39 年前的今天——1987 年 7 月 12 日——MIT 經濟學家 Robert Solow（他在同年 10 月拿下諾貝爾經濟學獎）在《紐約時報書評》寫下了經濟學史上最有名的一句吐槽：「你到處都看得到電腦時代，唯獨在生產力統計裡看不到。」（You can see the computer age everywhere but in the productivity statistics.）
2026 年的今天，把「電腦」換成「AI」，這句話幾乎原封不動成立。聯準會副主席 Philip Jefferson 今年 2 月的說法很有代表性：多數經濟學家預期，AI 帶來的生產力紅利「大部分都還在後頭」。美國 2023～2025 年的非農生產力成長（年均 +2.1%～+2.9%）確實比疫情前十年（約 +1.5%）快，但這波加速從 2023 年就開始了——當時全美企業的 AI 採用率還不到 6%，很難把功勞記在 AI 頭上。AI 紅利，彷彿又一次遲到了。
但這篇文章要講的不是「AI 沒用」。恰恰相反——上一次 Solow 悖論被解開的時候，答案出現在所有人都沒看的地方：不是賣晶片的，也不是賣軟體的，而是零售業——一個淨利率只有 3% 的產業、一家叫 Walmart 的公司。這一次，同樣的劇本有可能重演：AI 紅利最大的受益者，可能不是毛利 40% 的軟體公司，而是毛利 3% 的卡車行、食品經銷商、派遣公司。不講廢話、不灌雞湯，這篇用 SEC 財報、美國官方統計和查證過的市場歷史，把這個想法拆到你能自己驗證、自己判斷。
先說結論
- 獲利槓桿的算術：同樣省下營收 1 個百分點的成本，營業利益率 3% 的公司獲利跳增約 33%，40% 的軟體公司只多 2.5%。這是數學，不是預測。
- 低毛利公司的成本裡藏著一層「協調層」——調度、審批、對帳、例外處理。用 BLS 與美國普查局數據推估，美國卡車運輸業光是協調類職位的人事成本，就約佔營收 4.4%～6.3%（作者推估，內文交代算法）——跟這個產業一整年的獲利同一個數量級。這正是 AI Agent 最擅長攻擊的成本形狀。
- 但歷史給了一個明確的邊界條件：1990 年代的 Walmart 和巴菲特 1985 年關掉的紡織廠都指向同一件事——在大宗商品化的市場，效率紅利最終大多流向客戶。早期行動者賺到的是市佔率與生存權，不一定是毛利率。
- 誠實的現狀：就我們查到的公開資料（截至 2026 年 7 月），「AI 讓毛利擴張」的企業案例全數為管理層自述，尚未見到第三方稽核。文末給你 5 個能自己追蹤的指標，自己驗證這個論點是成立還是破功。
毛利 3% 的世界：AI 紅利的獲利槓桿在哪裡最大
先看一組來自 SEC 10-K 的數字（各公司最新完整會計年度，多為 2025 年度）。軟體與網路巨頭的營業利益率：Microsoft 45.6%、Meta 41.4%、Alphabet 32.0%。再看勞力密集產業：貨運仲介 C.H. Robinson 4.9%、食品經銷龍頭 Sysco 3.8%、設施服務 ABM 3.6%、US Foods 3.0%、整車運輸 Knight-Swift 2.9%、人力派遣 Robert Half 1.4%、食品經銷 PFG 1.3%、ManpowerGroup 0.8%，卡車公司 Werner 只剩 0.4%、全年淨損。兩個世界差了 10～40 倍。
