高盛：美国生产力预测存系统性偏差，AI 或推升长期增速

概览

本报告分析美国非农商业劳动生产率预测的历史规律，指出专业预测者存在系统性偏差。基于专业预测者调查（SPF）数据，报告发现预测者对趋势转折点反应迟缓，随后又过度修正。高盛预测 2026-2030 年生产力年均增长 2.3%，高于市场共识的 2%，主要差异来自对 AI 贡献的更乐观评估。

核心观点

预测准确性方面，专业预测者的误差与简单历史平均模型相当，平均绝对误差约 0.7 个百分点。历史数据显示，预测者未能及时捕捉 90 年代末加速、2000 年代中期放缓及疫后反弹等关键转折点。 行为模式上，分析 150+ 预测者个体数据发现两阶段特征：初期锚定 10 年移动平均导致反应不足，后期修正时又过度 extrapolate 近期趋势。这种模式在多个宏观经济变量预测中普遍存在。 当前预测分歧中，多数机构预测值接近 2% 的 10 年均值，而高盛 2.3% 的预测反映对 AI adoption 的更积极假设。调查显示市场共识隐含缓慢 AI adoption 情景（2.0%），而中度/快速情景可达 2.5%-3.5%。

分析框架

报告采用专业预测者调查（SPF）30 年历史数据，对比预测误差与简单历史平均模型的表现。通过 Bordalo 等人开发的分析方法，将预测修正幅度与后续误差关联，验证反应不足 - 过度反应模式。对 AI 影响的评估则综合 Karger 等 2026 年调查及 CBO、OECD 等多方预测情景。

方法论与常识提炼

• 事件博弈与行为金融预期差/预期管理

  预测者对趋势转折点的反应不足与过度修正

  当经济变量出现趋势变化时，预测者初期倾向于维持原有判断（锚定效应），待证据充分后又过度修正，导致预测误差呈现系统性模式。这种心理偏差在生产力、通胀等多类宏观预测中普遍存在。

• 行业/产业分析框架渗透率 S 曲线

  AI 技术 adoption 速度对生产力影响的非线性特征

  新技术对生产力的贡献取决于 adoption 速度，初期缓慢积累后可能加速。当前预测分歧本质是对 AI adoption 曲线斜率的不同假设，缓慢/中度/快速情景对应 0.1-1.3 个百分点的年度贡献差异。

关键数据

• 高盛 2026-2030 年预测2.3%年均非农商业劳动生产率增长
• 市场共识预测≈2.0%接近 10 年移动平均值
• 预测平均绝对误差0.7pp专业预测者与历史平均模型相当
• AI 缓慢 adoption 情景2.0%2026-2030 年生产力增长预测
• AI 快速 adoption 情景3.5%2026-2030 年生产力增长预测

影响与含义

报告提示投资者需注意宏观预测的系统性偏差，当前市场对生产力增长的保守预期可能低估 AI 潜在贡献。若 AI adoption 速度快于预期，实际生产力增长可能超预期，影响利率路径与资产定价。政策制定者需关注技术扩散速度对长期增长潜力的重塑。

后续跟踪

• AI 技术实际 adoption 进度与预测情景的对比
• 季度非农生产力数据对趋势确认的信号
• 主要机构对 2030 年后生产力预测的修正方向