当AI开始制造通胀：效率革命之前，先是一场资源争夺 导语
7月10日，美联储向国会提交最新货币政策报告。报告里有一句很容易被忽略的话：今年通胀压力的上升，不只来自关税和中东局势，也来自AI基础设施建设。
这件事有些反直觉。
过去几十年，我们习惯把数字技术和“降成本”联系在一起。软件可以复制，信息可以即时传输，互联网把交易成本压到很低。按照这个经验，AI似乎也应该天然带来通缩：更少的人完成更多的事，企业效率提高，商品和服务变便宜。
但现实正在展示另一条路径。AI当然可能在长期提高生产率，却首先制造了一场规模庞大的资源争夺。芯片、存储、电力、土地、数据中心、冷却设备和专业人才，都在被迅速重新定价。
AI的效率革命，可能要先经过一段“成本膨胀期”。 一、AI不是一团飘在云端的软件
人们谈AI时，往往看到的是聊天窗口，容易忘记窗口背后是一套越来越重的工业系统。
训练和运行模型需要高端芯片与存储，需要数据中心，需要稳定电力和电网扩容，也需要工程建设、散热系统与大量专业人员。国际能源署预计，全球数据中心用电量将从2025年的约485太瓦时，增加到2030年的约950太瓦时；其中，面向AI的数据中心用电增长更快，五年内可能达到原来的三倍。
所以，AI在用户界面上很轻，在资产负债表上却很重。
它表面上是一场软件革命，底层却同时拉动半导体、能源、电网、建筑、设备和融资需求。当这些需求集中爆发，而供给又无法同步扩张时，价格上涨并不奇怪。
这也是本轮AI浪潮与早期互联网一个重要区别。互联网的核心资源是带宽和服务器，扩容相对快；AI所依赖的先进制程、存储、电力和数据中心，都有更长的建设周期。模型迭代可以按月计算，电网和晶圆厂却要按年计算。
技术进步很快，物理世界很慢。两者之间的速度差，就是成本压力的来源。 二、通用技术的红利，往往先表现为投资，后表现为生产率
经济史上，真正改变生产方式的通用技术，很少在出现后立即带来整体效率提升。
电力普及以后，工厂并没有因为把蒸汽机换成电动机就立刻提高效率。企业还要重新设计厂房、生产线、岗位和管理方式。计算机进入办公室后，也曾长期出现所谓“生产率悖论”：电脑随处可见，但宏观生产率数据迟迟没有明显改善。
原因并不复杂。新技术只有和组织、流程、人才及制度结合，才会转化为生产率。在这之前，企业看到的首先是采购费、建设费、培训费和试错成本。
AI也正在经历同样的阶段。
企业购买模型额度、部署私有算力、建设知识库、招聘工程师、推进智能体项目，看起来都属于“AI投入”。但投入本身不是生产率。只有当原有流程被重新设计，岗位责任被重新划分，数据真正可用，错误可以被追踪，AI才会从一项费用变成一种能力。
这中间存在一段不舒服的时期：成本已经发生，收益尚未稳定；员工已经开始使用，管理制度还没有跟上；局部效率提高了，组织整体却未必更快。
很多企业目前真正面对的，并不是“要不要拥抱AI”，而是能不能穿越这段投入先于产出的中间地带。 三、中国企业面对的是更难的一道题：上游涨价，终端仍然温和
国家统计局7月9日发布的数据显示，6月份全国居民消费价格同比上涨1.0%，工业生产者出厂价格同比上涨4.1%，工业生产者购进价格同比上涨6.4%。这些变化当然不能简单归因于AI，其中也包含能源、原材料和国际环境的影响，但它呈现出一个值得企业警惕的结构：成本端的压力正在上升，终端需求和消费价格仍相对温和。
这意味着，很多中国企业没有足够的定价权，把新增成本顺畅转嫁给客户。
在需求旺盛的市场里，企业可以一边投入AI，一边用增长覆盖试错；在存量竞争和价格敏感的市场里，每一笔AI支出都必须更快回答一个问题：它到底创造了什么经营结果？
是缩短了客户等待时间，还是只缩短了写报告的时间？
是提高了销售转化，还是只是生成了更多营销内容？
是减少了风险损失，还是增加了一套新的审批和填报？
是沉淀了组织能力，还是让少数员工掌握了无法复制的个人技巧？
AI最容易制造的假象，是“局部看起来很先进”。一个演示效果很好的智能体，并不等于一条稳定的生产流程；一份几分钟生成的报告，也不等于管理决策质量提高。
越是在成本上升、需求温和的环境里，企业越不能用技术声量替代商业回报。 四、管理者要把AI从创新议题，改成资本配置议题
前一阶段，企业推动AI，常见方式是鼓励试用、征集案例、举办比赛、建设平台。这些做法适合启动，但不适合长期管理。
