本文由英文原文機器翻譯而成。
最後更新： · 閱讀時間約15分鐘
重點摘要
1987年，羅伯特·梭羅寫道，電腦時代隨處可見，唯獨不見於生產力統計。將近40年過去，同一句話又被拿來形容AI。GDP漏算的免費數位商品解釋不了這次放緩，因為它們的價值實在太小。真正的教訓來自電力：工廠的生產力大約40年都沒有飆升，直到新的廠房圍繞著電動馬達重新設計。AI要打破這個循環，企業就得圍繞它重建，而不是把舊的工作做得稍微快一點。
目錄
「電腦時代隨處可見，唯獨不見於生產力統計。」羅伯特·梭羅（Robert Solow）在1987年寫下這句話，幾乎是隨口一提，藏在他為《紐約時報書評》寫的一篇書評深處。這句話後來成了經濟學界最常被引用的句子之一，也是至今仍被稱為「梭羅生產力悖論」的那個命題的起點。
2024年8月，里奇蒙聯邦準備銀行的3名研究人員發表一份關於AI與勞動力的簡報，開頭就一字不差地引用梭羅這句話，並把它套用在人工智慧上。2026年初，Apollo首席經濟學家Torsten Slok說得更直白：「AI無所不在，唯獨不在最新出爐的總體經濟數據裡。」將近40年過去，同一句話被原封不動地拿來形容一項截然不同的技術。
當年造成這個悖論的原因，始終沒有釐清。電腦時代最後確實在統計數字裡現身過，時間很短，在1996年到2004年之間，隨後又從數字裡消失。如今一項新技術正重演同樣的情節：它肉眼可見地改變日常生活，生產力數字卻文風不動。
顛覆性技術已經兩度在肉眼所見與數據所載之間，撐開同一道落差。這道落差來自一種特定的混淆：把技術有多驚人，和真正推動整體成長的結構重組混為一談。我們一再犯這個錯，因為我們從來沒有把它好好診斷清楚。
數字
這次放緩的規模很容易被低估，因為百分比會掩蓋複利效應。美國民間非農業企業部門的生產力，也就是每工作1小時的產出，在1948年到1973年間每年成長約2.9%。1973年以後，平均年增率降到接近1.8%；除了1990年代中期到2004年之間的一波爆發，再也沒有回到過去的速度。假如1973年以前的成長率一直維持下去，美國今天每小時的產出會比實際高出約75%，這道缺口每年相當於數兆美元的產出。
羅伯特·戈登（Robert Gordon）把這段歷史描述為一個「特殊世紀」的終結：1920年到1970年間，每小時產出每年成長2.82%，相較之下，1920年以前的數十年約為1.5%，1970年以後約為1.6%。總要素生產力（TFP）是剔除資本累積後更深一層的衡量指標，它在這段中間時期的成長率，幾乎是1920年以前和1970年以後的3倍。照這樣解讀，1970年以來的數十年，其實是回到了更早、更慢的步調。
最新的數據也沒有讓這幅景象改變多少。美國民間非農業企業部門的勞動生產力在2024年成長3.0%，屬於景氣循環中的反彈，2025年成長2.2%；到了2026年年中，非農業企業部門生產力的年增率仍有2.2%：表現不差，但還是不及戰後的步調。在經濟合作暨發展組織（OECD）各國，2024年的勞動生產力成長約1.2%，比前一年好。
那些顯而易見的解釋，很快就站不住腳。這不是美國獨有的問題，已開發經濟體普遍出現放緩。這也不是2008年金融危機的餘震：放緩從1973年就開始了，而2004年以後的減速也比金融危機早了4年。
這也不是暫時現象，因為50年遠遠超過一個景氣循環的長度。它也不單純是經濟轉向服務業所造成的結構組成效應，因為製造業和服務業同樣受到放緩的衝擊。
勞動生產力與總要素生產力
勞動生產力，也就是每工作1小時的產出，可能單純因為企業為每名員工投資更多或更好的設備而上升。一座工廠替每名工人買一台更快的機器，每小時產出就會提高，工廠本身卻沒有變得更有效率。總要素生產力把這種資本深化剔除，分離出剩下的殘差：經濟體用同樣的投入，能多產出多少東西。經濟學家把TFP視為衡量長期成長潛力的根本指標，因為一旦它停滯，光靠資本累積無法讓成長無限期延續下去。「量錯了」這條退路
最讓人安心的解釋，是說這次放緩只是統計上的錯覺。GDP衡量的是市場交易。Google地圖、維基百科、免費使用的社群媒體這類免費數位商品，帶給使用者的價值遠遠超過他們付出的任何代價；GDP只計算付了錢的部分，於是漏掉了其中大部分的價值。照這個觀點，我們其實比GDP顯示的更富有，所謂的生產力危機，不過是喬裝打扮的測量危機。
艾瑞克·布林優夫森（Erik Brynjolfsson）和共同作者試著替這些遺漏的價值算出一個數字。他們建立了一套名為GDP-B的架構，詢問人們願意接受多少錢來放棄某項服務，藉此估算免費數位商品帶來的消費者剩餘。
他們發現，若要美國臉書（Facebook）使用者放棄使用，每月補償金額的中位數約為42美元。這些剩餘完全不會出現在GDP裡。
Chad Syverson則證明了，測量錯誤不足以解釋這次放緩。他的實證論據分成四個部分。先看地理：生產力放緩是跨國現象，放緩的幅度和各國使用資訊與通訊科技（ICT）的密集程度無關。如果放緩是數位經濟造成的測量假象，那麼最數位化的國家應該放緩得最嚴重，事實並非如此。在他檢視的30個OECD國家中，有29國的勞動生產力成長放緩，平均每年放緩1.2個百分點，不論這些國家是不是數位科技的重度使用者或生產者。
再看規模。2004年以後的生產力放緩所隱含的「消失的產出」總額，也就是GDP若沿著1995至2004年的趨勢應有的水準與實際結果之間的差距，到2015年已達每年約3兆美元。Syverson檢視過的每一項關於網路時代數位商品消費者剩餘的估計，都只能填補這道缺口的一小部分。後來的研究讓這一點更加鮮明：依照GDP-B的估計，把臉書未被衡量的價值算進來，每年只會讓成長率多出0.05至0.11個百分點，而放緩本身卻讓勞動生產力成長每年少了約1.5個百分點。
產業數據也不配合。測量錯誤哪怕只想解釋消失產出中的一小部分，生產ICT的產業和密集使用ICT的產業，未被衡量的生產力成長率就必須是實測成長率的好幾倍。各產業之間的數據並不支持這一點。最有可能創造這類未被衡量數位價值的部門，實測生產力和推算生產力之間，並沒有出現這種異常落差。
此外，在2004年之後的10年裡，國內所得毛額（GDI）略高於國內生產毛額（GDP）——如果勞工領了薪水，生產的卻是免費送人的東西，就會出現這種模式。但GDI在1998年就開始超越GDP，當時正值生產力榮景的中期，而且多出來的所得流向了利潤，而非薪資。無論時間點還是分配方式，都和「隱藏產出」的說法對不上。
Syverson並不否認數位商品帶有未被衡量的價值。他的重點是，這些價值少了一個數量級，不足以解釋實際發生的事。而且測量錯誤假說對跨國證據提不出任何答案。
GDP-B如何運作
為了估算消費者剩餘，GDP-B採用誘因相容的離散選擇實驗：受訪者在保留某項服務與領取一筆現金之間做選擇，而且牽涉到真金白銀。這些估計有意義，但雜訊不少，因為它們捕捉的是人們自稱願意接受的金額，儘管實驗條件經過設計，旨在引出真實的回答。每名臉書使用者每月約42美元的福利增益，即使把平台上所有美國人加總起來，也遠遠不到每年3兆美元的消失產出。特殊世紀為何特殊
如果測量的說法解釋不了放緩，問題就換了一個方向：究竟是什麼驅動了那50年、我們至今無法複製的成長？一般人對戈登論點的概括是「IT被高估了」，這種說法漏掉了底下那個結構性的主張。
1870年到1940年間的發明，讓整類家務從此消失。在自來水出現以前，美國一般家庭每年要搬運約9,000美制加侖的水：把水挑進屋裡，放在爐子上燒熱，再把水提出去；室內管線一舉終結了這項苦差事。冷藏讓一整類家務勞動變得多餘：早先的冰櫃已經減少了食物腐壞，但機械冷藏免除了食物容易腐壞所逼出來的每日採買。電氣化徹底改變了洗衣。1945至1946年受訪的一位農家主婦，一批38磅重的衣物，用舊方法要洗大約4小時；等家裡有了電動洗衣機、烘衣機、自來水和熱水器，只要41分鐘。
每一項發明都一勞永逸地除掉了一項曾占去大量家庭時間的活動。女性大量進入有給職場，部分原因在於，過去把她們擋在門外的家務勞動被機器接手了。
戈登拿IT來比較，關鍵在於改善一項還能忍受的工作，和消除一項無法忍受的工作，兩者有別。電子郵件加快了寫信的速度，但寫信從來不是全經濟的瓶頸：沒有人每天花好幾個小時處理信件，不像當年的家庭每天花好幾個小時挑水、用手搓洗衣物。搜尋引擎加快了資訊檢索，但對知識工作而言只是邊際改善；而找資訊也從來不像食物保存和運輸那樣，是卡住整個經濟的限制。
