home / notes / Apollo 的 AI 零回報論：S&P 493 指標持平，還不能證明企業採用無效
Note
Apollo 的 AI 零回報論：S&P 493 指標持平，還不能證明企業採用無效
S&P 493 的每名員工營收與利潤率持平，不能單獨證明 AI 對非科技企業沒有財務回報。Slok 引用的對比值得認真看待，但它描述的是財務指標的分化，還沒有識別 AI 的因果效果。我認為，較有力的解讀是收益可能先集中在 AI 賣方；要判定採用方無效，仍缺少關鍵證據。
Slok 提出的，是財務指標分化與一個更強的結論
Apollo Global Management 首席經濟學家 Torsten Slok 在 Daily Spark 短評中主張，AI 對科技業以外的美國企業帶來零財務回報。他列出的依據是：Mag 7 的每名員工營收與利潤率上升，S&P 493 則持平，並稱仍看不到 AI 推升生產力成長的跡象。這些是 Slok 的描述，不能直接當成已驗證的因果結論。
依 TechCrunch 的說明，S&P 493 是 S&P 500 扣除 Alphabet、Amazon、Apple、Meta、Microsoft、Nvidia、Tesla。這個分組按公司名單劃界，並不是按是否採用 AI 分組；光憑這項定義，也不能把剩餘企業直接等同於非科技業。
為什麼這個訊號仍值得企業重視
如果指標確實持平，它至少會對 AI 投資敘事提出一項挑戰：企業層級的收益還沒有清楚浮現。對編列預算的創辦人來說，節省工時與增加利潤之間，仍需要一條可核對的轉換路徑。少花時間完成工作，未必會自動變成更多訂單、更少支出或更高品質。
但零回報是更強的主張。它需要回答：同一批企業如果沒有採用 AI，財務表現會如何？若原本會下滑，採用後維持持平，兩者的差額仍可能是效益；若沒有 AI 也會持平，才能繼續追問投入是否白費。單看實際走勢，無法區分這兩種情況。
Apollo 原文與媒體報導，各自支持到哪裡
Apollo 原文摘錄把財務指標與生產力的主張指向圖表，但目前無法確認原始圖表的數值、時間區間與計算方法。利潤率究竟是營業利潤率還是淨利率，每名員工營收如何彙總，都會影響解讀。這是經濟學家的研究短評，不能因為刊在 Apollo 網站，就把其中的推論視為公司財報證實的結果。
至於企業正在收手、把 token 支出視為成本中心的說法，現有資料不足以確認其證據基礎。要支持這項判斷，需要企業支出紀錄、採購變化或有方法說明的調查；聚合利潤率本身無法揭露採購者的動機。不能從收益尚未浮現，直接推到企業已經決定退出。
TechCrunch 的報導把 Slok 對企業財務回報的懷疑放在主軸，並解釋 S&P 493 的組成。媒體轉述讓這個論點更容易被理解，但沒有因此增加獨立的因果證據。讀者需要分清楚：報導確認了他提出什麼主張，與資料是否足以支持主張，是不同的問題。
先拆開賣 AI 的收入與用 AI 的回報
我的判斷是，這個比較最需要修正的地方，是把供應端與採用端放進同一個成效框架。分析時應把 AI 基礎設施與模型的銷售收益，和企業內部採用 AI 的收益分開。買方增加支出，可能先成為賣方營收；買方還得經過整合、流程調整與驗收，才有機會轉成財務成果。
因此，即使 Mag 7 上升、其餘企業持平，也比較適合形成收益可能先流向賣方的假說。它仍不能證明上升全由 AI 貢獻，更不能把 Mag 7 整組當成純賣方。真正有用的拆法，是區分各公司的 AI 銷售曝險、內部採用強度與其他業務變化，而非只比較兩張公司名單。