当AI进入规模化投入阶段，管理者需要像管理资本开支一样管理它。至少要过三道门。
第一道门，是客户价值。
项目是否改善了客户体验、产品质量、收入增长或风险控制？如果AI只让内部材料写得更快，却没有把节省出来的时间投入客户和经营，它的价值很可能被新的会议与汇报重新消耗掉。
第二道门，是瓶颈价值。
真正值得优先改造的，不是最容易展示的环节，而是长期限制业务产出的瓶颈。可能是信息检索，可能是跨部门流转，可能是合规复核，也可能是专家经验无法复制。AI只有作用于瓶颈，局部效率才可能转化为系统效率。
第三道门，是复用价值。
一个人用AI完成一次任务，价值有限；一套方法能够被团队反复调用，才形成组织资产。每个智能体、知识库和自动化流程，都应当对应一条可衡量的任务链，明确输入、输出、责任人、复核点和成本。
没有这三道门，AI项目越多，组织可能越复杂。 五、AI时代真正稀缺的人，不只是会用模型的人
成本膨胀还会改变人才价值。
未来最稀缺的，不一定是最会写提示词的人，而是能够连接业务、技术与组织的人。他们知道业务问题在哪里，能够把复杂任务拆成流程，理解数据边界，也知道哪些判断必须由人承担。
这类人本质上是“业务架构师”。
他们不会简单地问“AI能不能把这个岗位替代掉”，而会追问：这个岗位由哪些任务组成？哪些任务适合自动化？哪些环节需要专业判断？AI节省出的时间应该流向哪里？新的风险由谁承担？
对HR而言，AI带来的挑战也不只是增加一门培训课程，而是重新识别岗位价值。
过去，组织按人数、岗位和层级配置资源；未来，越来越需要按任务、能力和人机组合配置资源。绩效评价也要从工作量转向问题质量、判断质量、客户价值和流程改进。
AI不是简单地把人从流程里拿掉，而是要把人放到更值钱的位置上。能不能完成这次重新配置，决定了企业最终得到的是效率红利，还是一笔持续上升的技术费用。 今日观察与判断
今天值得记录的信号是：AI第一次被更明确地放进了通胀和货币政策的讨论中。
这说明AI的宏观影响已经越过科技行业，开始进入能源价格、资本开支、利率判断和居民消费。市场过去主要讨论AI能创造多少增长，接下来会越来越多地讨论：它占用了多少资源，推高了哪些成本，又需要多久才能形成足够的生产率来消化这些成本。
我的判断是，AI在长期仍有明显的通缩潜力，但在相当一段时间里，它会先表现为投资冲动和资源通胀。两者并不矛盾。
真正的分化会发生在中间阶段。
有些企业会不断购买更贵的模型、建设更多平台，却没有改变流程；有些企业则会控制投入节奏，把AI集中到少数关键瓶颈，并同步调整岗位、责任与评价机制。前者拥有很多AI项目，后者形成AI生产率。
技术最终可能降低整个社会的成本，但它从来不保证降低每一家公司的成本。
对管理者来说，最重要的不是相信AI终将提高效率，而是确保自己的组织有能力等到效率真正出现。在此之前，要有资本纪律，也要有组织耐心。
AI的下一阶段，不只是比谁更敢投入。
更是比谁知道，什么钱该花，什么流程该改，什么结果才算数。
资料来源：
1.
Federal Reserve, Minutes of the Federal Open Market Committee, June 16–17, 2026（2026年7月8日发布）
https://www.federalreserve.gov/monetarypolicy/fomcminutes20260617.htm
2.
Reuters, “Fed report cites ‘stepped-up’ inflation due to tariffs, Iran war, AI buildout”（2026年7月10日）
https://www.reuters.com/business/fed-report-cites-stepped-up-inflation-2026-07-10/
3.
国家统计局：《2026年6月份居民消费价格同比上涨1.0%》《2026年6月份工业生产者出厂价格同比上涨4.1%》（2026年7月9日）
https://www.stats.gov.cn/sj/zxfb/
4.
International Energy Agency, Key Questions on Energy and AI（2026年更新）
https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary