編按:本文綜合整理自 Apollo Global Management 首席經濟學家 Torsten Slok 的 Daily Spark 分析(10 月 24 日)、Apollo Daily Spark 系列:The Buyers of AI Are Still Waiting for the Payoff(8 月 9 日)、Ramp AI Index 十月報告〈Cracks in the AI Thesis, Part 3〉、Ramp AI Index 官方數據頁、TechCrunch:AI spend per employee slumped at top firms in August、Yahoo Finance 節目影片:Apollo’s Torsten Sløk:There’s no evidence AI is lifting margins outside tech、Yahoo Finance:Why CEOs are still waiting for AI to pay off、Fortune:Torsten Slok 警告 AI 生產力預期過高、Seeking Alpha:AI talk is nearly universal on S&P 500 calls, but the payoff still isn’t、Apollo 官方 X 貼文 與 Hacker News 討論串(453 分、438 則回覆),並加入 Siami 編輯部觀點與分析。
2026 年 10 月 24 日,Apollo Global Management 首席經濟學家 Torsten Slok 在每日專欄 Daily Spark 丟出一個不太受科技圈歡迎的結論:AI 對科技業以外的美國企業,到今天為止的財務回報是零。
他的措辭不是「尚未看到」這種留餘地的說法。他用的是更硬的一句:
The bottom line is that the AI story will be decided in the S&P 493, not the Mag 7, and so far, there is no evidence that revenue growth or margins are improving outside the tech sector.
AI 這場遊戲最後要在 S&P 493 這 493 家非科技業的大公司裡見真章,而不是在七大科技巨頭。但到目前為止,科技業以外的營收成長與利潤率,沒有任何改善的證據。
這篇分析在 Hacker News 累積 453 分、438 則回覆,是當週討論度最高的財經/AI 題材之一。留言區的爭論程度遠超一般科技新聞——反對者與支持者都在同一串裡長篇交鋒。
三張圖表拆解:差距到底有多大
Slok 用五張圖表拆解整個論點,數據來源是 Bloomberg、Macrobond 與 Apollo 首席經濟學家團隊本身,價格都經過通膨調整。
圖表一:每名員工營收,只有科技業在漲
第一張圖的標題寫得很直白:Revenue per worker moving up for tech but not for the rest of the economy。兩條線在 2019 年幾乎重疊——Mag 7 約 70 萬美元、S&P 493 約 49 萬美元——然後在 2020 年疫情期間分道揚鑣。
- Mag 7(綠線):從 2022 年低點約 57 萬美元一路上彎,到 2026 年最新一季逼近 79 萬美元
- S&P 493(灰線):整段期間在 49 萬到 53 萬美元之間來回震盪,近四年幾乎是條水平線
七家科技巨頭的人均營收比市場其他部分高出將近 50%,而且差距是從疫情後才開始拉開的。
圖表二:利潤率,同樣的故事
第二張圖講利潤率,結論一模一樣:Mag 7 的利潤率在上升,S&P 493 平貼在地板上。
這兩張圖合起來的杀伤力在於——它們排除了「景氣循環」這個最容易的辯解。如果只是經濟週期問題,那麼兩條線應該同步起伏。實際上,2020 年之後美國整體經濟並沒有陷入衰退,通膨也逐漸回落,但 S&P 493 的人均營收與利潤率就是沒有動。
圖表三:生產力成長率,AI 至今沒留下痕跡
第三張圖是最關鍵的一張:No signs of AI boosting productivity growth。這比較的是總要素生產力(TFP)與每小時產出(output per hour)的年增率,時間軸從 1985 年一路拉到 2026 年,資料來自舊金山聯儲的 Fernald (2014) 利用率調整序列與美國勞工統計局。
把 2023 年之後的區段放大看:綠線(TFP)在零軸附近反覆上下穿越,沒有任何一個週期出現持續的正成長。2021 年 AI 熱潮起點附近那波 TFP 飆升(峰值超過 4%)之後就熄火了,2023 年之後幾乎是貼著零軸在走。
這一張圖直接回應了經濟學界最老的「生產力悖論」(Solow paradox)——計算機革命明明早就來了,為什麼 GDP 裡看不到?