泰勒·柯文（Tyler Cowen）把視野拉得更寬。在他的說法裡，1880年到1970年的成長，建立在三種「低垂的果實」之上。第一種是免費的土地：從居住在那裡的美洲原住民各族手中奪來的大陸邊疆，其中許多土地只收一筆登記費就交給了拓墾移民，條件是他們要住在那塊地上、蓋房子並耕作。第二種是把18、19世紀的科學迅速轉化為實用技術：熱力學、電磁學和細菌致病論這些歷經數百年累積的基礎科學，在1880年到1940年間一段密集的爆發期裡，化為電力、內燃機和現代衛生設施。第三種是教育過去未受教育的人口所帶來的巨大報酬，這讓高中畢業從罕見的事變成近乎普及的常態；由於起點極低，每多受一年教育，邊際報酬都很大。
這三者都是一次性的條件，而不是工業經濟可以不斷再生的特質：免費土地不可能被發現兩次，從普遍文盲到普遍識字的轉變也不可能再來一次。柯文認為，網路帶來了巨大的樂趣，其中大多免費，但「就營收和就業而言，網路增加的價值沒有多數人以為的那麼多」。他寫書的時候，推特約有300名員工，Google約有2萬名，這樣的員工人數放在汽車時代，不過是四捨五入就會被抹掉的零頭。
戈登和柯文對未來還有多少突破空間看法不一：戈登對顛覆性創新能否重新出現較為悲觀，柯文則留了一扇門。但他們的診斷一致：1970年以後的放緩是結構性的，根源在經濟本身，而不在景氣循環或統計數字。
兩人的共識引出一個比「IT為何令人失望」更大的問題：任何一項技術，要做到什麼，才能比得上那個特殊世紀？
戈登的逆風
撇開創新的問題不談，戈登指出四股壓抑成長的結構性拖累：不平等加劇，使生產力的果實集中在一小群菁英手中，而沒有提高中位數所得；教育程度在擴張了數十年之後進入停滯；人口老化使勞動年齡人口的比重下降；政府債務占GDP的比率攀升，限制了財政能力。即使創新加速，這四者加在一起，仍會壓低一般人生活水準的成長。技術面的問題則是：生產力究竟能不能加速。1996至2004年的躍升
1996年到2004年間，放緩似乎出現逆轉：非農業企業部門每小時產出每年成長約3%，追平1970年以前的步調。IT樂觀派把這段時期當作技術能夠驅動成長的證據，在這一點上他們是對的。懸而未決的問題是：究竟是哪一種技術帶動了這些成長，又是透過哪些部門。
這波加速集中在少數幾個部門：1995至2000年間，59個部門中的6個，以批發與零售業、半導體和電腦製造業為首，就貢獻了幾乎全部的加速。其中有兩個機制特別突出。一個是半導體製造：摩爾定律推動運算硬體的價格快速而持續地下跌，每單位運算能力變便宜的速度，直接拉高了半導體部門實測的每小時產出。另一個是批發與零售業的物流。沃爾瑪在存貨管理上的革命，建立在條碼掃描、電子資料交換和即時供應鏈協調之上，為配銷環節帶來大幅的實測效率提升，競爭對手在接下來幾年紛紛仿效。由網站、電子商務和電子郵件構成的消費性網路也有貢獻，但遠遠不及硬體和物流。
這波躍升在2004年前後畫下句點。官方統計中的半導體價格跌幅急劇縮小，部分原因是英特爾改變了晶片的定價方式。晶片本身依然進步神速，官方價格統計只捕捉到其中一小部分。IT生產部門對實測成長的貢獻從此大減。
接著，臉書在2004年問世，YouTube在2005年，iPhone在2007年。雲端運算在2000年代後期規模大增，寬頻普及，社群媒體滲透日常生活。肉眼可見的技術變革急遽加速，實測的生產力成長卻在此時回落，兩者從此分道揚鑣。
發電機難題
這道分歧提供了一把衡量AI的尺。AI究竟像半導體，以會反映在產出上的方式帶來結構性變革，還是像消費性網路，令人驚豔、無所不在，在經濟上卻無足輕重？支持「AI帶動復甦」最有力的論點，是能夠明確說出必須滿足哪些條件的那一種。
經濟史學家Paul David在電力的歷史中找到了這個模式。第一批中央發電廠在1880年代初期啟用，但電力驅動在美國工廠普及得很慢，製造業生產力直到1920年代才加速，大約晚了40年。用發電機取代蒸汽機的工廠經理人，保留了原有的實體配置：由單一中央動力源，透過傳動軸和皮帶帶動所有機器。個別電動馬達的效率優勢大多被浪費掉了，因為整座工廠是圍繞著機械動力傳輸的限制來安排的。
突破出現在舊廠房逐漸損耗報廢之際。新的工廠許多是在1920年代的投資熱潮中興建，從一開始就圍繞著單機驅動系統設計，每台機器配備各自的馬達。這讓單層樓的平面配置成為可能，可以順著物料與人力的流向安排，生產順序依照邏輯排列，而不是看離動力軸多近。帶來1920年代生產力飆升的，主要是這種重組，而不只是馬達本身。
經濟學家把現代版的這個現象稱為「生產力J曲線」：通用技術需要大量互補性的無形投資，例如重新設計工作流程、重新培訓員工、調整組織架構，生產力的成果才會顯現；而在這段投資期間，實測的TFP會先被壓低。對AI來說，問題在於企業是否仍在用舊的傳動軸帶動新馬達，把AI塞進一成不變的工作流程裡，還是已經開始圍繞著它打造新的組織。
在單一任務的層次上，證據相當有力。在一家公司的5,000多名客服人員中，使用AI工具讓每小時解決的問題數平均增加約15%，新手員工的進步幅度還要大得多。使用GitHub Copilot的開發人員完成一項標準程式設計任務的速度，比對照組快了約56%。
這些成果能否在整個經濟中累加起來，是另一個問題。一家公司客服部門15%的提升，或一項受控程式設計任務56%的加速，本身都推不動GDP。要扭轉停滯，省下來的時間必須在整個經濟中轉化為同樣工時下更多的產出，或用更少的有給工時完成同樣的產出。
這種轉化取決於瓶頸在哪裡。替一名開發人員每週省下好幾個小時，只有在開發人員的時間正是卡住公司的因素時，才會提高公司層級的產出。如果決定步調的是產品決策、測試基礎設施或部署流程，省下來的時間就會消散為閒置：同樣的有給工時裡，午餐吃得久一點，下午過得慢一點，沒有任何統計會把這記為生產力。同樣的邏輯適用於每一個部門：保險理賠審核員變快了，只有在審核能力本來就是瓶頸、而不是理賠案件的流量或主管機關的核准時，才會產出更多。法律研究人員變快了，只有在事務所按速度而非按工時收費時，才會產出更多可計費的工作。發電機的類比告訴我們該找什麼：圍繞著這項技術、以不同方式組織起來的企業。
通用技術
通用技術的標準定義有三項條件：普及於各個部門、技術持續進步，以及催生互補性的創新。蒸汽、電力和電腦運算都符合。目前的AI究竟三項全都符合，還是只符合前兩項，仍無定論。普及性顯而易見，技術進步也很快速。懸而未決的是第三項：AI的進步能否提高使用它的部門的創新生產力，催生建立在它之上的新流程和新產品。這方面的證據至今仍屬零星個案，而非系統性的證據。證據怎麼說
目前的證據分為三類，而且指向不同的方向。
最硬的數字是官方數字。美國勞動生產力成長自2024年的景氣反彈以來一直表現不差，但民間非農業企業部門的總要素生產力成長，從2024年的1.5%放緩到2025年的0.8%。截至2026年年中，沒有任何總體數據序列出現結構性斷點，可以對應由AI驅動、遍及全經濟的加速。
勞工調查的結果比較令人振奮。2024年底，AI使用者自稱省下的時間，加總起來相當於全體勞動力總工時的1.4%；如果省下的時間化為額外產出，而非被閒置吸收，足以讓整體生產力提高約1.1%。到了2025年夏天，超過三分之一的美國勞工在工作中使用生成式AI，普及速度比個人電腦在擴散過程中同一階段時還快，而生成式AI的使用時間占美國全部工時的5.7%。
省下的時間和花費的時間是兩種不同的衡量，兩者都無法直接衡量產出。主持這些調查的經濟學家確實在總體數字中看到了初步的跡象：從ChatGPT發布到2025年年中，累計生產力成長比疫情前的趨勢高出約1.9個百分點，而回報省下較多時間的產業，往往成長得比自身趨勢更快。他們強調，這種關聯不能解讀為因果關係，而截至2026年年中的官方統計，也還沒有確立由AI驅動的結構性斷點。
預測是最不確定的一類。賓州大學華頓預算模型（Penn Wharton Budget Model）估計，AI在2025年對TFP成長的貢獻約為0.01個百分點，之所以微乎其微，是因為多數企業還沒有大規模部署AI工具。該模型預測這項貢獻會在2020年代後期逐步攀升，並在2030年代初期達到高峰，但這些是特定假設下的模型產出，不是觀察結果。
有兩種解讀都符合這個模式。一種是J曲線：導入AI並圍繞它進行重組的成本，會在一段時間內壓低生產力，就像電氣化當年一樣，回報稍後才會到來。另一種是省下的時間被閒置吸收，於是這項技術幫助了個別勞工，整體經濟卻始終沒有把他們省下的時間化為生產。
