VIP 專屬文章 印永翔專欄：AI距離生產力革命還有多遠？ 從電力、網際網路到生成式AI的歷史觀察

現在的學生很難想像，1980年代，申請美國研究所是一項多麼耗時的工程。學生必須先前往位於南海路的美國文化中心查閱各大學資料，抄寫招生辦公室地址，寄出航空信件後，再等待數週甚至數個月的回覆。在網際網路尚未普及的年代，資訊取得受到時間與空間限制，資訊本身就是一種稀缺資源。

直到1990年代中期，隨著網際網路逐漸普及，這種高昂的資訊成本開始快速下降。原本需要數週才能取得的資料，如今只需幾秒鐘便能完成搜尋。知識流動不再受地理距離限制。企業組織、生產分工與全球經濟活動，也因此出現深刻變化。回頭來看，網際網路之所以重要，不僅在於創造新的產品與服務，更在於它改變了資訊傳遞與知識擴散的方式。

若說網際網路降低的是資訊取得成本，那麼今日快速發展的生成式AI，所降低的則可能是知識生產成本。

這種變革在軟體開發領域早已不是預言，而是進行式。過去，撰寫一個全新的應用程式或資料庫系統，需要工程師耗費大量時間查閱語法文件、手動逐行撰寫程式碼；如今，工程師透過 GitHub Copilot 或 Cursor 等 AI 工具，只需以自然語言描述需求，AI 便能在短時間內生成程式碼雛形。GitHub 與 Accenture 的實驗研究發現，在特定程式開發任務中，使用 Copilot 的開發者完成任務的速度平均提高約 55%。部分知識工作的邊際生產成本，正以前所未有的速度下降。這也讓人開始思考，AI究竟是一項新的應用工具，還是足以改變經濟運作方式的基礎技術。

回顧過去兩百年的經濟發展史，真正能夠改變整個生產體系的技術並不多。蒸汽機、電力與網際網路之所以重要，不僅在於創造新產品，更在於它們重新定義了企業的生產、組織與創新。換言之，生成式AI是否具備「通用技術」（General Purpose Technology）的特徵，已成為近年學術界與產業界共同關注的問題。

Bresnahan 與 Trajtenberg於1995年提出通用技術概念時指出，一項技術若能廣泛應用於不同產業、持續改進，並帶動大量互補創新，便有機會成為推動長期經濟成長的重要力量。依照這項標準，生成式AI已逐漸展現通用技術的若干特徵。

但與蒸汽機、電力主要改變物理生產能力不同的是，生成式 AI 更直接介入語言、符號、程式與決策輔助等認知活動，因此其通用性首先表現在知識工作與組織決策層面。從金融、醫療、法律到軟體開發與製造業，AI的應用範圍持續擴大；模型能力也從文字生成逐步延伸至影像、語音與推理；圍繞AI發展的新產品與商業模式則不斷出現。無論最終發展速度如何，AI已不再只是單一工具，而是逐步融入各產業的生產與決策過程。 （相關報導： 吳芳銘觀點：從AI世界盃看台灣的下一場硬仗與軟肋 ｜ 更多文章 ）

然而，一項技術的廣泛應用，並不必然立即轉化為生產力成長。經濟史學家 Paul David 在研究電力革命時發現，電力在十九世紀末便已逐漸普及，但美國製造業生產力的大幅提升卻出現在數十年之後。這項研究的重要啟示在於，技術本身並不足以提升生產力，企業還必須同步調整組織架構、工作流程與管理制度。技術創新與生產力提升之間，往往存在顯著的時間落差。

因此，若今日總體生產力數據尚未明顯反映 AI 投入的效果，也可能意味著企業仍處於重新設計流程與組織的早期階段。

今日企業導入生成式AI，其價值未必來自增加一套軟體工具，而是來自企業能否重新設計工作流程、知識管理機制與決策模式。換言之，AI帶來的變化不只是技術升級，而是企業組織的重整。相較於模型能力的快速進步，組織調整往往更加緩慢。當企業仍在摸索如何重新分工、管理與決策時，AI模型卻持續快速演進。

技術擴散速度與組織調整速度之間的落差，正逐漸成為AI導入過程中的核心議題。歷史經驗顯示，企業往往需要比技術本身更長的時間去調整組織與管理模式。當模型能力已經以月為單位快速迭代時，多數企業卻仍以年為單位重新設計流程與分工。這種速度差異，正是生成式 AI 生產力效益尚未完全反映於總體經濟的重要原因之一。