AI 可能是一座非常好的計算機,但在商業裡,智慧大多是判斷力。判斷力取決於脈絡,而答案會因為你問的是哪個人或哪個模型而不同。
花錢的人高度集中,回報卻只留在原地
第三、四、五張圖表把「誰在花 AI 的錢」這件事攤開來看,這是整份分析裡最值得玩味的部分。
圖表四:AI 支出集中在極少數公司
標題是 AI spending is extremely concentrated in a small number of firms。這張表比較「前 10% 公司」與「後 90% 公司」的支出佔比:
| 支出類別 | 前 10% 公司 | 後 90% 公司 |
|---|---|---|
| Model Serving & Inference | 99.5% | 0.5% |
| Neocloud | 99.0% | 1.0% |
| OpenAI + Anthropic | 95.6% | 4.4% |
| Cloud computing | 95.7% | 4.3% |
| SaaS excluding AI | 91.8% | 8.2% |
| Paid Ads | 91.9% | 8.1% |
| CRM | 84.2% | 15.8% |
AI 支出最集中的那一項(模型服務與推論)落在極度極端的位置:99.5% 的錢是前 10% 公司花的,後 90% 幾乎等於零。
值得注意的是對照組:即使是傳統的 SaaS(排除 AI),前 10% 也占 91.8%;CRM 這種成熟軟體類別也有 84.2%。AI 把既有的軟體支出集中度又往上推了一級,但它並沒有因此變得更分散——恰恰相反。
圖表五:花大錢的是創投公司,不是靠營運養出來的
第五張圖最耐人尋味。標題:Circularity in AI shows up in token spending too。它把企業按 AI 支出強度分兩組,看這些公司的創投支持比例:
| 企業分組 | VC 支持 | 非 VC 支持 |
|---|---|---|
| 前 1% AI 支出者 | 80.4% | 19.6% |
| 中位數支出者 | 13.1% | 86.9% |
前 1% 的大戶裡,八成是靠創投資金撐起來的。 中位數支出者則只有 13.1% 是創投公司。
這個分布說明一件殘酷的事:AI 的資本支出在極大程度上是外部融資推動的,而不是靠本業營運現金流撐出來的。這帶出 Apollo 分析裡所說的「循環性」(circularity)問題——科技巨頭既是 AI 支出的主要出資方,又是 AI 產出的主要受益者,中間還夾著大量由這些錢養出來的 AI 新創。
VC-backed companies are spending more and more on tokens, but mainstream corporate America does not need the latest model and is unwilling to pay for it.
Ramp 的獨立數據說了同一件事
Apollo 的圖表畢竟出自資產管理公司之手,會被質疑有立場。幸運的是,Ramp AI Index 用完全不同的方法——8.5 萬家美國企業的信用卡與帳單交易資料——得出了幾乎一樣的結論。
Ramp 首席經濟學家 Ara Kharazian 在 10 月 14 日發布的〈Cracks in the AI Thesis, Part 3〉裡寫:
- 2026 年 9 月,AI 採用率達 55.9%,比 8 月增加 0.62 個百分點,比一年前高 12.1 個百分點
- 但 前 1% 企業每名員工每月支出 9,568 美元,較 7 月高點 9,873 美元下跌 3.1%
- Ramp 明確指出「這不是季節性因素」:token 用量同期還在上升,下滑的是 token 支出
- 8 月與 9 月連續兩個月 token 支出近乎零成長
Kharazian 對成因的解釋是:前沿模型價格下跌,加上各智慧層級模型效率與品質的提升,把「每百萬 token 的混合價格」往下拉。這對用戶是好事——但對 Apollo 論點是壞消息:你省下的成本不等於你多賺到的利潤。
10 月初 AI 支出雖創新高,比 8 月前高點再高 1.5%,但 Kharazian 直言「成長仍顯著放緩」。
更關鍵的是 Kharazian 自己的補充:OpenAI 與 Anthropic 80% 的支出,是由 1% 的公司貢獻的。 這與 Apollo 第四張圖表指向同一個方向。
為什麼這件事重要
Slok 的分析如果只是「科技業以外的 AI 還沒賺到錢」,那它不過是一份例行財報數據。但它真正有力的地方,在於它把散落在各處的證據串成了一條線。
第一,它把「AI 泡沫」這個模糊的情緒,轉換成一個可以被驗證的命題。 Slok 給的不是觀點,是三張圖表和一個明確的判準:AI 的故事會在 S&P 493 裡見分曉。如果未來 12 到 18 個月,S&P 493 的人均營收與利潤率開始出現與 Mag 7 同向的上升斜率,這份分析就被推翻;如果沒有,這份分析就成立。這是可以被事後檢驗的,這在 AI 泡沫的討論裡相對罕見——多數預測都是「相信我,未來會證明我對」。
第二,它解釋了為什麼「裁員預言」一直沒兌現。 這幾年不斷有人預言 AI 會帶來大規模裁員,但主流企業的實際動作是——把 token 支出從「成長引擎」重新歸類為「成本中心」。這兩件事並不矛盾:AI 已經在省钱了,但省下的錢被用來買更多 AI,而不是轉成利潤。 從經濟學角度,這是典型的「生產力提升被轉為規模擴張」的型態——對 GDP 統計來說,生產力提升被新的支出抵銷了。
第三,Ramp 的獨立數據讓這個論點脫離了「資產管理公司唱衰 AI」的可信度質疑。 兩個完全不同的方法——宏觀企業財務數據 vs. 信用卡交易層級的消費資料——在「支出高度集中」與「頂端支出開始鬆動」這兩件事上給出同樣的答案。
第四,也是最實際的一層:這對決策者意味著什麼。 如果 Slok 是對的,那麼把 AI 預算當成「下一個營收成長引擎」的企業,會在兩到三年後發現自己只是花更多錢維持同樣的競爭位置。真正的價值不會出現在財報的 AI 專案裡,而會出現在那些已經在流程裡、但從未被自動化的瑣事——HN 上一位網友舉的例子非常具體:一位在法律合規領域工作的女性,需要一個帶表單和驗證流程的小應用,CTO 說太複雜、要花 15 天外包,結果她自己用 ChatGPT 加內部工具,一個早上就做完了。
AI 的回報不在「模型更強」,而在「有沒有人真的把它接進流程」。 這是 Apollo 這份分析裡最容易被忽略、卻最實用的一句話。
數據解讀與質疑
誠實地說,這份分析有幾個地方需要打問號。
質疑一:S&P 493 的「平坦」可能是分母效應,不是分子問題
Slok 把 S&P 493 描述成「AI 沒有回報」的反面教材,但從 2019 年到 2026 年這段期間,S&P 493 的成分經歷了相當程度的輪動。當你把一家傳統製造、零售、醫療公司換成另一家傳統製造、零售、醫療公司,人均營收本來就會在均值附近徘徊——這可能完全跟 AI 無關,而是一個組合層面的結構性事實。
換句話說,「平坦」這個觀察,無法區分「AI 沒用」和「非科技業本來就沒有生產率提升的結構性原因」。真正能區分兩者的,是第三張圖的 TFP——那張圖是整體經濟層級的,不受個股輪動影響。但 TFP 同樣有它的問題:TFP 是「殘差項」,它是「用掉的東西減掉能解釋的部分」,把 AI 的效果算進去,等於預設了 AI 應該怎麼被測量。
質疑二:時間窗口可能太短
HN 上網友 ttul 的電子商務類比是這串討論裡最有說服力的反駁之一:亞馬遜 1997 年上市時營收只有沃爾瑪的 0.14%,實體零售業到 2011 年才開始有感,而亞馬遜真正超越沃爾瑪是 2025 年——中間隔了 28 年。而且他補了一個關鍵細節:如果當年在電商業工作,2007 年事情就已經蠻火熱了,那時電商佔傳統零售還只有 4%。
用同樣的邏輯套回 AI:真正足以大幅加速寫程式的好模型,2026 年初才開始普及。AI 從技術可用到全面滲透到一家麵粉廠或保險公司的帳務流程,中間隔的時間可能比多數人願意等的长。Apollo 拿 2026 年的數據去斷言「AI 還沒用」,某種程度是拿 1998 年的亞馬遜去否定電子商務。
質疑三:把「利潤率沒提升」歸因於 AI,是一個未經驗證的因果
原文說「因為對淨利潤沒有影響,主流企業開始把 token 支出當成本中心」——這個因果鏈在邏輯上是反轉的。更可能的順序是:企業把 token 支出當成本中心(因為它確實是成本),而 利潤率之所以沒提升,是因為這些支出佔掉了本該流向利潤的空間。也就是說,AI 支出不是「回報為零所以被降級」,而是「被當成本就代表它正在吃掉利潤」——這兩種敘事導向完全不同的結論。
質疑四:Kharazian 的數據其實在支持另一種解讀
Ramp 的數據最有趣的地方,是它同時可以支持樂觀與悲觀兩種敘事:
- 悲觀解讀:前 1% 每員工支出連跌兩個月,token 支出連兩月零成長 → 需求見頂了
- 樂觀解讀:用量還在成長(token volume 同期上升),下跌的是單位價格——這正是技術進步的典型特徵。價格戰打下去,應用才會真正普及。
Kharazian 自己的解讀偏向前者(「We’re seeing more cracks in the AI thesis」),但「摻雜價格下跌導致支出下滑」和「需求萎縮導致支出下滑」,在企業採購的層面意義完全不同。這一點,連 Apollo 的分析也沒有回答。
關於資料透明度的加分項
最後必須說一句公道話:Slok 這份分析的透明度遠高於多數財經評論。五張圖表全部公開、數據來源逐條標註(Bloomberg、Macrobond、舊金山聯儲、BLS、Ramp AI Index、Apollo 首席經濟學家)、通膨調整基準寫明為 2019 Q4,任何人都可以下載圖表自己驗證。他甚至在腳註裡寫明 TFP 序列用的是 Fernald (2014) 利用率調整版本。這在「觀點文章」裡是罕見的規格。
同樣地,Ramp AI Index 的方法論也公開到細節:85,000+ 家企業、交易資料來源、企業 AI 採用判定方式(以商家名稱與帳單行項辨識)、以及主動聲明「我們的結果很可能低估實際 AI 採用率與支出,因為免費工具與員工用私人帳號的情形無法從交易資料看見」。
這兩份東西加在一起,構成本輪 AI 泡沫討論裡少數可以被獨立檢驗的硬數據。 不管你站在哪一邊,這都比絕大多數「AI 會改變世界」的樂觀論述,或「AI 是泡沫」的空泛預言,來得誠實得多。
留言區兩種典型論點
438 則回覆裡,最有價值的不是情緒,而是把爭議拆解成可辯論命題的幾段。挑兩段有代表性的:
支持 Apollo 陣營的(認為 AI 的價值還沒兌現)——HN 網友 mbil 指出,AI 在生成軟體上比協助其他知識工作有用得多,因為軟體可以自動驗證。驗證迴圈讓系統迭代到可接受解答;但要 AI 產出一份給人看的文件,你得逐句審閱修訂,那種情況下收益很小,甚至比重寫更費力。非科技業的工作負載還涉及打電話、寄包裹、傳真這些 AI 做不到的事。
質疑 Apollo 陣營的(認為「零回報」是時間問題)——除了前述的電商類比,另一位網友 bagacrap 提出了一個更尖銳的觀察:他的日常已經被「AI 找出來的漏洞修補」淹沒,而「仍在核心產品上工作的那 25% 工程師時數多產出 40%」。實際寫程式是 2 到 3 倍,但那從來不是工作的大宗。所謂的生產力增益,是用另外 50% 的人力轉去做 AI 相關的事換來的。
結語
AI 的故事會在 S&P 493 裡決定,這句話不管你喜不喜歡都成立。差別只在於:到那個時刻,會是「AI 終於回報了」,還是「我們終於承認 AI 從來不是為這裡設計的」。
Apollo 這份分析的價值,不在於它下了多麼肯定的判斷,而在於它把判準寫清楚了——看 S&P 493 的人均營收與利潤率,不是看股價,也不是看科技巨頭的財報。
對台灣的中小企業與工作室來說,這份分析其實還藏著一個更實際的提醒:如果你所在的產業是「非科技業」,那麼 AI 的回報目前為零不是你的錯,也不是 AI 的錯——是因為你的流程還沒有任何一環被真的接上去。 那位自己用 ChatGPT 一個早上做出合規小工具的女性,替所有非科技業的企業指出了差距真正在哪裡。
延伸閱讀
- Apollo Daily Spark:No Signs of AI Payoff Outside the Tech Sector
- Apollo Daily Spark:The Buyers of AI Are Still Waiting for the Payoff
- Ramp AI Index:Cracks in the AI Thesis, Part 3
- Ramp AI Index 官方數據頁
- TechCrunch:AI spend per employee slumped at top firms in August
- Fortune:Torsten Slok 警告 AI 生產力預期過高
- Seeking Alpha:AI talk is nearly universal on S&P 500 calls, but the payoff still isn’t
- Hacker News 討論串(453 分、438 則回覆)
網友熱門留言 (6)