目前的數據還無法區分兩者。勞工更快完成任務、受訪者回報省下時間，這些都無法讓問題塵埃落定，因為兩者在樂觀情境（突破之前的J曲線）和悲觀情境（任務層次的成果始終無法累加）中都會出現。
電氣化的故事告訴我們，「奏效」會是什麼樣子。在AI導入已成熟3年以上的部門，TFP的成長會持續下去。生產力的改善會跨越景氣循環的好幾個階段維持住，而不只是反映循環性的波動。企業也會大規模地圍繞AI重新設計工作、團隊和產品，而不是在一成不變的結構上疊加工具。用發電機的話來說，企業會去蓋那座單層樓的工廠，而不是把電動馬達拴到原有的傳動軸上。這樣做的企業案例愈來愈多，但它們仍是個別的例子，全經濟範圍的模式還沒有出現。
循環
特殊世紀從來沒有出現過梭羅的謎題。它把日常經濟生活改造得如此徹底，一個從1870年穿越而來的人，會認不出1940年的世界，而且沒有人需要精密的測量就看得出來。是電腦提出了這道謎題，如今AI又再提了一次。
AI要打破這個循環，企業就得做1920年代工廠建造者做過的事：圍繞著這項技術重建，整類整類地拿掉工作，而不是把現有的工作做得稍微快一點。每當這種重組真的發生，無論是在特殊世紀，還是在1996至2004年的躍升期，它都清清楚楚地反映在數字上。如果輪到AI的那一天來臨，就沒有人需要再引用梭羅了。
相關文章
延伸閱讀
Eikleaf參與亞馬遜聯盟計畫（Amazon Associates），可透過符合計畫條件的購買獲得佣金。下方標示Amazon的書籍連結為聯盟行銷連結；若您透過這些連結購買商品，我們可能獲得少量佣金，您無須額外付費。標示博客來的連結則非聯盟行銷連結。
AI顛覆經濟學：新的系統解決方案，將改組決策方式，改寫產業格局，改變權力分配以企業案例說明，AI要發揮更大效益，須重整相互牽動的決策與流程，呼應文中的組織重整論點。推薦影片
12:14Robert Gordon: The death of innovation, the end of growthRobert Gordon的悲觀論：偉大發明已成過去，成長將永久放緩。
12:38Robert Gordon, Erik Brynjolfsson debate the future of work at TED2013Gordon與Brynjolfsson辯論數位科技能否重振生產力，文章核心之問。
25:43Tyler Cowen: The Great StagnationTyler Cowen談「低垂果實」論，大停滯一詞即由此而來。引用本文
Lena Martin，〈大停滯：生產力成長為何放緩，還能重回快車道嗎？〉，Eikleaf，2026年5月10日，更新於2026年11月2日。https://www.eikleaf.com/zh-tw/the-great-stagnation-why-productivity-growth-slowed-and-whether-it-can-recover/
生成式AI使用聲明
本頁部分內容使用生成式AI協助撰寫或編輯。
圖片與媒體來源
主要資料來源與參考文獻
Robert Solow, “We’d Better Watch Out,” New York Times Book Review, July 12, 1987, p. 36.
Erin Henry, Pierre-Daniel Sarte, and Jack Taylor, “The Productivity Puzzle: AI, Technology Adoption and the Workforce,” Federal Reserve Bank of Richmond Economic Brief No. 24-25, August 2024. https://www.richmondfed.org/publications/research/economic_brief/2024/eb_24-25