當然，新技術的發展往往並非一帆風順。委內瑞拉經濟學家 Carlota Perez 研究過去兩百多年的技術變遷後指出，重大技術突破經常伴隨金融市場的大量資金流入。Perez 認為，重大技術革命通常會先進入由金融資本推動的安裝期（Installation Period）。在此階段，資金大量湧入新技術與基礎設施，市場預期往往領先實際獲利。

隨後，當估值、商業模式與實際需求之間的落差浮現，市場可能進入轉折期（Turning Point）。經過企業淘汰、資產重估與制度調整後，留下來的基礎建設與成熟商業模式，才可能支撐下一階段更廣泛的部署與擴散（Deployment Period）。

當資本市場大規模投入 AI 時，問題便浮現：這究竟是技術革命的安裝期，還是另一場資產泡沫？

回顧ChatGPT 推出後僅約兩個月便突破一億使用者，成為歷史上成長最快的消費型應用之一。隨後幾年，全球科技企業投入龐大資本建置資料中心與算力網絡，本質上正是典型的安裝期特徵。當市場對未來的期待持續升高，而商業模式與獲利能力仍在發展之中時，資產價格出現修正，也常是新技術發展過程中的一部分。

然而，技術革命與金融泡沫並非完全相同的概念。Perez 強調，轉折期並非技術革命的終點，而是市場由樂觀預期回到商業現實的過程。部分企業退出市場，部分投資計畫被迫調整，但留下來的基礎設施、技術能力與商業模式，往往成為下一階段技術擴散的重要基礎。十九世紀的鐵路熱潮留下了鐵路網絡；二十世紀末的網路熱潮則留下大量光纖網路、資料中心與網際網路基礎設施。許多通用技術真正的經濟效果，往往是在這個階段之後才逐漸浮現。 （相關報導： 吳芳銘觀點：從AI世界盃看台灣的下一場硬仗與軟肋 ｜ 更多文章 ）

不過，若據此認為 AI 必然重演歷史泡沫的崩盤軌跡，就會忽略了今日產業結構與技術擴散機制的本質特殊性。歷史上的鐵路與電力因實體建置成本高昂，必須依賴政府介入或企業向銀行高槓桿舉債；1990 年代末的點網（dot-com）泡沫，主角也多是缺乏利潤支持、高度依賴外部資金的新創企業，一旦資金鏈斷裂便迅速瓦解。

今日引領 AI 發展的主力如微軟、Alphabet 與 Meta，本身就是上一場網際網路革命的最終勝利者。這些巨頭在作業系統、搜尋廣告與社群流量中構築了深厚的護城河，並擁有龐大的自由現金流。它們主要以既有業務的內部利潤支撐AI 基礎建設，而非單純依賴外部融資；更擁有現成的數十億用戶生態系可供AI產品直接嵌入。這種資本結構的防禦力，與當年的點網新創存在本質差異。

除了資本結構不同之外，AI 與歷史上多數通用技術最大的差異，或許還在於其擴散速度。蒸汽機、鐵路或電力等實體技術，其普及受制於物理世界的限制。鋪設軌道、興建車站、建造輸配電網，無一不伴隨高昂的邊際成本與工程瓶頸，因此，技術從誕生到大規模擴散，往往需要數十年。

網際網路雖然仍需光纖、伺服器與資料中心等基礎設施，但一旦網路普及，數位服務的擴散成本便大幅下降。生成式 AI 則更進一步，建立在既有網際網路、雲端運算與智慧型手機之上。終端使用者不需要重新佈線或購置硬體，只需打開瀏覽器或應用程式，即可存取雲端模型與算力。這種「低終端部署成本」，使其普及速度遠快於歷史上大多數通用技術。

歷史經驗顯示，通用技術最重要的影響力，往往不在技術誕生之初，而是在社會逐步學會如何運用之後。對今日的 AI 熱潮而言，短期市場估值是否過熱或許不是最關鍵的問題。真正值得觀察的，是企業能否將這項高速普及的技術，透過組織與流程的重新設計，實質轉化為長期生產力成長。若說網際網路降低的是資訊取得成本，那麼生成式 AI 是否能進一步降低知識生產成本，並重塑企業的生產與決策方式，將是判斷這場技術革命長期價值的重要依據。

​＊作者為國立台灣師範大學管理學院教授。​
（相關報導： 吳芳銘觀點：從AI世界盃看台灣的下一場硬仗與軟肋 ｜ 更多文章 ）