写在前面：这是过去一年我反复跟自己较劲的一个问题。我自己做 AI 产品、看 AI 项目、也投自己的钱进 AI 资产，但越往里走，越觉得有件事跟所有人讲的剧本对不上。这篇文章是把这个问题彻底想清楚的一次尝试。
一个憋了一年的疑问
每次跟创业的朋友吃饭，我都会问同一个问题：
"你身边因为 AI 多花的钱，有几样是过去不存在的？"
回答几乎一致——更贵的电费、订阅了几个 AI 工具、公司给员工配了 Copilot。再往下追问"那有没有什么新的消费、新的服务、新的体验，是因为 AI 才出现的、你愿意持续付费的？"，对方就开始挠头。
这才是这一轮技术革命最古怪的地方。
蒸汽机让一个原本一辈子不出村的人，可以在三天内跨过半个欧洲；电力让夜晚不再是停摆时间，制造业从此可以 24 小时开机；互联网让一个北京的人可以同时跟洛杉矶、东京、孟买的人协作；移动互联网更直接——外卖、网约车、短视频、抖音直播带货，几乎全部是过去不存在的需求。
每一次技术革命，都先打开一片全新的需求大陆，然后再带动效率提升。
可是这一轮 AI 我们感受到的更多是：老业务跑得更快了、老员工被裁了、老服务变便宜了。新场景不能说完全没有，但跟前几次比，肉眼可见地稀薄。
如果一场革命的主要表现是"用一半的人做同样的事"，那它带来的真的是繁荣，还是某种我们还没起好名字的麻烦？
我把这个问题翻烂了，调取了今年所有能找到的硬数据，下面是结论。
一、前三次革命的共同剧本：先创造新需求，再带来效率
经济史学家 Carlota Perez 把每一次技术革命分成两个阶段：安装期（资本疯狂涌入基建）和展开期（生产力真正惠及全社会）。
但人们容易忽略一个关键事实——生产力的爆发，永远滞后于基建的建成。
斯坦福经济学家 Paul David 1990 年写过一篇被反复引用的论文。他研究了电力革命：电灯泡 1879 年发明，1880 年代电气化在美国大规模商用，然而整整四十年，美国工厂的生产率几乎纹丝不动。
为什么？因为厂主一开始只是把电动机拧到原来蒸汽机的位置上，整条传动轴还是一样的设计。直到 1920 年代，工程师才发现"应该给每台机器装一个小马达"，重新设计了整套生产线，生产率才井喷。
而生产率井喷的前提是什么？是新需求把工厂的产出全部消化掉：
- 蒸汽机时代：长途货运、远洋贸易、城市化人口流动
- 电力时代：电灯、家电、广播、电影、电话——每一项都是过去完全不存在的家庭消费
- 互联网时代：搜索、电商、SaaS、社交网络
- 移动互联网时代：外卖、网约车、短视频、O2O、直播带货
这是一条铁律：没有需求扩张的效率提升，等于通缩。
工厂能多产 50%，可没人买，就只能降价。降价之后，工人被裁，购买力进一步下降，最后回到一个更萧条的均衡。
每一次技术革命真正成为"革命"，靠的从来不是"做得更便宜"，而是"以前做不到的事现在能做"。
二、这一轮 AI 在做什么，没在做什么
把这把尺子拿来量当下，会得到一个让人不太舒服的结果。
AI 真的在做的事——降本和耗电
降本这件事，AI 做得比谁都猛：
- Klarna 用 AI 替代 700 个客服，省 4000 万美元一年（虽然一年后他们又把人招回来了，这事一会儿说）
- 麦肯锡测算 GenAI 全球每年可以"创造价值"2.6-4.4 万亿美元，但绝大部分体现为成本节约而非新收入
- Anthropic Economic Index 显示，AI 已经渗透到 52% 的"增强型"使用和 45% 的"替代型"使用
耗电这件事，AI 也做得很彻底：
- IEA 预测全球数据中心电力消耗，将从 2025 年的 485 TWh 翻倍到 2030 年的 950 TWh——相当于一整个日本的全年用电
- 微软、谷歌、Meta、亚马逊四家 2025 年 AI 资本开支合计约 3150 亿美元，2026 年预计 7000 亿，2027 年可能突破 1 万亿
- 英伟达、台积电、电力公用事业、铜矿铀矿——这一轮全是"卖铲子的"在赚钱
这是革命的"安装期"特征，没问题。
AI 没在做的事——创造让人愿意持续掏钱的新需求