Sasha Rogelberg, “Thousands of CEOs admit AI had no impact on employment or productivity—and it has economists resurrecting a paradox from 40 years ago,” Fortune, February 17, 2026. https://fortune.com/2026/02/17/ai-productivity-paradox-ceo-study-robert-solow-information-technology-age/
Robert J. Gordon, The Rise and Fall of American Growth: The U.S. Standard of Living Since the Civil War, Princeton University Press, 2016.
Tyler Cowen, The Great Stagnation: How America Ate All the Low-Hanging Fruit of Modern History, Got Sick, and Will (Eventually) Feel Better, Dutton/Penguin, 2011.
U.S. Bureau of Labor Statistics, Productivity and Costs news releases, 2024–2026, including “Total Factor Productivity — 2025” (March 19, 2026) and “Productivity and Costs, Second Quarter 2026, Revised” (September 3, 2026). https://www.bls.gov/productivity/ · https://www.bls.gov/news.release/prod3.nr0.htm · https://www.bls.gov/news.release/prod2.nr0.htm
OECD, Compendium of Productivity Indicators 2026, June 2026. https://www.oecd.org/en/publications/2026/06/oecd-compendium-of-productivity-indicators-2026_04e21c23.html
Erik Brynjolfsson, Avinash Collis, W. Erwin Diewert, Felix Eggers, and Kevin J. Fox, “GDP-B: Accounting for the Value of New and Free Goods in the Digital Economy,” NBER Working Paper 25695, 2019. https://www.nber.org/papers/w25695
Chad Syverson, “Challenges to Mismeasurement Explanations for the US Productivity Slowdown,” Journal of Economic Perspectives, vol. 31, no. 2, Spring 2017, pp. 165–186. https://www.aeaweb.org/articles?id=10.1257/jep.31.2.165 · https://www.nber.org/system/files/working_papers/w21974/w21974.pdf
Paul A. David, “The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox,” American Economic Review: Papers and Proceedings, vol. 80, no. 2, May 1990, pp. 355–361.
