Brynjolfsson, Rock, Syverson,The Productivity J-Curve: How Intangibles Complement General Purpose Technologies,NBER WP 25148(2018-10 初版 / 2020-01 revised / 发表于 American Economic Journal: Macroeconomics 2021, Vol. 13(1), pp. 333-372)。这篇是宏观经济学对”新技术引入早期为什么看不到生产力增长”这个老问题的一次形式化。被 2023 年以后的企业 AI 圈大量引用,但常引用得很浅——本文把它读到足以解释蒋林泉”7% 工具上限 vs 2-3× 企业吞吐”中间那个 10× 的差距。
J-Curve 在讲什么:GPT 需要”看不见的资本”
“General Purpose Technology”(GPT,通用目的技术)是经济学术语,指能被广泛应用、持续改进、派生出新应用的技术。电气化、内燃机、互联网都是——按这个定义,AI(尤其是 GenAI)也符合。
Brynjolfsson 等论文的核心观察是:GPT 引入后一段时间内,官方统计的生产力增长看起来反而放缓或下降。这个现象在历史上反复出现:
- 电气化:1890 年代电力技术成熟,但美国制造业生产力大幅跃升要等到 1920 年代
- 计算机 / IT:1970-80 年代大量投资,1990 年代末才见生产力显著增长(Solow 1987 的名言:“You can see the computer age everywhere but in the productivity statistics”)
- AI:2017 年论文初版时还看不到 AI 的生产力影响;2025 年各家报的数字差别巨大(METR -19% / Copilot +55% / Dell’Acqua +40%/-19pp)仍然像是没进入统计明显增长期
论文的回答是:真正的生产力增长已经发生,只是没被统计到。统计漏掉的部分就是 intangible capital——“看不见的资本”——企业为了用上 GPT 必须同时做的投入:
- Co-invention of new processes:业务流程重设计(蒋林泉的 Live Demo / API 契约 / SDD 全部属于这一类)
- New business models:商业模式变化(例如把软件从一次买断变成 SaaS 订阅)
- Human capital:员工 reskilling(AI 时代要学会 prompt、知道工具边界、懂概念字典)
- Organizational capital:组织结构调整(蒋林泉的六类岗位归并到 PDFE+ABE)
这些投入每一项都是真金白银的工程改造,但国民账户里不作为”资本”记录——花掉就当作当期成本费用,不计入资产负债表。结果是官方数字里 output 下降(因为还没产生收益)、cost 上升(因为在投 intangibles)——生产力增长率看起来反而是负的。
这就是 J-Curve 的左下凹段:真的生产力早在增长,但统计口径看是下降。
核心数字:11.3 pp → 15.9 pp
论文的实证部分做了一个重要修正——把 intangible capital 算进 TFP(Total Factor Productivity)里再测一遍:
- 2004 年:调整后 TFP 比官方报的 高 11.3 pp
- 2017 年:调整后 TFP 比官方报的 高 15.9 pp
13 年里这个 “官方低估差” 从 11.3 增长到 15.9,年化约 +0.35 pp。这个数字看起来小,但累积效应可观:如果 2018 到 2030 年 AI 作为新 GPT 继续扩张 intangible capital 投入,官方 TFP 和真实 TFP 的差可能再扩大 4-5 pp。
论文自己对 AI 的措辞非常克制:“We then assess how AI-related intangible capital may be currently affecting measured productivity and find the effects are small but growing.” 关键词 “small but growing”——2018 年的时候 AI intangible capital 积累还少,影响有限;未来会增长,但论文没给时间表。
回填蒋林泉 7% → 2-3× 的 10× 差距
上三篇讨论过 蒋林泉的 7% 编码上限 vs 2-3× 吞吐差 10 倍 这个归因问题。J-Curve 框架正好给出一种解释:
- 7% 编码上限 = AI 工具本身的边际贡献(在 tangible capital 口径上可见)
- 中间那 10× = 他 6 段流程变革 + 组织重组(典型的 intangible capital 投入)
- 2-3× 吞吐 = 两者合成后的真实效果
经济学语言说:蒋林泉团队 2024-2025 的那段时间,相当于在自己内部完成了一次小型 J-Curve 低谷到爬升——他们早 1-2 年投入了别人还没投入的 intangible capital(组织重组、Spec 治理、测试左移),所以比外部组织更早看到 2-3× 回报。
对企业 AI 落地的直接推论:
- 只投 AI 工具、不投 intangible capital → 停留在 7% 甚至更低。业界 PR 稿里报的 “我们买了 Copilot, 生产力 +50%” 要么是 cherry-picked task,要么是把别的组织变革算进了 AI 的功劳里。
- 先投 intangible capital 的组织会更早爬出 J-Curve。蒋林泉的例子是先改组织再上工具,这是与 J-Curve 预测方向一致的做法。
- J-Curve 不保证最终会爬上去。如果 intangible capital 投入不到位,组织可能永久停留在低谷——这才是真正的”productivity paradox”长期版本。
手算:按历史 analogue 推算 AI 爬出 J-Curve 的时间
论文本身没给 AI 的 timeline,但可以用历史 analogue 做一个粗估:
python3 <<'PY'
# 历史 GPT 爬出 J-Curve 低谷所用的时间(技术成熟 → 生产力统计显著反映)
historic = {
"电气化": {"start": 1890, "peak": 1920, "lag": 30},
"IT / 计算机": {"start": 1975, "peak": 1995, "lag": 20},
}
ai_start = 2017 # GPT-3 预训练, Transformer 2017, 一个保守起点