低毛利在市場敘事裡一直是「無聊」的同義詞，但換一個角度，它就是槓桿：獲利對成本的敏感度，約等於 1 除以營業利益率。營業利益率 3% 的公司，每省下營收 1 個百分點的成本，獲利成長 33%；營業利益率 40% 的公司，同樣省 1 個百分點，獲利只多 2.5%。這就是為什麼「AI 概念股」清一色是賣鏟子的科技公司（關於鏟子端的資本支出軍備競賽，可以看我們的 Alphabet 深度分析）——但如果你問的是「誰的損益表對 AI 最敏感」，答案在光譜的另一端。
當然，槓桿是雙面刃：成本上升 1 個百分點，這些公司的獲利也會蒸發三分之一。低毛利產業對「省成本」這件事的重視程度是刻在生存本能裡的——而且它們有一種科技公司沒有的特性：它們的市場價格由產業決定，自己說了不算，成本幾乎是唯一能控制的變數。
還有一件事值得先記著：低毛利產業不是鐵板一塊。同樣在美國拉貨，Old Dominion（ODFL）的營業利益率是 24.8%，而它的同業 Yellow 常年在損益兩平線上掙扎、2023 年直接破產清算。「結構性低毛利」低的是產業平均，不是天花板——這個例外後面會細講，它是整篇文章最重要的伏筆。
AI 紅利要攻擊的成本：低毛利公司裡的協調層
講到「AI 幫傳統產業省錢」，多數人想到的是取代第一線人力：司機、揀貨員、清潔工。但現階段的 AI 不會開卡車。真正對得上 AI 能力形狀的，是另一層成本——工作背後的工作：誰排班、誰調度、誰審批、誰對帳、誰處理例外、誰把訊息在客戶、司機、倉庫和財務之間搬來搬去。人類協作天生需要這一層，因為每個人的資訊、判斷和狀態都不同步。
這層成本有多大？我們用三個美國官方數據拼出一個量級（強調：這是作者推估，不是任何機構發布的數字）。BLS 職業就業統計（OEWS，2025 年 5 月）顯示，美國卡車運輸業（NAICS 484）裡，管理、商業與金融、行政支援三類「協調型職位」佔就業人數 16.8%、佔整個產業薪資帳單約 19.1%；2022 年美國經濟普查顯示卡車業薪資總額約佔營收 22.9%；再用 BLS 雇主成本數據把「薪資」換算成「總人事成本」（薪資約佔總人事成本 69.9%）。三個數字相乘：協調類職位的人事成本，約佔卡車業營收 4.4%（純薪資）到 6.3%（含福利）。三份資料的年份不同（2025／2022／2026），所以這是量級不是精確值——但對一個營業利益率 3%～5% 的產業來說，這層成本跟全年獲利同一個數量級。順帶一提，製造業的協調三類職位佔薪資帳單約 28.8%，比卡車業還高。
為什麼說這層成本「對得上 AI 的能力形狀」？因為協調工作的本質是：讀信、填表、比對、排程、催辦——高頻、有模式、例外可以升級給人類。這正是大型語言模型 Agent（讓 AI 自主執行多步驟任務的架構，運作原理可以看這篇 AI Agent 團隊解析）最先跑通的場景。
但這裡必須誠實：「把 AI 埋進現有工作流、不需要員工改變習慣」這個路線，目前更多是假說而不是被驗證的事實。MIT NANDA 2025 年那份被瘋傳的報告（就是「95% 失敗」那份，下面真相校準會細講）裡有一個很少被引用的細節：嵌入式／客製化的企業 GenAI 工具，從評估走到成功導入的比率只有 5%；反而是通用聊天機器人有 40%。把 AI 做成基礎設施，說起來性感，統計上恰好是失敗率最高的那一類。
目前最接近「自然實驗」的公開案例是 C.H. Robinson——貨運仲介，營業利益率約 5% 的中間人生意。管理層說：到 2025 年 4 月，生成式 AI Agent 已累計執行超過 300 萬件貨運任務（報價、接單、約時段），email 接單從最長 4 小時縮到 90 秒內；2022 年以來每人每日處理貨量提升超過 40%；並在 2025 年第三季的財報會議上，明確把毛利改善歸因於 AI 動態定價——同一時期，公司平均人力年減 10.8%、貨量卻在成長。財務結果是 SEC 文件可查的，但「因為 AI」這個因果關係是管理層自述，沒有第三方稽核——這個區別本文會一直提醒。
