AI重构产业：经济社会适配能否同步？

（本文作者为 多大NewMedia，钛媒体经授权发布）

人工智能正在改写一个经济学上的老问题：重大技术创新冒出来之后，为什么整个经济体系总要拖上很久才能完成对应的重构？过去，这个矛盾大多体现为技术扩散和组织变革之间的时间差。眼下，AI可能让问题变得更复杂。

AI不光能改变生产方式，还可能插手生产流程、组织系统乃至一部分产业基础设施的设计与改造。它既能推着原有结构加速变化，也可能帮企业提升自身的适配能力。

另一边，金融AI Agent的兴起又抛出新疑问：当大量自动化系统开始各自决策或协同决策，原来的责任边界、治理方式和风险传导机制还管用吗？

也就是说，需要盯住的或许不只是技术发展与制度调整之间的速度差，还有技术变革、系统适配和风险传导三者之间正在形成的新关系。

一、电气化的历史：为什么技术革命不等于生产率革命？

2026年9月，多伦多大学Rotman商学院教授Kevin Bryan发表文章，题为《AI是一项技术，而推动它扩散是管理问题》。他拿电气化和集装箱运输举例，说明技术创新与经济价值充分兑现之间，横着一套复杂的组织与产业重构过程。

蒸汽动力时代，工厂大多围着中央动力装置来组织生产。机器靠传动轴和皮带相连，厂房结构、设备布局、生产流程都受动力系统牵制。

电动机问世后，企业可以用电力顶替蒸汽动力，可这种替换本身释放不出电气化的全部价值。生产率要真正改善，得重新安排机器位置、改动工厂布局、调整生产顺序和劳动分工。独立的电力驱动让工厂能按工作流程、而不是按动力传输方式来组织生产，也为新的大规模生产方式铺了路。

Bryan指出，从爱迪生第一座发电站投运，到美国约一半制造业实现电气化，走了大约40年。

集装箱运输是差不多的例子。标准化集装箱本身算不上特别复杂的技术，可要真正改变全球物流体系，港口、铁路、仓储、船舶和相关企业都得跟着调整。技术发明只是起点，围着技术把产业活动重新组织起来才是更难的活。

这两个历史案例点出一条重要规律：重大技术的经济价值，不只来自技术能力本身，还来自围绕技术展开的互补性创新、组织调整和产业生态重构。

今天的AI同样撞上这个问题。企业部署先进模型，不等于原有工作流程、岗位配置、决策机制和业务模式就能自动变成更高的生产率。

不过，历史经验也带出一个新问题：AI会不会改变这种重构过程本身的速度？

二、AI的特殊性：它可能加速产业重构本身

和电力不一样，AI不只是一种被用到生产里的技术，它还能参与某些生产活动和组织流程的重新设计。AI可以帮着写代码、测软件、分析业务流程、整理知识、配置系统，并在明确授权范围内执行部分跨系统任务。

随着AI Agent能力往前走，一些过去要多人、多部门协作的数字化工作，可能得到更高程度的自动化支持。

也就是说，AI带来的影响可能同时落在两件事上：新技术在企业里铺开的速度，以及企业围绕新技术重做生产与组织方式的速度。

后一件事更该盯着看。以前企业要搞一次复杂的业务转型，流程分析、系统开发、测试、培训、组织协调，哪一样都得堆人手。假如AI能接走其中一部分活儿，重构的成本就可能压下来，某些环节的实施周期也会缩短。

这种能力还可能溢出企业边界，牵动软件供应商、服务提供商、平台与客户之间的分工。

所以，电气化历史给出的组织重构课题依然摆在面前，只是它的时间尺度未必能直接搬到AI身上。AI加快的或许不只是技术扩散，还有技术扩散所依赖的互补性重构。当然，这个判断还需要验证。

数字化程度高的行业可能跑得更快；实体基础设施、监管许可、跨机构协作、劳动者技能转换，受的约束各不相同。产业结构被改写的速度，也不等于新的经济社会秩序能以同样速度站稳。

三、产业生态真的正在加速重构吗？

想判断AI是否在加快产业重构，光看模型能力或单项任务效率不够。更有说服力的证据，得从组织结构、产业分工、市场入口和价值分配关系的实际变动里找。

信息服务领域已经露出苗头。美国皮尤研究中心2025年针对Google搜索行为的研究发现：出现AI生成摘要的搜索里，用户点击传统搜索结果的比例为8%；没有AI摘要时，该比例为15%。

这项研究没法单独证明全部点击差异都来自AI摘要，但它说明，AI摘要一出现，用户访问外部网站的行为确实有明显变化。

用户越习惯在搜索平台内直接拿到答案，传统内容提供者靠搜索引擎引流的路子就越可能受冲击。这不只是搜索效率的事，还牵扯信息分发入口、用户关系，以及平台与内容生产者之间怎么分价值。

企业组织层面，金融科技公司Klarna是另一个观察窗口。按其公开披露，2025年AI助手处理了约80%的客户服务聊天，公司估计这相当于700多名全职客服的工作量。可见AI应用已经动到客户服务的人员配置和运营方式，而不只是把单次交互时间缩短。

不过这类变化仍主要发生在企业内部，无法直接证明整个金融服务产业生态已经完成重构。

软件开发领域的研究提供了更有比较价值的样本。2026年，NBER发布的一项研究分析了超过50万名GitHub开发者及其AI工具使用数据。

研究显示，自主编码Agent让代码提交活动累计多出约240%。可这股增量到了后面的生产环节就弱了下来：项目数量涨了约80%，真正发布的软件只多了约30%。

在所观察的主要软件市场里，新应用的数量明显变多，但整体使用量并没有跟着涨上去。

这些结果指向一点：AI在某些生产环节确实可能把效率大幅拉高，可代码生成、产品发布和市场采用之间，各自卡着不同的约束。

某些环节被AI提速，不等于整条产业价值链就能按同样的比例快起来。

电气化的历史与今天AI的实践，恰好在这里接上了。

一边是，AI正在改变部分数字产业的组织分工和市场关系，重构过程或许已经开始加快。

另一边，后续环节的瓶颈还在，技术能力与最终经济价值之间的那段距离并没有消失。

所以眼下更稳妥的看法是：AI正在推动部分组织和产业环节作出调整，但它能不能系统性地压缩整个产业生态的重构周期，还得看更长时间、更多行业的证据。

四、金融AI Agent：组织重构碰上责任与控制的边界

金融业正成为观察AI动态适配问题的一个关键领域。

过去银行的数字化，主要围着金融机构自己的业务系统和服务渠道转。

可随着第三方AI Agent发展起来，客户可能越来越多地借助个人智能体去获取金融信息、比较产品、管理资金，甚至授权它执行交易。

银行内部也可能同时用上多个智能体，分别负责客户识别、风险分析、产品匹配和交易处理。

这么变，不只是多了一件服务工具，金融机构与客户之间的交互关系也可能被改写。

一整套业务流程由多个Agent共同跑完时，最终结果该由谁来负责？

模型能力升级、工具权限扩大，或者Agent之间的协作方式变了，原来的授权和风险评估还适用吗？

万一客户智能体与银行系统之间出了错误交易，银行、技术提供商和客户三方该怎么分责任？

这些问题已经是金融业眼下要面对的现实治理挑战。

中国工商银行行长刘珺在2026年10月19日外滩年会一场聚焦金融AI治理的圆桌讨论上表示，商业银行刚走完计算机系统建设阶段、迈入数字化转型，数字化转型还没有彻底走完，AI转型就已经摆在面前了。

这暴露出另一种时间错位：上一轮组织和技术转型还没收尾，下一轮转型的要求已经叠了上来。

香港金融管理局副总裁阮国恒则强调，Agent应用扩大之后，治理要覆盖模型选择、部署、更新、事故处理和变更管理等完整生命周期。

不同智能体只担局部任务、人工监督也只盯部分环节时，整体责任就容易变得模糊。

金融AI治理的难题，说到底并不只是给新技术多加几条审批规则。

更要紧的是，技术能力一直在变，金融机构能不能同步调整业务流程、决策权限、责任机制和风险控制方式。

五、企业风险之外，AI还可能改写风险传导的路径

金融AI治理里另有一层不能忽略：各家机构的智能体之间，或许会生出新的相互依赖。

外滩年会的圆桌上，欧洲50集团主席Lorenzo Bini Smaghi就提到，谈金融AI不能只盯着单个机构的局部视角，还得看大量智能体彼此交互之后，市场整体会怎么走。

