本文来自微信公众号： 老孙荐读 ，作者：立平坐看云起，原文标题：《孙立平｜弧光悖论：AI效率红利的逐层消散》
索洛悖论自提出以来，始终是通用技术革命里一个挥之不去的谜题：技术随处可见，生产率提升却迟迟难以在统计上显现。
当下生成式AI的普及，让这个古老悖论展现出一种更有层次、更耐人寻味的新形态。AI带来的效率增益，并非均匀地从底层向上传导，而是沿着个体、企业组织、宏观经济三个层级持续衰减。
借用电焊弧光的隐喻，我们不妨将这套分层错位的现象，称之为弧光悖论。
个体层面：消费者剩余与任务级生产率提升
同一个人，有可能同时拥有消费者与员工这两种身份，AI对他的影响会沿着两条完全不同的逻辑展开。
作为消费者，我们很多都受惠于AI的发展。于个人而言，AI创造的价值非常可以用消费者剩余来理解。所谓消费者剩余，是人们愿意为一项服务支付的最高代价，和实际支付成本之间的差额。很多AI工具以近乎零价格向用户开放，从而大大降低了人们在信息检索、内容创作、方案比对、翻译整理等事务中的成本，在不增加支出的前提下提高了人们生活的效率。
这都是实实在在的福利，但有一点，这部分价值中的大部分并没有对应的市场标价，没有经过交易的环节，不产生流水，因而也就不能计入到GDP当中。所以我们只能将其称之为消费者剩余。
而当个人的身份切换为员工时，AI带来的就不再是确定到手的剩余，而是员工的任务束和生产函数的双重变化。
在企业的运转中，AI能够使员工更快速地完成草拟文稿、整理数据、初筛信息、辅助质检这类标准化的任务，并由此压缩单项工作所需的工时。理论上说，节省下来的时间可以用来承接更多的任务，或是留给休息、学习与自我提升。但现实的分配博弈，会稀释这份效率红利。
如果企业同步调整工作量边界，单人任务速度的提升，往往直接提高了绩效标准，员工在同等时间里要交付更多成果。这样，效率的收益会流向组织。这时，即便员工依靠工具放大产出能力，加薪和晋升也并不是必然结果。对于一部分岗位来说，AI带来的还可能是替代的压力。
这样，在个体的层面就形成一种矛盾的感受：作为AI服务的消费者，真切享受到了便利；而作为劳动者，却未必能从自身效率提升中拿到对等的回报，甚至陷入更加激烈的内卷。
组织层面：任务提效很难自动变成企业利润
顺着个体层面向上看，就进入了企业与组织的维度。在这一层转化中，转化的损耗随之出现。
大量调研勾勒出一致的反差：绝大多数员工都能感受到AI工具带来的提速，单项任务指标普遍向好，可这份岗位上的提效，常常无法转化为企业财报上的利润改善。
麦肯锡、MIT NANDA以及德勤的多项调研数据都共同印证了这一点：八成以上员工反馈个人效率提升，但只有少数企业观测到AI对利润的正向贡献，能够实现显著财务增益的企业占比极低。很多企业持续投入算力、模型订阅、系统改造与员工培训，最终却发现，单点节省的人力成本，不足以覆盖AI的持续性开销，大量价值停留在工位任务之中，无法向上沉淀为组织收益。
这里最核心的鸿沟，是任务级效率与系统级收益之间的断层。员工用AI完成的大多是边界清晰的局部子任务，是在原有业务链条上加速了某个环节。而企业利润则是整套业务协同、客户关系、定价能力、风险管控共同决定的系统结果。
当下通用生成式AI所擅长的起草、头脑风暴这类轻量工作，很难自主承接组织内部的隐性知识、复杂业务约束与高风险决策，AI产出的成果难以自动沉淀为可复用、可跨岗位调用的组织资产。特别是，不少AI试点项目由技术部门主导，目标偏向完成样板落地，而非锚定增收控本，最终沦为观赏性强、财务价值模糊的盆景。