反面教材也已經有了：Klarna 在 2024 年 2 月高調宣稱 AI 客服做掉了「700 個全職客服」的工作量，2025 年 5 月 CEO 對彭博承認「成本考量太重、品質變差」，重新開始招聘人類客服。自述數字的保鮮期，可能比你想像的短。
最後一塊拼圖是採用率。美國普查局 BTOS 調查（2026 年 6 月上旬）：資訊業已有 43.5% 的企業在業務中使用 AI，專業科技服務 38.2%，全國平均 20.6%——而運輸倉儲業只有 9.8%、住宿餐飲 8.3%。（提醒：BTOS 在 2025 年 11 月改了問法、整體水位被墊高；舊題口徑下，2025 年 9 月運輸倉儲業只有 2.1%。）這個 4 倍以上的落差有兩種讀法：「這些產業學不會 AI」，或者「獲利槓桿最大的地方，紅利還沒被開採、也還沒被定價」。兩種讀法都對一半——這正是機會與風險同在的原因。
一個 40 年前就演過的劇本：Walmart 與 1990 年代的生產力之謎
回到 Solow 的吐槽。1987 年他說統計裡看不到電腦，之後八年，數據也確實一直沒動靜。然後 1995 年起，美國非農生產力成長突然從 1972～95 年的年均 1.4% 跳到 1995～2000 年的 2.5%，悖論解開了。誰幹的？麥肯錫全球研究院（MGI）2001 年 10 月發布了一份很有份量的解剖報告《US Productivity Growth 1995–2000》——它的外部顧問委員會主席，正是 Robert Solow 本人。吐槽的人，親自驗收了答案。
MGI 的報告發現：這波加速的 99% 淨貢獻，來自 60 個部門裡的 6 個——零售、批發、證券、電子、工業機械、電信。零售一個部門就貢獻了 1.33 個百分點加速（MGI 自己的分解口徑）中的 0.31 個百分點，將近四分之一。而在零售裡的綜合商品類（general merchandise），MGI 的判定是：這個類別的生產力跳升，「大部分」由 Walmart 直接與間接造成——直接貢獻約三分之一，其餘三分之二來自同業被迫模仿它。
Walmart 做了什麼？大賣場格式、倉儲物流規模化、EDI 電子資料交換、無線條碼掃描、越庫作業（cross-docking，貨進倉不落地、48 小時內直接轉出貨）。1992 年《哈佛商業評論》的數字：Walmart 85% 的商品走自家配送網，Kmart 只有 50%，光這一項就差出銷貨成本的 2%～3%。注意 MGI 的定調：這是管理創新為主，IT 多半是「必要但不充分」的條件——大約只有一半的增益跟 IT 直接相關。翻成今天的語言：Walmart 攻擊的正是「協調成本」——1990 年代版本的協調層，用的是 EDI 和條碼而不是 LLM。
先看它贏的部分：1987 年 Walmart 市佔 9%、生產力領先同業約 40%；到 1990 年代中，市佔 27%、領先擴大到 48%。早期行動者確實把效率優勢變成了輾壓級的市場地位。
然後是多數人不知道的轉折。1995～99 年，只花了四年，競爭者的生產力就追了 28%，Walmart 自己再進步 20%，領先幅度縮回 41%——擴散開始吃掉優勢。更關鍵的是：Walmart 自己的營業利益率，從 1990 會計年度的 6.5% 一路降到 1999 會計年度的 4.8%。效率提升沒有變成毛利率，變成了更低的售價、更大的市佔。贏家的獎品不是利潤率變高，而是市佔率與生存權。
