarnya tidak ketara, dan pelaburan tidak ketara diukur dengan buruk, atau tidak langsung, dalam statistik yang dilaporkan sebagai "produktiviti." Syarikat yang membelanjakan enam bulan untuk mereka bentuk semula aliran kerja perkhidmatan pelanggannya berdasarkan sistem AI sedang membuat pelaburan sebenar dengan pulangan masa depan yang sebenar. Pada tahun ia berlaku, perbelanjaan itu muncul sebagai kos, menarik turun produktiviti yang diukur, dan bukan sebagai aset yang membina output masa depan. Pulangannya tiba kemudian, apabila aliran kerja yang direka bentuk semula berjalan pada skala, tetapi pada masa itu ia sering dikreditkan kepada "pengurusan yang lebih baik" dan bukan kepada pelaburan AI yang dibuat bertahun-tahun sebelumnya.

Pasukan Brynjolfsson menganggarkan bahawa melaraskan statistik produktiviti rasmi untuk pelaburan berkaitan IT yang tidak ketara ini akan meletakkan jumlah produktiviti faktor yang diukur kira-kira 16 peratus lebih tinggi daripada angka kerajaan sendiri, menggunakan data sejarah era komputer. Bentuk J-curve (penurunan, kemudian kenaikan yang tertangguh) ialah mekanismenya. Paradoks Solow dan paradoks produktiviti AI semasa kedua-duanya ialah gambar yang dirakam semasa penurunan itu.

Keuntungan Didakwa lwn. Keuntungan Diukur lwn. Apa yang Menerangkan Jurang

Mengapa Projek Perintis Mati dalam Pengeluaran

Temu bual MIT menunjuk kepada corak kegagalan yang konsisten dan boleh diambil tindakan. Projek perintis dibina untuk mengagumkan jawatankuasa pemandu, bukan untuk bertahan dalam hari sebenar pasukan barisan hadapan. Ia didemonstrasikan sekali, diluluskan, kemudian diserahkan tanpa pengekalan konteks atau gelung maklum balas supaya alat itu dapat bertambah baik dalam aliran kerja khusus tempat ia diletakkan. Sebaik sahaja projek perintis mencipta geseran, jawapan yang salah, serah tugas yang rosak, langkah kelulusan tambahan yang tidak dirancang sesiapa, kakitangan senyap-senyap mengelaknya, dan penggunaan kembali ke garis asas sebelum projek perintis dalam masa beberapa bulan.

Itu kegagalan organisasi, bukan kegagalan keupayaan: tiada siapa memiliki integrasi, tiada siapa mengukur sama ada aliran kerja menjadi lebih pendek, dan tiada siapa membina gelung maklum balas yang membina kepercayaan dari semasa ke semasa. Itu juga sebab hutang teknikal daripada projek perintis yang tergesa-gesa bertambah dan bukannya selesai; alat yang ditampal pada proses yang tidak direka bentuk semula menjadi satu lagi sistem untuk diselenggara, bukan kerja yang berkurang. Kakitangan yang mengelak projek perintis yang penuh geseran biasanya berbuat demikian di atas hari yang sudah penuh, iaitu mekanisme yang sama di sebalik kadar kerja dan burnout dalam era AI: alat yang menjanjikan kelegaan tetapi menambah langkah pengesahan yang tidak dijadualkan sesiapa.

Kerja Semula Organisasi yang Sebenarnya Membuka Nilai

Setiap kajian yang boleh dipercayai menunjuk kepada pembaikan yang sama, diterangkan dengan bahasa yang sedikit berbeza setiap kali.

Reka bentuk semula aliran kerja, jangan tampal AI padanya

High performers McKinsey hampir tiga kali ganda lebih berkemungkinan telah membina semula proses berdasarkan keupayaan sebenar AI, dan bukan menyelitkan alat ke dalam proses yang direka untuk manusia melakukan setiap langkah secara manual. 5 peratus yang berjaya di MIT membenamkan AI ke dalam aliran kerja bernilai tinggi dengan cukup mendalam supaya alat itu mengekalkan konteks dan bertambah baik dengan penggunaan, dan bukan menganggap setiap interaksi sebagai sekali sahaja. Benang yang sama: unit perubahan ialah aliran kerja, bukan alat.

Beri seseorang pemilikan sebenar terhadap hasil, bukan sekadar pelancaran

Projek perintis tanpa pemilik bernama yang bertanggungjawab ke atas metrik perniagaan (kos setiap tiket, masa kitaran, kadar ralat) cenderung hanyut menjadi metrik kosong berupa bilangan penggunaan. Organisasi yang mendapat kesan P&L yang boleh diukur melantik pemilik perniagaan, bukan sekadar penaja IT, dan meletakkan orang itu pada standard hasil yang sama seperti inisiatif operasi lain.