# 三种节奏下的 AI 爬升点
print("按历史 analogue 推算 AI 爬出 J-Curve 低谷的时间点:")
print(f"{'节奏':<20}{'lag (年)':<12}{'AI 爬升点':<12}")
for name, h in historic.items():
projected = ai_start + h['lag']
print(f"{name:<20}{h['lag']:<12}{projected}")
# "AI 比前两者更快" 假设 (电气化→IT 节奏加速了 33%)
acceleration_rate = 20 / 30 # IT 相对电气化
ai_lag_fast = 20 * acceleration_rate
print(f"{'加速节奏':<20}{ai_lag_fast:<12.0f}{ai_start + ai_lag_fast:.0f}")
print(f"\n三个预测相差 {30 - int(ai_lag_fast)} 年")
print("企业 AI 决策如果赌在 'J-Curve 爬出来' 上, 时间敏感性极高")
PY
实际输出:
按历史 analogue 推算 AI 爬出 J-Curve 低谷的时间点:
节奏 lag (年) AI 爬升点
电气化 30 2047
IT / 计算机 20 2037
加速节奏 13 2030
三个预测相差 17 年
企业 AI 决策如果赌在 'J-Curve 爬出来' 上, 时间敏感性极高
三个预测相差 17 年。换句话说,“AI 什么时候真的改变生产力统计” 可能是 2030 年,也可能是 2047 年。这种宽度下,企业决策不能把 “J-Curve 预测” 作为战略时间表用。
论文自己对这件事非常诚实——它完全不预测 timeline。但二次引用里常见”再给 5 年就会爆发”这类具体数字,是读者自己加上去的、论文不支持的推论。
这篇被滥用的地方:没说 AI 什么时候爬出 J-Curve
J-Curve 论文在企业 AI 圈的流行引用是:“现在 AI 看起来没提效是因为还在 J-Curve 低谷,再给几年就会爆发”。这个说法在论文文本里找不到。
原文对 AI 时间表的全部论断是前面引过的 “small but growing”。没有”几年后爆发”的预测。没有”低谷会持续 N 年”的估算。那个”再给几年就会爆发”的推论是读者加的。
历史 analogue 也不好推——电气化从技术成熟到生产力统计反映用了 30 年,IT 用了 20 年,AI 2017 到 2025 才 8 年。如果按电气化节奏算,AI 要等到 2040 年代;按 IT 节奏算要到 2030 年代;按”AI 比前两者更快”的假设算可能是 2026-2028——这三个预测差 20 年,而论文没有给判断根据。
企业读者用 J-Curve 作为不投 AI 的风险论证(“等别人先爬,我再入场”)或加码投 AI 的理论支柱(“现在痛苦是在爬 J-Curve”),都在超出论文授权的范围做推论。真正能从论文带走的只有:“intangible capital 必须和 GPT 同步投入,否则看不到回报” 这一条机制论点。
前置地图:读 J-Curve 需要先懂的四件事
这篇是宏观经济学论文,技术人直接读会被几个概念 trip。按阅读顺序列出:
| 前置概念 | 一句话 | 为什么这篇要用它 |
|---|---|---|
| TFP (Total Factor Productivity) | 总要素生产率——把 output 的变化归因于 labor 和 capital 之外的”剩余”,被当作技术进步的代理指标 | 论文说”AI 带来的 TFP 增长被低估”,核心度量就是 TFP |
| General Purpose Technology (GPT) | 能被广泛应用、持续改进、派生出新应用的通用技术。Bresnahan-Trajtenberg 1995 的定义 | 论文把 AI 定位为新 GPT,所有论证都基于这个前提 |
| Intangible Capital | 不出现在传统资产负债表上的”资本”——包括 R&D 存量、品牌价值、组织能力、人员培训投入等。Corrado-Hulten-Sichel 2005 把这套框架搬到宏观经济学 | 论文的核心修正就是把 intangible capital 算进 TFP |
| Solow Productivity Paradox | ”你到处都能看到计算机时代,就是在生产力统计里看不到。“——Solow 1987 | 论文想解释的历史现象,J-Curve 是给 Solow 悖论提供的一种答案 |
读完这四个概念再读论文,才能看懂它在和哪些对手观点对话。企业 AI 圈的大多数引用跳过这些前置,直接把 “J-Curve” 当成一个 slogan 用,说起来方便但支持不了严肃决策。
读完 J-Curve 这篇再回头看蒋林泉文章,能带走的具体动作:
- 把你公司在 AI 上的投入分成 tangible 和 intangible 两类列账。工具采购、API 费用是 tangible;流程重设计、组织重组、员工 reskilling 是 intangible。两类比例如果小于 1:3(tangible 占比大于 25%),大概率你还在 J-Curve 低谷,别期待看到 productivity 提升。
- 不要用”没看到提效”做”AI 不行”的证据。按 J-Curve 的预测,低谷期看不到提效是正常的,这不代表 AI 技术本身失败。
- 同时不要用 J-Curve 做”再等等就好”的借口。论文没预测 timeline,“再等等”可能是 3 年也可能是 30 年,具体取决于你的 intangible 投入是否到位。
参考来源
- Brynjolfsson, Rock, Syverson, The Productivity J-Curve: How Intangibles Complement General Purpose Technologies(NBER WP 25148,2018-10 / revised 2020-01 / AEJ: Macroeconomics 2021, Vol. 13(1), pp. 333-372)
- Solow, “We’d Better Watch Out”(New York Times Book Review, 1987-07-12)—— Solow Paradox 原始出处
- Corrado, Hulten, Sichel, “Measuring Capital and Technology: An Expanded Framework”(2005)—— Intangible Capital 测量框架
- 本博客续读:Brynjolfsson Generative AI at Work 深读 · 蒋林泉 AI Native 四副透镜