那輸家呢？Kmart 在 2002 年 1 月 22 日聲請 Chapter 11 破產保護——當時美國史上最大的零售業破產（聲請文件所列資產約 163 億美元）。它不是沒試過追趕：1997 年裝的倉儲管理系統被高層形容「做不了事」，2001 年 9 月宣布認列約 1.3 億美元的供應鏈軟硬體減損。Kmart 之死當然是多重原因，但供應鏈與 IT 的落後，是文件記載最清楚的一條。
學術界後來給了這段歷史一個更冷的定論：Foster、Haltiwanger 與 Krizan 用普查個體資料發現，1990 年代美國零售業的生產力成長，幾乎全部來自「更有生產力的連鎖擴張、低生產力的業者收縮與退出」——不是留在原地的公司自己變好。技術紅利是用市佔重分配的方式兌現的。
還有一個對照組，防止我們把科技故事講得太順。同樣是低毛利零售（美國超市業淨利率長年約 1%），1974 年條碼掃描問世，聽起來是完美的「攻擊協調成本」科技。但經濟學家 Emek Basker 的研究發現：早期採用掃描器的超市多半沒賺回成本，平均只提升店內勞動生產力約 4.5%，到 1985 年初也只有 29% 的超市採用。條碼真正的紅利，是 20 年後才以「品項數翻倍、規模者勝」的形式兌現——而最大的收割者，又是 Walmart。教訓：技術本身不是紅利，把技術複利化的營運系統才是。
這個劇本有沒有現代版？有，就是前面埋的伏筆。LTL 卡車業（零擔貨運）是個徹底大宗商品化的產業，但 Old Dominion 的營運比率（operating ratio，營運成本佔營收比，越低越好）從 2008 年的 91.6% 一路改善到 2025 年的 75.2%——營業利益率從 8.4% 變成 24.8%——每一年都優於所有老牌同業：對 Yellow 與 ArcBest 的差距長年高達 12～26 個百分點，連對表現最好的追趕者 Saia，領先也從早年的 6～10 個百分點擴大到近年的 10 個百分點以上。而營運比率常年在 96% 以上的 Yellow，2023 年 8 月清算倒閉：99 年老店、3 萬名員工。優勢能持續近二十年，靠的不是買了什麼別人買不到的軟體，而是網路密度、服務品質（公司自述 99% 準點率、0.1% 理賠率）這種和營運咬死、抄不走的複利系統。
AI 紅利最後流向誰：巴菲特的紡織廠
如果只看 Walmart 和 ODFL，你可能會得出「早買 AI 早贏」的結論。先別。1985 年，巴菲特關掉了 Berkshire Hathaway 的紡織事業——對，Berkshire 原本就是一家紡織廠——並在當年的股東信裡，把「在大宗商品產業投資效率」這件事講得一針見血：
“But the promised benefits from these textile investments were illusory. Many of our competitors, both domestic and foreign, were stepping up to the same kind of expenditures and, once enough companies did so, their reduced costs became the baseline for reduced prices industrywide.”