Putuskan, secara sedar, apa yang kekal sebagai kerja manusia

Menjayakan aliran kerja yang direka bentuk semula bermakna menjelaskan di mana pertimbangan manusia, kuasa eskalasi dan akauntabiliti akhir berada, dan bukan menganggap ejen akan "mencari jalan sendiri." Itu soal reka bentuk organisasi sama seperti soal teknikal, dan ia berkait terus dengan cara pasukan manusia-ejen distrukturkan setiap hari, serta pilihan sengaja yang dibuat sesetengah syarikat tentang apa yang dikekalkan sebagai kerja manusia sebagai strategi dan bukan sebagai fikiran terkemudian.

Bina gelung maklum balas sebelum berskala, bukan selepasnya

Alat yang tidak belajar daripada konteks khusus tempat ia digunakan ialah corak yang ditandakan MIT sebagai punca utama kadar kegagalan 95 peratus. Itu bermakna memperuntukkan masa dan pemilikan untuk penalaan dan pengumpulan maklum balas sebagai sebahagian daripada pelancaran, bukan sebagai "fasa dua" yang tidak pernah dibiayai setelah pelancaran kelihatan baik pada papan pemuka penggunaan.

Tiada satu pun daripada ini luar biasa. Ia disiplin yang sama yang menyelesaikan paradoks Solow pada 1990-an: membina semula proses, bukan sekadar menambah alat, dengan bajet dan perhatian eksekutif yang sama seperti alat itu sendiri. Syarikat yang menutup jurang ini juga menganggapnya sebagai soal budaya, bukan sekadar soal aliran kerja; lihat membina budaya yang bersedia untuk AI dan rupa sebenar budaya AI-native untuk sisi norma bagi masalah yang sama.

Apa Maksudnya bagi Pemimpin yang Membuat Keputusan Sekarang

Tiga perkara terhasil terus daripada bukti di atas, bukan daripada versi gembar-gembur atau versi bantahan cerita ini.

Anggap kejayaan projek perintis dan kejayaan pengeluaran sebagai dua piawaian yang berbeza. Projek perintis yang mengagumkan sebuah bilik membuktikan model boleh melakukan tugas itu sekali, di bawah penyeliaan. Ia tidak membuktikan sama ada aliran kerja itu bertahan enam bulan penggunaan sebenar tanpa pemilik khusus, jadi bajetkan dan staf-kan piawaian kedua itu secara berasingan.

Ukur metrik aliran kerja, bukan metrik penggunaan. Bilangan log masuk dan lesen sentiasa kelihatan baik pada peringkat awal. Kos setiap tiket yang diselesaikan, masa kitaran atau kadar ralat berbanding garis asas sebelum AI ialah angka yang benar-benar meramalkan P&L tahun depan. Jika anda tidak dapat menamakan metrik khusus yang sepatutnya digerakkan oleh sesuatu inisiatif AI, reka bentuk semula aliran kerja belum berlaku, hanya pelancaran alat. Dan apabila reka bentuk semula benar-benar membebaskan jam sebenar di suatu tempat, masa itu tidak mengagihkan dirinya sendiri. Lihat dividen produktiviti untuk keputusan yang kebanyakan pemimpin tidak pernah buat dengan sengaja: siapa sebenarnya yang mendapat jam yang dijimatkan oleh AI.

Bajetkan untuk garis masa berbilang tahun yang ditunjukkan oleh corak sejarah, bukan garis masa satu suku tahun yang ditawarkan vendor. Paradoks Solow mengambil masa kira-kira sedekad untuk diselesaikan melalui pelaburan organisasi yang berterusan, bukan peningkatan model. Jurang antara demo dengan hasil yang tahan lama itulah yang sepatutnya ditutup oleh proses tadbir urus AI dan penilaian kesan yang jujur, dengan memaksa disiplin pengukuran yang sebenar ke atas inisiatif yang sebaliknya akan dinilai berdasarkan rupanya pada slaid jawatankuasa pemandu.

Paradoks ini bukan hukuman ke atas teknologi. Ia gambar sebuah kerja yang belum selesai, separuh organisasi daripada kerja yang sentiasa dituntut oleh teknologi tujuan am sebelum keuntungan produktivitinya menjadi kelihatan. AI generatif dan ejen AI memang boleh mengubah cara kerja dilakukan. Sama ada ia muncul dalam angka anda tahun depan atau lima tahun lagi bergantung kurang pada model mana yang anda lesenkan dan lebih pada sama ada sesiapa dalam organisasi anda telah diberi masa, kuasa dan akauntabiliti untuk menyiapkan reka bentuk semula yang dimungkinkan oleh alat itu tetapi tidak dilakukannya untuk anda.