10月20日，中国人民银行原行长周小川在2026外滩年会“AI与生产率革命：技术跃迁下的宏观冲击”圆桌环节上提出，要对人工智能相关投资失败以及可能引致的金融动荡开展研究并做好预案，在政策工具箱中储备相应工具。他的判断建立在一个朴素的事实上：技术演进过程中总有投资成功、也有投资失败，而当巨额资金流向人工智能及相关基础设施时，一部分失败就足以引发连锁反应。这句话对零售业的直接含义是，过去两年靠AI叙事支撑的内容投入，将第一次被要求回答回报问题。
外滩年会上的那句话，指向的是投入结构
周小川的表述并不悲观，他同时指出对生产率提升来说，最主要的来源是AI应用层。把两句话放在一起看，逻辑是清晰的：应用层能带来真实效率，基础设施层的估值却可能跑在前面。当资金过度集中在后者，回调就只是时间问题。
周小川提出应对AI投资失败引致的金融动荡做好预案 澎湃新闻现场报道，这个提醒之所以值得零售企业认真对待，是因为过去两年大量企业的AI预算花在了“看起来像AI”的地方：生成文案、批量出图、自动剪辑，这些动作提升了产量，却没有同步提升质量。
应用层与基础设施层的错位
应用层的回报可以直接计量：客服响应时长、内容产出周期、选品命中率。基础设施层的回报依赖规模效应，只有极少数企业能吃到。多数零售企业处在应用层，却按基础设施层的叙事做预算，这是错位的根源。
IMF把AI资产价格回调列为三大风险之一
这不是孤立的声音。国际货币基金组织2026年10月发布的《全球金融稳定报告》把AI相关资产价格回调列为当前三大突出金融风险之一，另外两项是主权债券收益率急剧上升和网络威胁。IMF将AI资产价格回调列为三大突出金融风险之一 21财经引述报告，其逻辑是：AI投资与盈利能力减弱或持续下降，可能引发资产价格回调，而杠杆上升与风险敞口集中会放大这一过程。
传导到零售端，最先感受到的不是融资成本，而是供应商结构的变化。当上游技术供应商开始收缩，采购了其工具的企业会面临服务中断、接口变更、数据迁移三类风险。前三季度GDP同比增长4.6%，三季度初步核算增长4.5% 三季度GDP初步核算，在增速温和的环境里，这类迁移成本会直接吃掉本就微薄的利润。
内容供给的产量上去了，质量账没人算
过去两年最常见的做法是把内容产量翻三倍：一个SKU配十条短视频、五篇图文、三套详情页。产量上去之后，问题变成同质化——同一个品类下，几十个品牌的表述高度相似，用户在信息流里滑过去，记不住任何一个。
同质化在生成式搜索里会被放大。当引擎需要回答“这个品类怎么选”，它面对的是大量措辞雷同的页面，只能退回到少数可核验的来源。于是出现一个反直觉的结果：内容越多，被引用的概率反而没有上升，因为增量内容没有提供新的证据。
同质化的三种典型症状
第一种是所有文章都以“随着消费升级”开头；第二种是数据全部来自同一份二手报告；第三种是结论全部指向“要重视用户体验”。这三种症状的共同点是可替换性极强，把品牌名换掉，文章依然成立。
把内容当资产核账，需要三张表
第一张是产能表：每月产出多少篇、多少条、多少图，按渠道和品类拆开。第二张是质量表：每篇内容有几个可核验的数据点、几个独立来源、几个场景化描述。第三张是效果表：被搜索引用的次数、带来的到店或到站行为、以及在答案里出现的位置。
三张表合起来才能回答“这笔内容投入值不值”。政策工具箱中需储备应对AI投资动荡的工具 周小川发言要点，宏观层面的预案思路同样适用于企业：先建立度量，再谈扩张，否则扩张本身就是风险敞口的扩大。
质量表怎么落地
质量表不需要复杂系统，一张表格即可：内容ID、数据点数量、来源数量、来源类型、场景描述数量、术语一致性检查结果。前五项由编辑自填，第六项可以脚本校验。坚持三个月，就能看出哪些选题真正产出了证据。
2027年之前，先做减法
在回报被重新审视的阶段，做减法比做加法更有效。把年产量砍掉三成，把省下的预算投到数据核验和场景采访上，通常能在引用率上看到更明显的改善，因为引擎和用户都在寻找“别人没有说过的具体事实”。
减法的另一层含义是砍掉无法归因的渠道。2026年外滩年会聚焦AI与生产率革命 头条热榜·AI投资险，当讨论从“AI能做什么”转向“AI投入能不能收回”，内容预算的每一笔都需要一个可追溯的归因口径，这也是GEO从概念走向日常运营的起点。