中文：「這些紡織投資承諾的效益是幻覺。國內外許多同業都在進行同樣的投資，而一旦夠多公司這麼做，他們降低的成本，就成了全行業降價的新基準。」
Warren Buffett，Berkshire Hathaway 1985 年股東信
他在同一封信裡用了一個著名的比喻：每個看遊行的人都覺得踮起腳尖能看得更清楚——等所有人都踮起腳尖，沒有人看得更清楚，只是所有人都更累。單獨看，每一筆效率投資都理性；加總看，全部互相抵銷。信裡的數字比比喻更狠：Berkshire 1981 年用每台 5,000 美元買的「相對新式」織布機，1986 年清算時以每台 26 美元的廢鐵價出售；同業 Burlington Industries 在 1964～85 年間砸了約 30 億美元資本支出——比任何美國紡織同業都多——結果 20 年下來，股東手上每股的購買力反而掉了約三分之二。
這不是紡織業的特例，而是競爭市場的常態，而且被量化過。1980 年美國卡車業解除管制後，1977～82 年整車運價實質下跌約 25%；到 1998 年，整車運輸的實質營運成本（每車英里）下降了 75%——省下的錢流向誰？托運人，1985 年的估計是每年 78 億美元。航空業更慘烈：1978 年解除管制後實質票價下跌約 45%，消費者每年省下約 194 億美元，而航空業自己光 2001～03 年就虧掉 232 億美元。在大宗商品化的市場，效率革命的最終受益人通常是客戶，不是股東。
把這個邊界條件套回 AI：如果每家貨運仲介、每家經銷商都能訂閱同一套 AI Agent，那 AI 就是 2026 年的新織布機——省下的協調成本，很快變成全行業報價的新基準。Walmart 和 ODFL 之所以例外，共同點是：優勢是自建的系統，不是買來的工具——和自家網路、資料、流程咬死，複利了十幾二十年。此外，2020 年代還多了一個 1985 年沒有的漏口：AI 供應商的定價權。C.H. Robinson 說「擴張 AI 的唯一增量成本是 token」——這句話同時是亮點與風險：token 價格和模型授權費，決定了省下來的錢有多少要分給賣鏟子的人。
真相校準：五個正在流傳的說法 vs 數據
說法一：「AI 行情＝科技股行情。」數據：科技巨頭是賣鏟子的，營業利益率已經 32%～46%，AI 對它們獲利的「百分比彈性」反而小；營業利益率個位數的產業，彈性大 10 倍以上。這個敘事沒有錯，只是不完整——它描述的是紅利的上游，不是紅利的全部去向。（AI 產業鏈上游與開源、閉源之爭，另見這篇市場精選。）
說法二：「MIT 研究說 95% 的企業 AI 專案失敗。」真相：那是 2025 年 7 月一份自我標註「初步發現」的報告（MIT NANDA，52 家企業訪談＋153 份會議問卷），「95% 零回報」講的是企業級／客製化 GenAI 工具；同一份報告裡，通用聊天機器人的導入成功率是 40%，而且超過 90% 的受訪公司都有員工經常在用個人 AI 工具。批評者還指出，95% 這個頭條數字無法從報告內的數據直接推導。主要作者自己的解讀是：失敗反映「學習落差」，不是模型不行。可以引用，但別當鐵律。
說法三：「Walmart 貢獻了美國生產力成長的四分之一。」真相：MGI 原文是「零售業」貢獻 1.33 個百分點加速中的 0.31 個百分點（近四分之一）；其中綜合商品類換算到整體經濟只有約 0.05 個百分點，Walmart 造成的是這個類別跳升的「大部分」（直接貢獻約三分之一）。至於 Solow 那句「最重要的因素是 Walmart」，是學者 Ghemawat 在 2005 年的轉述，不在報告原文裡。數字縮水之後，故事反而更有意思——因為重點從來不是 Walmart 一家公司多偉大，而是一家低毛利公司的做法被全產業被迫模仿之後，能拉動什麼量級的東西。
說法四：「UPS 裁員近 5 萬人＝AI 取代人類。」真相：裁員數字是 SEC 文件可查的（2024 年 1.2 萬個管理職、2025 年累計約 4.8 萬、2026 年 1 月再宣布計畫裁 3 萬），管理層也確實把部分原因歸給 AI 與自動化。但同一時期 UPS 正在主動消化 Amazon 件量砍半的合約調整，加上工會加薪後的成本壓力——「AI 造成」這個因果，從公開數據裡分離不出來。把它當成 AI 取代人類的鐵證，是敘事跑在數據前面。
說法五：「AI 已經出現在生產力數據裡了。」真相：美國非農生產力 2023～25 年年均 +2.1%～+2.9%，確實高於 2005～19 年的約 +1.5%（數據：FRED 系列 OPHNFB，擷取於 2026-07-12）。但這波加速始於企業 AI 採用率僅約 4%～6% 的 2023 年，仍低於 1995～2005 年 IT 榮景的約 3.0%，而且 2026 年第一季年化只剩 +0.3%。CBO 在 2026 年 2 月發布的十年期基準裡，只假設生成式 AI 讓全要素生產力成長每年多約 0.1 個百分點；Penn Wharton 估 2025 年 AI 對全要素生產力的貢獻約 0.01 個百分點。聯準會副主席 Jefferson 今年 2 月的引述也一致：多數經濟學家預期，AI 生產力紅利的大部分還在後頭。這不必然是壞消息——Brynjolfsson 等人 2021 年的「生產力 J 曲線」理論本來就預測：通用技術要先累積大量無形資產投資，統計數字才會追上來。上一次，從 Solow 吐槽（1987）到數據翻揚（1995），中間隔了八年。
AlphaLab 的判讀
我同意什麼：獲利槓桿的算術成立；協調層真實存在、量級可觀（官方數據可推）；採用率落差意味著紅利尚未被開採也尚未被定價；而且歷史上確實發生過一模一樣的事——上一輪生產力革命最大的單一引擎，就藏在最低毛利的產業裡。當年最好的投資標的不是賣 EDI 系統的公司，而是把 EDI 用到極致的零售商。
我存疑什麼：至少到 2026 年 7 月為止，我們在公開資料中找不到任何一個經第三方驗證的「AI 讓低毛利公司毛利擴張」案例——最好的案例 C.H. Robinson，每一個因果數字都是管理層自述；嵌入式企業 AI 恰好是統計上失敗率最高的類別（MIT NANDA：成功導入 5%）；RAND 2024 年的報告引述估計：AI 專案失敗率超過 80%，約為一般 IT 專案的兩倍；S&P Global 2025 年發布的調查顯示，放棄大部分 AI 計畫的公司比率跳升到 42%（一年前為 17%）。「AI 埋進工作流就能繞過採用瓶頸」目前是個值得追蹤的假說，不是結論。
我會怎麼看（未來 3～5 年的三種劇本，假設寫明）：樂觀劇本——2027～28 年出現一批「可驗證」的低毛利業者毛利擴張（前提：Agent 可靠性跨過例外處理門檻，且擴散偏慢、以自建系統為主），市場開始重估這批「AI 營運股」。中性劇本（我的基準）——生產力紅利真實發生，但如同 1990 年代零售：4～6 年內大多透過競爭傳導給客戶（運價與服務費下降），產業平均毛利率大致不變，贏家以市佔與生存兌現、輸家退出。保守劇本——高失敗率主導，導入與 token 成本吃掉節省，話題退潮、損益表上查無此人。
注意一件事：就算是中性劇本，對投資人也不是中性的。「產業平均毛利不變」的另一面，是劇烈的市佔重分配——1990 年代的答案是 Walmart 對 Kmart，LTL 的答案是 ODFL 對 Yellow。重分配本身就是超額報酬（與超額虧損）的來源。本文不推薦任何個股，文中所有公司都是產業機制的例證。
怎麼把它變成你自己的判斷力
下次再看到任何「AI 受惠」的說法——不管是新聞、券商報告還是財報會議——用三個問題過濾：
- 獲利槓桿有多大？粗算就是 1 ÷ 營業利益率。營業利益率 3% 的公司，每省下營收 1%，獲利 +33%；40% 的公司只有 +2.5%。同一則 AI 新聞，對兩種公司的意義差 13 倍。
- 它的 AI 是買來的工具，還是長進營運的系統？人人訂閱得到的 SaaS Agent＝1985 年的新織布機，紅利會被競爭吃掉；自建、和自家資料與流程咬死、越用越準的系統，才可能是 1990 年代的 cross-docking。
- 省下的錢會流向誰？看產業定價行為：如果成本節省很快反映成降價搶單，紅利歸客戶（巴菲特劇本）；如果贏家能守住價格、擴大市佔，紅利以重分配的形式歸股東（Walmart／ODFL 劇本）。
然後是可以直接開始追蹤的 5 個指標（都是免費公開資料）：
- ① Census BTOS 的產業別 AI 採用率（census.gov/hfp/btos，雙週更新）：運輸倉儲業目前 9.8%（2026/6）。若 2027 年底前突破 20%、朝全國平均收斂＝「採用瓶頸」論被證偽、論點加分；若持續停在個位數＝紅利開採比想像慢。
- ② C.H. Robinson 每季財報（10-Q 與財報會議）：人均處理貨量、毛利率、人力數對貨量的剪刀差。毛利持續擴張且同業未跟上＝紅利可留存的第一個實證；仲介價差開始壓縮＝傳導開始、巴菲特劇本啟動。
- ③ BLS 生產力季報（Productivity and Costs，每季）：總體與產業別勞動生產力。AI 紅利如果是真的，遲早要在這裡現身——持續兩年高於 2.5% 且能對應到採用率上升＝總體證據成形。
- ④ LTL 業者的每季營運比率（ODFL、XPO、Saia、ArcBest 財報都會直接公布 OR）：有沒有任何一家開出「以 AI 為由」的新差距？OR 差距擴大且管理層點名 AI＝系統型優勢的訊號。
- ⑤ 運價指數對照承運商毛利（Cass Freight Index、DAT 現貨運價，皆每月公布）：如果 AI 帶來的節省以「運價下跌」的形式出現、而毛利不動＝紅利流向客戶，論點觸頂；運價平穩而毛利上升＝紅利暫時留在業者手上。
讀完這篇，你不需要記住任何一檔股票，只需要記住一個框架：槓桿在哪裡、系統還是工具、紅利流向誰。這三個問題，比任何「AI 受惠股清單」都耐用。
📚 延伸閱讀
- AI 開源 vs 閉源之戰：算力集中、能力下放，紅利怎麼分？
- 人形機器人循環：這次是 iPhone 時刻，還是 3D 列印時刻？
- 【深度分析】Alphabet（GOOGL）：AI 基礎設施軍備競賽的真實帳本
- AI Agent 團隊是怎麼運作的：一個 Repo＝一間 AI 公司
- 更多美股分析（AlphaLab 美股專區）
免責聲明與資料來源
本文為市場分析與個人觀點，非投資建議。文中提及之公司（Microsoft、Alphabet、Meta、C.H. Robinson、Sysco、US Foods、PFG、Knight-Swift、Werner、Old Dominion、XPO、Saia、ArcBest、Yellow、Robert Half、ManpowerGroup、ABM、Aramark、UPS、Klarna、Walmart、Kmart 等）皆為產業機制之例證，無任何個股買賣建議。市場有循環與風險，過去績效與歷史案例不代表未來表現。
主要資料來源（擷取日 2026-07-12）：SEC EDGAR 各公司 10-K／8-K（最新完整會計年度）；BLS OEWS（2025 年 5 月）、Productivity and Costs（2026 年 6 月發布）、ECEC（2026 年 3 月）；US Census Bureau 2022 Economic Census 與 BTOS 調查；FRED（OPHNFB）；McKinsey Global Institute《US Productivity Growth 1995–2000》（2001 年 10 月）；Berkshire Hathaway 1985 年股東信；Stalk 等人（HBR，1992）；Basker（JEP 2007；AEJ: Applied 2012）；MIT NANDA《The GenAI Divide》（2025 年 7 月，初步報告）；McKinsey《State of AI》（2025 年 11 月）；RAND（2024）；S&P Global 451 Research（2025）；解除管制數據引自 Econlib（Trucking／Airline Deregulation 條目）與 The Regulatory Review（2020）。文中「協調成本約佔卡車業營收 4.4%～6.3%」為作者以上述官方數據推估之量級，非機構發布數字。企業 AI 成效數字多為管理層自述、未經第三方稽核，內文已逐一標註。
AI 具有輸出錯誤資訊的可能，重要決策請由人類複核。本文無業配內容。