AI如何塑造生产力？复旦联合斯坦福、伯克利、牛津、普林斯顿、UCL等12家机构给出68页答案
过去一年，AI 已经从有问必答的对话工具，逐渐变成能接过一整段工作的执行者。金融机构里，agent 被用来模拟一家机构的决策结构，彼此竞争以过滤噪声；法律领域，它已经从检索辅助走到把推理过程逐步显式化，甚至对整个庭审过程建模。
而这种接管能力远不止于屏幕内的工作。产线上，它从缺陷检测走到了排产与运营决策；田间，它能编排视觉模型与知识图谱做出病害诊断；跨境贸易中，它负责理解与编排，把关税计算和制裁筛查交给确定性模块；医院里，它已经走完从知识注入、能力对齐到 agent 化执行的完整路径。 AI 正在 广泛 进入各行各业，转化为真实的生产力。
Claude Code 在终端里自主调试代码库。 
Claude Cowork 把本地零散数据做成可视化报告，并定时运行。 这种跨行业的普遍性，是以往的生产工具较少具备的。从蒸汽机到电气化再到数字网络，历次工具革命同样重组过大规模生产的组织方式，但它们主要放大的是人类工作的某个特定方面，在预先设定的范围内高度有效，一旦超出既定的流程，便仍需人来判断与接手。而 Agentic AI 与以往工具的不同之处，在于同时具备通用性与自主性，因而正在成为一种新的生产工具，并进而革新生产关系。它的意义不只在于让单项任务更快，而在于 重新组织工作的执行、协同与责任分配。 然而，这场重组究竟经由哪些机制发生、在各个产业中又分别走到了哪一步，此前始终缺少系统的回答。
为回答「AI 能力如何真正转化为持续的生产力增长」这一关键问题，由复旦大学牵头，联合浙江大学、斯坦福、伯克利、普林斯顿、牛津等 12 家机构组成的 AI4X Project Team，近日发布 68 页综述《AI for Productivity in the Age of Agentic AI》。综述提出效率与扩张两大机制，建立生产责任委派的四阶段框架，据此考察十一个关键行业的真实应用、代表性系统与评测基准，并归纳出决定扩散深度的五个结构性因素，试图为理解下一轮生产方式变革提供见解。
论文标题：AI for Productivity in the Age of Agentic AI
论文链接： https://github.com/ai4x-org/AI4Prod/blob/main/AI_for_Productivity_in_the_Agentic_Era.pdf
项目主页：https://ai4x-org.github.io/
代码仓库：https://github.com/ai4x-org/AI4Prod
一、Agentic AI：
第一类能接过整段工作的生产工具
各种经济时代的区别，不在于生产什么，而在于怎样生产，用什么劳动资料生产。
—— 马克思《资本论》
回望历史进程，每一轮生产工具的更替，都会把原本由人完成的一部分工作转交给机器。蒸汽机把体力劳动机械化，实现了人力与畜力的大规模替代；电气化与流水线围绕标准化、连续化与高吞吐重组了生产组织；计算机与数字网络则把技术增强从体力劳动扩展至认知、行政与组织工作。工业机器承接的是物理执行，信息系统承接的是计算、存储与规则化处理，二者都在预先设定的范围内展开。 而 Agentic AI 所承接的，是从接到目标到交付结果的整个过程。
Agentic AI 之所以能够胜任之前的生产工具都不能承接的全流程任务，源于两项新的性质。
一是 通用性 。传统软件只在预先定义好的流程中有效，更换场景往往需要重做；同一个 agent 则可以在语言、分析、操作等不同类型的任务之间反复复用，跨任务、跨领域、跨知识语境均能成立。agent 因而更接近一份贯穿整条生产管线的资产，而非附着于某一环节的单项功能。
二是 自主性 。给定一个目标，agent 能够维持上下文、将目标拆解为子任务、按需调用外部工具，并依据反馈回头修正，整个闭环无需人持续介入。
两者叠加，AI 得以从处理零散任务的辅助工具，转变为可对一项完整工作端到端负责的执行者。 而下一个问题随之而来：它究竟经由什么，把这份「负责」转化为真实的生产力？
二、效率与扩张：
Agentic AI 转化为生产力的两条机制
Agentic AI 经由两条机制提升生产力： 效 率机制 降低既有产出所需的人力投入， 扩张机制 则解锁新的生产任务，使那些原本因成本过高、周期过长或复杂度过大而不具可行性的工作成为可能。
当运行 agent 的成本低于人工完成同一任务的时间成本时， 效率机制 开始生效。Anthropic 基于约 10 万个 AI 辅助对话任务的时间估计显示，一项在无 AI 条件下约需 90 分钟的任务，可缩短约 80% 的耗时；BCG 与哈佛商学院的联合实验中，使用 AI 的咨询顾问任务完成速度提升 251% ，质量评分提高 40% 。
另一条影响更广、却更易被忽视的路径是 扩张机制 。例如，借助 Claude Cowork 等 AI 工具，无技术背景的营销负责人也能够独立搭建每日更新的实时看板，使预算调整从事后复盘转为前瞻决策。Anthropic 的数据亦显示，约 27% 的 AI 辅助任务被用户描述为「如果没有 LLM，这件事我根本不会去做」 —— 探索性试错、大规模工程补全，以及大量因人力不足而长期搁置的长尾改进，都因此具备了可行性。
两条机制之间存在先后顺序： 效率机制必须先深化到消除协调开销的程度，扩张机制才开始生效。 如果只看到省了多少工时，便会大幅低估其实际收益 —— 被释放的人力与注意力能否重新投入创新、决策与服务，才是决定长期收益的关键。
三、委派层级：
生产责任由人向系统移交的四个层级
两条机制阐明了收益的来源，但衡量一个行业的实际进展，取决于生产责任的移交程度。这一移交存在明确的层级： 执行、协调、监控乃至战略控制依次由人类转向系统，对应四个委派阶段（Delegation Stages）。
四个阶段对应四种截然不同的人机关系：
Stage 1・对话式助手： 可完成检索、起草与初步分析，但无法与真实环境交互，全流程仍需人工驱动。
Stage 2・反应式操作者： 能在有限范围内自主执行，但每一步仍需人工校验与纠错。
Stage 3・自适应协调者： 人类退居调度位置管理多组 agent，协调责任开始外移。
Stage 4・自治生产系统： 人类仅需设定目标，系统即可自主完成从执行到监控的完整闭环。
瓶颈的性质亦随阶段递进而根本改变。 前三阶段的共同瓶颈在于能力。 受限于 AI 的能力边界与稳定性，人类必须在执行、监督或问题界定环节兜底。 到 Stage 4，能力已不再构成约束，瓶颈转向目标对齐与数据局限。 系统仅依赖可量化信息，对复杂的人类因素与不可预测的现实事件缺乏充分认知。其价值亦正在于此：通过超越人类注意力极限的可扩展异步决策，AI 得以组织此前因过于复杂或昂贵而无法管理的活动， 实质上扩张了生产前 沿 。
四、行业扩散图谱：
十一个关键行业所处的委派层级
四阶段委派框架提供了衡量尺度，但仅凭评测榜单无法判断一个行业的 AI 应用深度。GDPval、APEX、Vending-Bench、METR time horizon 这批新出现的生产力导向评测， 却难以覆盖 AI 是否真正进入日常工作、被交付了多少责任，出错之后由谁承担。 而决定 AI 能否在一个行业真正落地的，恰恰是这三件事。因此，为了判断各行各业在 AI 应用深度上所处的位置，综述对 11 个重点行业行业进行了委派深度的分析。
层级归属的判定依据五项标准：AI 是否已进入真实的生产流程、能否执行多步任务、是否使用外部工具与反馈闭环、人类责任是否已部分转移，以及观察到的收益主要体现为效率还是扩张。这十一个行业看似差异巨大，但决定其 AI 采纳深度的是同一组结构性因素：数字化程度、反馈可验证性、容错度、任务的可拆解性，以及责任归属。
萌芽扩散层（Stage 1 至早期 Stage 2）：
这一层的共同处境十分相似。AI 已经进入工作场景，却仍停留在「助手」的位置，可解读、可建议，但不能为结果负责。四个行业的具体约束各不相同，都还没有真正从辅助走向执行。
制造： 工业副驾已能读取实时传感数据、解读报警并给出运营建议，部分场景还引入了多 agent 协作。但产线停机代价高昂、安全要求刚性，这些系统始终被限定在解读、建议与局部自动化的范围内，没有人会让它直接下达生产指令。
农业： 动态调度视觉模型与知识图谱已能完成精准的病害诊断。但农田是高度不确定的物理环境，田间推理只能依靠边缘设备上的小模型，能力明显跟不上，软硬件一体化的基础设施也尚不完整。诊断结论给得出来，落到地里的动作仍需人来完成。
房地 产 ： LLM 可用于合同信息抽取与房源文案生成，但单独用于房价预测时表现不如传统机器学习模型。应用因此集中在信息处理与获客环节，定价策略、谈判方式、法律判断与交易执行仍由人来决定。
政府： 检索增强系统能把输出与法规条文逐条对齐，其本质更接近精准的语义搜索而非自主决策；多 agent 政策模拟则存在严重的内部不一致，只适合充当分析工具。公共权力的行使要求程序正确与责任明确，这两点目前都无法交给 AI。
主题：生产工具