為什麼 AI 尚未帶來生產力暴增？讀《AI顛覆經濟學》的系統思維

三階段轉型與生產力悖論

讀完《AI顛覆經濟學》，最核心的收穫是理解了技術推進的三個層次：單點解決方案（Point Solution）、應用解決方案（Application Solution），到最終的系統解決方案（System Solution）。當前的 AI 熱潮正處於「中間時期」（The Between Times），類似 1980 年代電腦問世時的索洛悖論——技術普及了，但整體生產力與薪資並未同步暴增。原因在於大多數企業仍停留在單點或應用層面的微調。如果只將 AI 當作「節約成本」的自動化工具，不僅難以發揮潛力，還會引發組織內部的抵觸；唯有轉向「創造增值」的系統重新設計，才是生產力爆發的真正轉折點。

系統瓶頸與破壞式創新

以 AliveCor 的 KardiaMobile 心電圖裝置為例，透過 AI 隨手檢測心率只是單點/應用方案，當這項預測技術大幅降低檢測門檻後，真正的瓶頸反而轉移到後端——我們根本沒有足夠的心臟科醫師量能來處理被篩檢出來的大量潛在病患。若整個醫療體系未隨之重構，AI 的導入反而會塞爆現有資源。這就像第 10 章百世達與 Netflix 的對決，百世達在舊邏輯下做出的每個優化決定都是「對的」，但當整個產業戰場已從普通公路被改建為飛機跑道時，沿著舊路線慢走只會被迎面而來的飛機碾壓。

預測與判斷解耦：2016 弗林特鉛水管案

當預測交給 AI，人類的核心價值便轉移至「判斷」。2016 至 2019 年美國密西根州弗林特市（Flint）置換含鉛水管的案例非常經典：

• AI 純預測：模型根據歷史數據預測地下鉛管位置，開挖準確率高達 80%。
• 政治判斷介入：因富裕階層抱怨，政治人物運用自由裁量權干預開挖順序，導致開挖命中率驟降至 15%。
• 回歸演算法：經法院裁決禁止政治裁量後，重新依據 AI 順序開挖，準確率立刻重回 80%。

這個案例體現了重新分配決策權時必須考量的四個要素：資訊、技能、獎勵機制與跨機構協調。同時也證明了，相較於人心難測且隨人而異的偏見，演算法是可被審計、可堆疊且能全局修正的，能為交通違規或履歷審核提供更一致且公平的標準。

結合軟工邏輯的系統思考

從個人工程與系統營運的經驗來看，系統性解決方案的難處不在於導入新工具，而在於能否精準畫出整套流程圖，並透過類似軟體開發 CI/CD 的連續迭代邏輯去找到關鍵瓶頸。接著提出假設、驗證解決方案，最終在全新的預測能力上，打造出一套比舊有體系高出數倍效率的新架構。推動系統變革極為困難，但這正是人類跨越技術中間期、實現整體公平與效率飛躍的唯一途徑，也是未來人類槓桿AI能力的利器。