当企业还在为算力预算和模型采购加码时，一份来自华尔街经济学家的判断泼了一盆冷水：对科技行业之外的大多数美国大型企业来说，AI 目前还没有在财务层面留下可见痕迹。这个结论并不新鲜，却因为提出者的身份和观察口径而值得认真对待。
事件背景：把科技巨头剔除之后再看
Apollo Global Management 首席经济学家 Torsten Slok 在近期一份研究笔记中，提出了一个颇具穿透力的观察角度：把 S&P 500 中的 Alphabet、Amazon、Apple、Meta、Microsoft、Nvidia 和 Tesla 剔除，剩下的四百多家公司构成他所说的“S&P 493”。
在这个样本里，利润率与人均营收基本走平，看不到 AI 正在提升生产率的证据。Slok 的表述很直接：尽管投入巨大、话题热度极高，这项技术对科技行业以外的美国企业，尚未带来任何财务回报。
这个口径的价值在于剥离了“AI 卖铲人”的贡献。科技巨头既是 AI 的使用者，也是 AI 基础设施的供应方，它们的业绩增长很难说明 AI 在普通企业中的真实效果。把这几家拿掉，剩下的才是 AI 采购方的真实账本。
核心信息：智能不等于判断力
Slok 对“非科技企业只是慢半拍”的说法持怀疑态度。他认为，把越来越便宜的智能转化为更高的营收增长和利润率，对企业而言并不容易。
他的论证落在一个常被技术叙事忽略的点上：AI 也许是个出色的计算器，但商业中的智能主要是判断力。AI 不理解问责机制、信任、文化、潜规则、伦理取舍与公平，而这些恰恰塑造声誉风险，并最终驱动营收与利润。
这段话可以拆成三层来看：
- 可计算的部分被自动化了，但商业决策中真正决定成败的部分往往不可计算；
- 组织信任与责任归属无法外包给模型，出问题时仍需要有人签字承担；
- 声誉与客户关系建立在长期互动上，不是一次推理能替代的。
同期也有其他研究指出，AI 尚未带来显著的生产率提升。这说明 Slok 的判断不是孤例，而是与一批实证观察相互印证。
影响分析：谁在承担错配成本
如果“零回报”的判断成立，最先受到冲击的不是模型厂商，而是那些按“全面 AI 化”叙事做预算的企业。
| 观察对象 | 账面表现 | 可能的原因 |
| 科技巨头 | 营收与利润受 AI 需求拉动 | 同时是供给方，受益于资本开支周期 |
| S&P 493 | 利润率、人均营收走平 | 投入落在试点与工具层，未触及流程重构 |
| 中小企业 | 缺乏公开可比数据 | 采购规模小，效果更依赖具体场景 |
更值得警惕的是投入结构。大量预算流向许可证、算力和试点项目，而流程改造、数据治理、岗位再设计这些真正决定产出的环节，往往没有对应预算。工具买了，工作方式没变，产出自然不变。
另一个隐性成本是注意力。管理层把战略议题压缩成“我们上了几个 AI 项目”，反而挤占了本该用于业务重构的讨论空间。
行动建议：把 AI 预算改写成业务命题
对企业决策者来说，与其争论 AI 有没有用，不如改变提问方式。以下是几条可操作的路径：
- 以流程为单位立项，而非以工具为单位。先锁定一条具体流程的周期、成本或错误率，再判断 AI 是否是该流程的合适解法。
- 设置可证伪的验收指标。项目启动时就写明：如果三个月内某指标没有改善多少，就停止投入。避免试点无限期延长。
- 把责任链条写进设计。明确模型输出由谁复核、异常由谁处置、对外沟通由谁负责，避免“系统说的”成为推责理由。
- 优先投资数据与接口。多数失败案例的根因不在模型能力，而在数据不可用、系统不连通。
- 区分效率型与增长型目标。降本类项目容易验证，增长类项目周期长，两者应分开考核，不要混在一张报表里。
一个简单的立项检查清单可以写成这样：
[ ] 目标流程的当前基线数据是否已量化？
[ ] 失败判定条件与止损时间点是否写明？
[ ] 人工复核环节与责任人是否确定？
[ ] 数据来源、更新频率、质量责任人是否落实？
[ ] 上线后 90 天的评估口径是否与财务指标对齐？Slok 的判断不必被当作终局结论，但它提供了一个有用的校准器：当投入持续增加而财务指标纹丝不动时，问题多半不在技术，而在组织如何吸收技术。对多数企业而言，真正的瓶颈不是能不能调用模型，而是能不能把判断力、责任与信任重新编排进流程。这部分的工程量，远比采购一套工具要大。