红杉资本 David Cahn 2024 年 6 月算过一笔很扎心的账：按当时英伟达的销售情况倒推，全球 AI 生态需要产生 6000 亿美元/年的收入才能让基建投资回本。当年 OpenAI 的年化收入是多少？34 亿美元。
去年这个缺口收窄了一些（OpenAI 进入百亿俱乐部），但相比 2026 年 7000 亿美元的资本开支，差距依然是两个数量级。
MIT 媒体实验室 2025 年发布的《GenAI Divide》报告更直接——他们采访了 150 位企业高管、分析了 300 个 AI 项目：
95% 的企业 AI Pilot 项目，没有产生可测量的损益影响。
不是失败，是没拉动 P&L。
中国这边也是同一个故事：
- 豆包 2026 Q1 月活 3.4 亿，全球前三；千问 1.7 亿、DeepSeek 1.3 亿
- 但国产 AI 应用付费率只有 3%-6%，连 ChatGPT 的 10% 都达不到
- 火山引擎 2025 年收入破 200 亿，但绝大部分来自企业级 API 调用，而非 C 端用户为新需求付费
- 2025 Q2 中国大模型项目中标榜单显示，最大客户是国央企、运营商、银行、政务——全是已有流程的效率改造，纯增量新需求很少
这就是我想说的核心问题：
这一轮 AI 给我们的，是一台压缩机，不是一台造物机。
它能把已有的事情压缩到更少时间、更低成本、更小人力——但它至今没有像电灯之于黑夜、汽车之于距离、移动支付之于线下消费那样，真正打开一片过去不存在的需求大陆。
反方观点：会不会其实只是太早了？
公允地说，几个乐观派的论据值得认真听：
Hinton 错了，他错得很有教学意义。 2016 年他放言"五年内 AI 取代放射科医生"，十年过去——美国放射科医生不仅没减少，数量增长了 10%，平均年薪涨到 57.1 万美元。AI 让阅片快了 10 倍，结果医疗总需求暴涨，反而需要更多医生。这是经济学里典型的"杰文斯效应"。
ATM 与银行柜员的故事一样。 1970-2010 年美国银行柜员从 30 万涨到 60 万。ATM 让单位柜员成本下降，于是银行开了更多支行——总需求被打开了。
乐观派押的三张牌是有真东西的：
- AI Agent：不再只是回答问题，而是替你完成任务。这才是从"效率"过渡到"新需求"的关键
- 具身智能 / 人形机器人：特斯拉计划 2026 量产 Optimus，Figure AI 估值 26 亿美元，IEA 预测 2030 年市场超 180 亿美元
- AI Native 应用：Cursor、Suno、Replit、Lovable、Character AI 这一类产品，用过去不存在的范式创造增量需求——Kimi 9-11 月付费用户月均增长 170%，是少数跑通了 C 端付费曲线的案例
这些都可能成。 但它们目前都还没到能把 6000 亿缺口填上的体量。
我的判断是：乐观情景需要 AI Agent 和具身智能在 2027-2028 之前兑现。否则市场就会重新定价"安装期"的赌注。
三、经济金融视角：如果效率持续跑赢需求，会发生什么
把上面的事实串起来，从经济学家的视角出发，效率超越需求这件事会引出三个后果。
1. 通缩压力，而不是通胀压力
很多人对 AI 的直觉是"会涨价"——电费涨、芯片涨、能源涨。这是基建层的故事。
但应用层的真实方向是降价。客服便宜了、写文案便宜了、写代码便宜了、做翻译便宜了——一切可以被 LLM 削减的工作，价格都在结构性下行。
这是一种"AI 通缩"。
如果伴随着就业冲击（高学历白领被替代）、购买力下降，那么经典的债务通缩螺旋就会启动：资产价格上涨 + 工资价格下跌 + 消费需求疲软。这恰恰是 2024-2026 年我们看到的全球宏观图景。
2. 鲍莫尔病的反转——历史上第一次
经济学里有个概念叫"鲍莫尔病"（Baumol's Cost Disease）：因为生产率提升不均衡，某些不能自动化的服务（教育、医疗、法律、表演艺术、行政办事）会变得越来越贵——一个老师教 30 个学生这件事，效率提升的天花板很低，但老师的工资必须跟着整个社会的工资水平涨。
