Apollo报告：AI在科技业外“零财务回报”

一份报告引发的冷思考

Apollo（阿波罗全球管理公司）最新研究抛出一个刺眼的结论：AI在科技行业之外尚未带来可量化的财务回报。在Hacker News上，这条消息以6个点、1条评论的低热度出现——但它的分量远不止于此。当生成式AI的资本开支以千亿美元计涌入数据中心，这份来自资产管理机构的判断，实质上是在问一个问题：除了卖铲子的人，谁真的挖到了金子？

回报为何“归零”：三个被忽视的结构性原因

资本开支与收益的错配

AI投资的主流叙事集中在算力、模型和基础设施。钱流向了芯片厂商、云服务商和模型实验室，这些环节构成了科技行业自身的闭环。而传统行业的AI采购，往往停留在试点项目和概念验证阶段，尚未转化为可审计的利润增量。投入计入成本、收益难以归因，财务上自然呈现为“零”。

组织变革滞后于工具部署

部署一个AI工具只需要几周，改造与之匹配的流程、岗位职责和决策链条却需要数年。多数非科技企业的瓶颈不在技术可用性，而在管理惯性。Apollo的结论更可能描述的是“收益尚未被识别和计量”，而非“收益不存在”。

计量口径本身存在盲区

财务回报的衡量依赖会计科目。效率提升带来的隐性收益——例如员工时间释放、错误率下降、客户响应提速——很难直接映射到利润表。用传统财务指标评估通用技术，容易系统性低估其价值，这与早期电力、计算机进入企业时的历史经验相似。

通用目的技术（GPT, General Purpose Technology） 是经济学中的一个核心概念，指能够广泛渗透到几乎所有行业、并持续催生互补性创新的技术，如蒸汽机、电力和互联网。GPT的价值释放具有显著的"延迟"特征：企业需要重构流程、积累新技能、调整组织结构，才能将技术潜力转化为生产率提升。经济学家保罗·戴维（Paul David）对电力的经典研究显示，工厂电气化从19世纪末开始普及，但全要素生产率的显著跃升直到1920年代才出现，滞后近三十年。原因在于早期工厂只是用电机替换蒸汽机，并未改变车间布局和生产流程。这一历史规律提示，用短周期的财务指标评估GPT的回报，很容易得出"为零"的结论，而这更可能反映的是测量时点过早，而非技术本身缺乏价值。

科技行业的“例外”说明了什么

科技行业之所以能兑现回报，是因为它同时扮演了供给方和需求方：AI直接嵌入其产品定价（API调用、订阅升级）和成本结构（代码生成、客服自动化）。这种双重身份放大了收益可见度。对其他行业而言，AI更像一种通用目的技术，其价值释放遵循慢变量逻辑，需要配套的流程再造和组织学习。

值得注意的另一个角度是竞争格局。若AI在非科技行业的回报长期为零，企业采纳动力将从“追求增长”转向“防御性跟随”，这会让AI渗透率曲线更平缓，也会拉长基础设施投资回收周期。

卖铲子（picks and shovels） 是投资界形容"在淘金热中卖工具而非亲自淘金"的商业模式，源自19世纪加州淘金热中，多数淘金者未致富，而销售铲子、牛仔裤和设备的商人获利丰厚。在AI语境下，这一比喻指芯片厂商（如英伟达）、云服务商和模型提供商——它们直接受益于所有行业对AI基础设施的采购需求，收益确定且可审计。与之相对的是"淘金者"，即试图用AI改造自身业务的企业，其回报受制于流程变革、组织学习和收益归因难度。Apollo报告的结论本质上是在说：目前AI价值链上的大部分利润集中在"卖铲子"环节，需求端的价值捕获仍处于早期。这一格局也解释了为何AI资本开支的规模与行业外回报之间会出现显著落差。

对从业者的启示

对企业决策者，这份报告的实用价值在于提醒：AI项目的商业论证需要更精细的归因设计。把效率指标、质量指标和财务指标并列追踪，比等待一个笼统的“AI回报率”更可行。

对AI从业者，信号同样清晰：下一阶段的竞争不在模型能力，而在行业Know-how与落地工程化。谁能把通用能力翻译成具体岗位的可衡量产出，谁就能打破“零回报”的判断。

概念验证（PoC, Proof of Concept） 是企业引入新技术时常见的初始阶段，目标是以小规模实验验证技术可行性，而非产生可量化的商业价值。大量非科技企业的AI项目长期停留在PoC阶段，原因包括：实验环境与生产环境脱节、缺乏将试点扩展为规模化部署的工程能力、以及无法将技术指标（如模型准确率）转化为业务指标（如单位成本下降或收入增长）。从PoC到规模化落地之间通常存在"死亡之谷"，需要配套的数据治理、流程重构和变更管理。这也意味着，若企业以PoC数量衡量AI进展，容易高估实际落地水平；而以财务回报衡量，又会因项目尚未跨越规模化门槛而低估长期潜力。