生产率J曲线假说对此提供了一种解释：AI作为通用目的技术，价值释放离不开流程重构、权责调整、人力资本更新这类互补性投资，这些无形投入很难被会计报表识别，短期只会推高成本、压制账面收益，红利往往要等待两到五年才会逐步释放。
而且，即便是在单点效率真的压缩了单位成本的情况下，当同行同步普及同类工具，整个行业的供给能力同步扩张，在需求没有同步增长的市场中，效率红利会在价格战里向外消散。企业辛苦拿到的成本优势，最终转化为更低的产品报价，增量收益流向下游，再度变成消费者剩余。
对大多数组织而言，AI更像是分发到员工手中的单兵装备，而非重塑整个业务运转的底层系统。
宏观层面：难以加热的经济的温度
让我们继续向上，抵达宏观经济层面。这时，弧光悖论最本质的特征才完全显现，这也是它和传统索洛悖论最重要的区别。我们知道，柴火的火焰温度有限，但能量以热辐射向外弥散，均匀加热整片空间。而电焊弧光恰恰相反，中心温度极高，拥有切割钢铁的强大改造力，能量却主要以强光、紫外光释放，几乎无法加热周围的空气。
这就是我提出的弧光悖论（孙立平｜为什么电焊的弧光能切割钢铁却不能温暖周围）。
对应到我们这里所讨论的AI与经济的关系，传统工业技术的红利：价值附着在商品交易之上，可以顺着价格链条传导，工资、产出、生产率同步提升。这就是技术为什么会带来经济繁荣的机制。而AI之于宏观经济，逻辑完全不同。它拥有极大的技术潜力，能给个人带来巨大的消费者剩余，也能在企业的岗位改造、业务重构中起到重大作用，却很难抬升传统口径下的GDP。
传统索洛悖论的主流解释是时滞，默认红利只是暂时隐匿，终究会通过市场交易、商品定价体现在宏观统计上。而AI则不同，其带来的一部分价值，从根源上绕开了价格体系。正如Brynjolfsson所举的例子，读者从付费报纸转向免费线上资讯，福利明确提升，GDP反而收缩。大量AI服务以零定价提供，巨大的消费者剩余持续积累，却在国民经济核算中近乎隐身。
而且，AI将持续压缩信息、内容、标准化服务的边际成本，并由此催生山姆·奥特曼所说的强通缩压力。
这就带来一种极具张力的局面：社会层面的繁荣是真切的，普通人的便利度持续提升，海量资本涌入AI赛道；而如果用传统的财务标尺来度量，巨额投入很容易被判定为泡沫。
从索洛悖论到弧光悖论
至此，整条弧光悖论的传导链条完整闭合：红利始于个体，在消费者一侧沉淀为无标价的效用剩余，在劳动者一侧也可以体现为收益不确定的生产杠杆；但抵达企业组织层面后，局部任务效率要穿越组织改造、新增成本，大部分红利无法固化为利润，向外溢出的方向是流向消费者；如果再汇总到宏观经济体，溢出的红利大量脱离价格与交易体系，很难转化为我们所期盼的经济繁荣。
弧光悖论不是索洛悖论的简单复刻，而是生成式AI时代对它的推进。索洛观察到技术投入和宏观生产率统计之间的脱节，但主流解释仍建立在红利终将呈现的预设之上。而弧光悖论则突破了这一前提：它将这种错位拆解为个体、组织、宏观逐层衰减的传导链条，同时揭示出，AI创造的相当一部分价值，自起点便游离于价格体系之外，不存在一个等待入场交易的过程。
这意味着，在我们评判AI变革时，不能固守传统的度量框架。GDP、企业利润、劳动生产率这套指标，长于核算已完成市场定价的产出，却难以容纳AI时代大量免费、自助、以时间节约与效用提升为形态的福利。
索洛曾说，计算机随处可见，唯独在生产率数据里看不见；而弧光悖论则丰富和细化了这个过程：红利在不可避免地逐层消散。这并非是否定AI的变革力量，而是提示我们，需要建立一套适配新价值形态的观察与衡量方式。