过去 50 年，发达国家的医疗、教育、法律服务通胀率远高于商品通胀率，根源就是鲍莫尔病。
但这次 AI，第一次真正切中了这些"不能自动化"的领域——
- 法律研究（O1/Claude 已经能做大部分初级 paralegal 工作）
- 医疗行政（病历整理、保险沟通、影像辅助阅片）
- 初级教育（个性化辅导、批改作业、教学方案）
- 客户服务（语音 + 知识库 + Agent）
这意味着两件事：
- 好的一面：长期来看，鲍莫尔病可能首次被治愈，医疗和教育成本可能停止疯涨
- 坏的一面：这些领域过去吸纳了大量中产阶级就业，现在被冲击的恰恰是中等技能、高学历的白领群体
3. K 型分化——基建层赢，应用层归零，劳动者两极
Acemoglu（2024 年诺贝尔经济学奖得主）在《The Simple Macroeconomics of AI》里给出过一个让所有 AI 多头很不舒服的估算：
AI 未来 10 年对全要素生产率（TFP）的贡献，不会超过 0.66%。GDP 总贡献 1.1-1.6%。
对比一下高盛 2023 年 Hatzius 团队的预测——10 年累计推升全球 GDP 7%（约 7 万亿美元）。Acemoglu 的数字几乎差了一个数量级。
谁对？
经济史上类似的争论已经发生过很多次。电力革命的真实 GDP 贡献，要到第 40 年才显现。Brynjolfsson 提出过一个"生产率 J 曲线"理论——任何通用技术初期都会先压低测量到的生产率（投入巨大、产出不显），然后才进入收割期。
我个人的看法是：Acemoglu 描绘的，是 2025-2030 这五年的真实图景；Hatzius 描绘的，可能是 2035 之后的图景。但夹在中间这五年的人，会真切感受到 K 型分化。
K 型的顶端是：
- 卖铲子的（英伟达、台积电、电力公用事业、数据中心 REITs）
- 拥有专有数据 + 能驾驭 AI 的头部企业（医疗集团、律所、咨询公司）
- 资深专业人士（用 AI 把个人产能放大 5-10 倍）
K 型的底端是：
- 中等技能的白领（被自动化的同时，没有新需求把他们吸收回去）
- 没有专有数据、纯靠"信息差"吃饭的中间商
- 应用层的早期 AI 创业公司（绝大多数会被基础模型迭代和价格战吞掉）
四、个人发展视角：你怎么找到自己的位置
这是这篇文章我最想写的部分——所有宏观分析最终要回到一个问题：我个人应该怎么做？
我把它整理成四个清单。
清单一：岗位风险光谱（5 级）
| 风险等级 | 类型 | 典型岗位 | 底层逻辑 |
|---|---|---|---|
| 🔴 高危 | 中等技能、可标准化的白领 | 初级文案、初级翻译、入门级客服、初级法务助理、入门级 BI 分析师、入门级码农 | Anthropic 数据：本科以上岗位被 AI 提速 12 倍；这些活儿被切走时，没有总需求扩张来吸收 |
| 🟠 警惕 | 信息中介与"二道贩子" | 旅行顾问、咨询助理、研究员、媒介采购、初级猎头 | 价值就是"信息差"，LLM 直接削平 |
| 🟡 中性 | 关系型 + 信息型混合 | 销售、客户成功、产品经理、教师、记者 | AI 能提速 60%，但"信任 + 情境判断"短期内无法外包 |
| 🟢 安全 | 复杂物理动作 + 现场判断 | 电工、水暖工、护士、外科医生、复杂安装维修、消防员 | 91/100 AI 抵抗指数；具身机器人短期内成本高于人工 |
| 🟢 受益 | 能驾驭 AI 的资深专家 | 资深工程师、医生、律师、研究科学家、复合背景顾问 | 高级判断力 × AI 杠杆 = 个人产能 5-10 倍 |
这张表的关键不是"找一个安全岗位"，而是看清自己当前所在的格子，决定要往哪个格子迁移。
清单二：投资视角的"AI 三层结构"
如果你拿自己的钱看 AI 资产，先记住一句话：铲子、应用、被增强的传统行业，是三种完全不同的赌注。
第一层：铲子（确定性最高、估值最贵）
英伟达、台积电、电力公用事业、数据中心 REITs、铜、铀、电网设备。IEA 的电力数字是硬约束——AI 用电量翻倍这件事，几乎不可能逆转。