Erik Brynjolfsson, Daniel Rock, and Chad Syverson, “The Productivity J-Curve: How Intangibles Complement General Purpose Technologies,” American Economic Journal: Macroeconomics, vol. 13, no. 1, January 2021, pp. 333–372. https://www.aeaweb.org/articles?id=10.1257/mac.20180386
Erik Brynjolfsson, Danielle Li, and Lindsey Raymond, “Generative AI at Work,” Quarterly Journal of Economics, vol. 140, no. 2, 2025, pp. 889–942. https://academic.oup.com/qje/article/140/2/889/7990658
Sida Peng, Eirini Kalliamvakou, Peter Cihon, and Mert Demirer, “The Impact of AI on Developer Productivity: Evidence from GitHub Copilot,” arXiv:2302.06590, February 2023. https://arxiv.org/abs/2302.06590
Alexander Bick, Adam Blandin, and David Deming, “The Impact of Generative AI on Work Productivity,” Federal Reserve Bank of St. Louis, On the Economy blog, February 27, 2025. https://www.stlouisfed.org/on-the-economy/2025/feb/impact-generative-ai-work-productivity
Alexander Bick, Adam Blandin, and David Deming, “The State of Generative AI Adoption in 2025,” Federal Reserve Bank of St. Louis, On the Economy blog, November 13, 2025. https://www.stlouisfed.org/on-the-economy/2025/nov/state-generative-ai-adoption-2025
Penn Wharton Budget Model, “The Projected Impact of Generative AI on Future Productivity Growth,” September 8, 2025. https://budgetmodel.wharton.upenn.edu/issues/2025/9/8/projected-impact-of-generative-ai-on-future-productivity-growth
Congressional Budget Office, “Labor Productivity: Developments Since 1995,” March 2007. https://www.cbo.gov/sites/default/files/110th-congress-2007-2008/reports/03-26-labor.pdf
Timothy F. Bresnahan and M. Trajtenberg, “General Purpose Technologies: ‘Engines of Growth’?” Journal of Econometrics, vol. 65, no. 1, January 1995, pp. 83–108. https://doi.org/10.1016/0304-4076(94)01598-T
Robert J. Gordon, “Off Its Pinnacle,” Finance & Development, IMF, vol. 53, no. 2, June 2016. https://www.imf.org/external/pubs/ft/fandd/2016/06/gordon.htm
“The Great Stagnation: Why Hasn’t Recent Technology Created More Jobs?” (interview with Tyler Cowen), PBS NewsHour, 2011. https://www.pbs.org/newshour/show/the-great-stagnation-why-hasn-t-recent-technology-created-more-jobs
Jeremy Greenwood, Ananth Seshadri, and Mehmet Yorukoglu, “Engines of Liberation,” Review of Economic Studies, vol. 72, no. 1, 2005, pp. 109–133. https://users.ssc.wisc.edu/~aseshadr/Publications/engines.pdf
Brink Lindsey, “Not So Stagnant,” Reason, April 15, 2011. https://reason.com/2011/04/15/not-so-stagnant/
Shawn Sprague, “Contributions to labor productivity growth, private nonfarm business, 1948–2018,” Monthly Labor Review, U.S. Bureau of Labor Statistics, 2021. https://www.bls.gov/opub/mlr/2021/highcharts/data/sprague-fig2.stm
McKinsey Global Institute, “US Productivity Growth 1995–2000,” October 2001. https://www.mckinsey.com/featured-insights/americas/us-productivity-growth-1995-2000
David M. Byrne, Stephen D. Oliner, and Daniel E. Sichel, “How Fast Are Semiconductor Prices Falling?” NBER Working Paper 21074, 2015. https://www.nber.org/papers/w21074
National Park Service, “About the Homestead Act,” Homestead National Historical Park. https://www.nps.gov/home/learn/historyculture/abouthomesteadactlaw.htm