设想一下，多家金融机构的智能体用的是相似的数据、模型和风险判断标准。

市场一旦出现不利信号，它们可能在很短时间里得出差不多的判断，进而建议或执行方向相近的交易。

这些动作如果进一步压到市场价格和流动性，又会触发其他智能体的风控措施，反馈循环就这么形成了。

羊群行为、顺周期性，在金融市场里本来就不新鲜。

但AI或许会改变这类行为的反应速度、自动化程度，以及系统彼此作用的方式。

当然，这不等于说AI一定会把市场推向危机。

模型各不相同、交易有限制、有人工干预、还有流动性缓冲，这些都能压住同步行动带来的风险。

真正需要研究的，是在什么条件下，多个原本各自独立运行的AI系统，会借着共同数据、共同模型、交易行为和市场反馈，走出新的风险传导路径。

这也说明，单家企业靠AI把运营效率提上去，并不代表整个金融系统的韧性会跟着同步变强。

企业层面能不能兑现价值，和金融系统层面能不能控住风险，得分开来看。

六、适配缺口，AI既可能拉大也可能收窄

一聊AI迭代之快，很容易滑向一种单向判断：技术在不停加速，组织和制度只能被动地在后面追。

可现实也许要复杂得多。

企业可以借AI加快业务流程改造，也能用它发现流程里的毛病、识别风险异常、分析客户反馈，还能辅助调整资源配置。

监管机构同样有可能用AI来提升数据分析、风险监测和监督的效率。

所以，AI一边可能制造新的适配压力，一边也可能增强系统自身的适配能力。

2026年10月15日，金融稳定理事会发布了《负责任采用人工智能的稳健实践》最终报告。

报告给出12项稳健实践，其中明确写进了组织适配能力、持续风险评估、绩效监测、有效人工监督，以及第三方AI依赖风险管理。

这说明，AI治理正从一次性审批，转向覆盖应用全生命周期的持续管理。

不过，制度文件摆在那里，不等于治理就真的有效了。

模型出现重大变化后，企业若不能及时重新评估风险；异常已经发现，却没有明确的决策和执行责任；控制措施上了，却没法验证效果——这些情况下，治理的实际缺口依然存在。

所以，组织适配能力要落地为一套能运转、也能检验的机制。

变化识别 → 影响评估 → 决策调整 → 行动执行 → 结果验证。

它要回答的不只是谁担责，还包括谁有权做出调整、什么时点必须动手、该采取哪些控制手段，以及怎么判定问题已经解决。

这套能力还得不断更新。AI系统的风险并非只取决于最初怎么部署，模型升级、业务范围扩大、工具权限变动、外部环境改变，都可能让风险随之演化。

七、重新理解AI时代的动态适配与系统性风险

通用技术扩散研究早就指出，技术创新与经济价值的实现之间，存在互补性的组织变革。组织动态能力研究也一直关注企业如何感知环境变化、重构资源并调整自身。金融稳定研究则已建立起共同风险暴露、顺周期性和系统性风险传导的分析基础。

这些研究并没有因为AI的出现而失效。不过，AI的快速迭代、对组织重构的辅助，以及Agent之间的自主交互，可能改变上述机制的运行条件。

由此我们认为，要理解AI时代的经济社会转型，需要把三个相互关联的过程放在一起看。

第一，结构变化。AI改变生产流程、组织分工、产业关系和劳动需求的速度有多快？它是否正在加快互补性创新与产业生态的重构？

第二，系统适配。企业、监管机构和社会制度能不能及时调整流程、资源、能力和责任机制？AI又能帮这些系统在多大程度上提升自身的适配能力？

第三，风险传导。当不同系统的变化速度不一致时，局部失衡会怎样被缓冲、吸收，或者经由金融、产业和社会关系进一步扩散？

这三个过程之间，并不存在简单的线性关系。

技术变化加快，不代表适配缺口一定扩大。企业适配能力提升，也不代表系统性风险会同步下降。产业生产率上升，更不代表劳动者、消费者和社会整体一定能以相同速度分享收益。

比如，一家银行也许很快就把客户服务自动化了，但客户在复杂决策中的申诉和纠错机制仍然不够。

一家金融机构可能借助AI提升了自身的风险管理效率，却依然受制于对外部模型的集中依赖和市场中的同步行为。

社会层面的节奏又是另一回事。企业调岗可能几个月就落定，劳动者再学习、换行当、把收入拉回稳定状态，往往要拖更久。

所以AI时代的动态适配，不光是技术跑得快、立法追得慢这道沟。更要看清三件事：技术怎么改动结构，系统怎么自我调整，以及两者相互作用时，价值实现和风险演化会被带向哪里。

结语：要提速的不止是技术

电气化的历史摆在那里：重大技术的经济价值，得靠围绕它重建生产体系和组织方式才落得了地。AI也许会让这个过程变快——它能进生产环节，也能掺和一部分流程与组织系统的重新设计。

可现有证据也说明，单项任务效率上去了，未必等比例变成最终产品、市场需求和产业整体价值的增长。

AI同时动到的可能是三处：经济结构重构的速度、组织与制度的适配能力、风险在系统之间的传导机制。有些调整会被它推快，不同系统之间的变化也可能因此更不均衡。

说到底，AI时代真正要紧的问题，不只是技术还能走多快，也不只是监管能不能追上技术。

而是：

当AI持续改写经济运行方式，我们能不能长出一种本事——持续学习、及时调整、有效协调，再把实际结果验证一遍，让技术进步落成可持续的经济与社会价值？这恐怕比单纯争技术领先，是更深一层也更要紧的管理与治理考题。