风险：估值已经计入了非常乐观的预期，任何资本开支放缓信号都会引发剧烈回调。
第二层：应用层（高 β，绝大多数归零）
参考红杉 6000 亿测算，能"独立活下来"的少数 AI 应用公司，必须先看月活增长、再看付费曲线、最后看留存。Kimi 那种 170% MoM 付费用户增长才算硬指标。
风险：被基础模型迭代直接吃掉、被价格战拖死、被巨头免费功能挤死，三种死法都很常见。
第三层：被 AI 增强的传统行业（长期最大赢家可能藏在这里）
医疗（放射科故事）、技术服务、专业服务的头部公司——它们用 AI 撬动单位人时产值，但赛道本身有需求支撑。
这层最容易被忽略，也最值得花时间研究。
清单三：个人技能投入的四象限
值得学：
- AI 工程能力（Prompt 设计、Agent 设计、上下文工程）
- 独到判断力（看一眼就知道 AI 的答案靠不靠谱、要不要采用）
- 关系经营 + 信任建立
- 复杂物理技能（动手能力在未来 10 年只会更值钱）
值得避：
- 靠"勤奋抄作业"产生的信息整理
- 模板化文档输出
- 可枚举步骤的执行类工作
最高赔率赌注： 任何"既懂行业又懂 AI"的复合岗位——医疗 + AI、法律 + AI、制造 + AI、金融 + AI 这种交叉口，短期内人才稀缺、议价权高、几乎不可能被 AI 单独替代。
最容易被骗的误区： 纯粹追"Prompt Engineer"标签的岗位需求，在最新招聘数据里实际不到 0.5%。真正稀缺的是"用 AI 让传统岗位 10 倍化"的人，而不是"专门玩 AI"的人。
清单四：判断 AI 项目（自己做 or 投）的三个问题
每次有人来找我聊 AI 项目，我现在只问三个问题：
-
它在创造新需求，还是在替代旧需求？
- 替代旧需求 → 利润率会被竞争对手套利掉（高盛 Covello 警告）
- 创造新需求 → 才有真护城河
-
它解决的问题，复杂到匹配它的成本吗？
- 一次推理几分钱的成本，去做"写一封邮件"的活，长期一定被免费功能吃掉
- 解决高复杂度问题（多步推理、跨系统协调、长上下文）的工具才有定价权
-
它的护城河是数据 / 流程，还是模型？
- 模型护城河 = 没有护城河（六个月就被超越）
- 专有数据 + 重新设计的流程 = 真正的护城河（这恰好是电气化故事的核心教训）
五、写在最后：可带走的判断框架
如果你今天只能从这篇文章带走一件东西，希望是这个：
这一轮 AI 革命，可能是历史上第一次"安装期就出现剧烈替代"的革命。
蒸汽机、电力、互联网，它们都先用 30-40 年时间打开新需求、扩大蛋糕，然后才开始替代旧岗位。这一轮的不同在于——替代效应几乎与基建同步发生，但新需求的展开期还遥遥无期。
这不一定是坏事。但它确实意味着，对处在这场革命中段的我们：
- 基建层赢家明确——它们将吃掉前 5-10 年大部分的资本回报
- 应用层 95% 会归零——但成功的 5% 会非常惊人
- 被冲击最大的是中等技能白领——这是人类历史上第一次"知识让你更危险"
- 真正的杠杆来自复合岗位 + 头部专家——AI 不会取代懂行业的人，但会取代不懂 AI 的同行
回到开头那个问题——这一轮变化是否能像电力革命一样惠及全人类？
我的判断是：能，但前提是 AI Agent 和具身智能在 2028 年之前兑现。 否则就会停留在"卖铲子的赚饱、应用层归零、中产被替代"这个并不舒服的均衡里。
无论哪种情况，对你我而言，三个动作不会错：
- 离开中等标准化白领的格子，往物理技能、专家深度、复合行业能力的方向迁移
- 不要 all in 应用层，但要在铲子层和传统增强层之间合理配置
- 每一笔 AI 投入（个人时间、企业投入、个人资金），先问那三个问题：在创造新需求吗？匹配成本吗？护城河在哪？
历史会重复，但很少押同一个韵脚。这一次，韵脚可能比我们想象的难听一点——但看清楚了，就是机会。
如果这篇文章让你重新想了一下手里的 AI 决策，给我点个赞或留个言。下一篇我打算把"复合岗位 + AI 杠杆"这件事拆得更细——具体到不同行业的迁移路径。