持平可能藏著不同原因，資料痕跡也不同
利率與融資成本是待排除的解釋之一。假如使用的是淨利率，利息負擔增加可能抵銷營運改善；可檢查的痕跡是營業利潤率改善，淨利率卻沒有同步變化。如果指標本來就是營業利潤率，就不能拿利息費用直接解釋持平。指標定義必須先於故事。
需求循環與產業組成也可能干擾結果。若需求走弱掩蓋效率提升，可能出現單位處理成本下降、營收卻承壓的組合；若是少數產業拖累整體，分產業結果與總平均就可能分歧。這些都只是替代假說，需要訂單、產出、成本與產業權重資料才能判別。
平均值還可能稀釋局部效益。少數深度採用者改善，多數企業沒有變化，未必足以推動整體指標。應檢查公司層級的分布、中位數與不同加權方式。這和聚合數據能支持多大範圍的結論是同一類方法問題：整體走勢不能直接代替每個成員的結果。
成本避免與時間落差則需要追蹤導入前後。假設 AI 讓企業在需求增加時不必追加人力，效益可能是避免成本上升，而非讓利潤率高於過去；若整合支出先發生、收益較晚出現，短期財務指標也可能低估效果。可檢查的痕跡包括產出增加但人力成本未同步增加，以及較早導入者在後續期間才出現改善。這些可能性同樣不能被拿來無限延後驗收。
要判斷零回報，至少需要補齊這些資料
- 指標定義與原始圖表：確認利潤率口徑、員工數計算方式、資料來源，以及持平是目視描述還是統計結果。
- 時間區間與導入時間：區分投入期、整合期與可能產生收益的期間，避免把尚未部署與部署失敗混在一起。
- 平均數、中位數與分布：檢查加權方式，判斷是否由少數大型公司或極端值主導結果。
- 分產業與同期條件：比較需求、融資負擔和成本變化，確認不同企業是否面臨可比的外部環境。
- 採用強度與完整成本：在相近企業間比較採用前後，納入模型、整合、人力覆核及錯誤處理成本，並檢查採用前的趨勢是否相近。
若深度採用者在合理期間內，控制可辨識的同期差異後，仍沒有營收、成本或品質改善，且估計範圍足以排除有商業意義的收益，零回報論才會更有說服力。反過來，若改善集中於特定產業或流程，就足以挑戰全面無效的說法，但還不能宣稱效益已普及。沒有測到顯著差異，也不等於證明差異為零。
企業該提高驗收標準，供應商該交代收益來源
對做產品的人，我認為合理的反應是把採購問題縮到可驗證的流程：交付量有沒有增加、返工有沒有減少、節省的時間能否轉成收入或可避免支出。若答案只停在使用量與生成速度，就還不足以支持擴大預算。供應商也需要區分客戶買了多少與客戶賺到多少，因為前者不能替後者作證。
接下來最值得看的，是原始圖表能否補上方法，以及按採用強度拆分後，財務表現是否仍然持平。在那之前，我會把 Slok 的短評視為要求 AI 投資交代回報的訊號；它足以提高驗收門檻，還不足以成為全面停止投入的依據。
常見問題
S&P 493 是沒有採用 AI 的企業嗎？
不是這樣定義的。依 TechCrunch 說明，它是 S&P 500 扣除 Alphabet、Amazon、Apple、Meta、Microsoft、Nvidia、Tesla；這個分組沒有提供企業採用 AI 的強度，不能直接當成未採用組。
利潤率持平，為什麼仍可能有 AI 回報？
可能的情況是 AI 抵銷了其他成本壓力，或避免原本需要增加的支出。但這只是待驗證的解釋，需要比較未採用 AI 時可能出現的結果，不能反過來把持平當成 AI 有效的證據。
什麼證據會讓零回報論更可信？
若可比企業在採用前具有相近趨勢，深度採用者經過合理期間、扣除完整導入成本後，仍沒有具商業意義的改善，論點就會更有力；單一聚合指標持平仍不夠。