AI 还没造成失业，先缩的是初级岗位招聘
短期恐慌与长期变革——阿马拉定律的两面
前段时间同一周里看到两份报告，方向完全相反，挺有意思的。
Bojie Li 的分析算了一笔账：全球现在的算力，已经能撑起 680 万个「数字员工」——就是像人一样每周干 40 小时活的 AI agent。他接着往后推：2030 年 140 亿个，2035 年 7200 亿个，成本从每月 $2,950 一路降到 $4，平均每个人手下 9 个数字助手。
Anthropic 的劳动力市场研究说的是另一回事：目前没有证据表明 AI 对就业产生了系统性影响。程序员是 AI 覆盖率最高的职业，75%，失业也没有系统性地涨，信号「与零无异」。
一份说数字员工很快会以 72:1 的比例碾压人类，一份说革命压根还没开始。不知道该信哪份的话，我只能说，两份都对。而这两份报告中间差着的那块，我觉得才是最有意思的地方——想明白 AI 到底怎么影响就业，关键就在这块。
斯坦福的研究员 Roy Amara 总结过一条规律：人总是高估技术的短期影响，又低估它的长期影响。这条规律历史上应验过太多次了。
阿马拉定律的两条曲线：短期恐慌被高估、泡沫破裂后长期影响被严重低估
最经典的是 ATM。当时所有人都说银行柜员要完，后来每个网点的柜员确实从 20 个减到了 13 个。可银行反手多开了 43% 的网点，柜员总数反而涨了，活儿从数钱变成了做客户关系。会计那边也发生过一模一样的事，VisiCalc 把财务建模从 20 个小时压到 15 分钟。会计不但没少，还多出来 60 万个岗位——财务分析从财富 500 强才用得起的东西，变成了所有公司都需要的东西。
互联网对零售的冲击绕的弯更大。2000 年泡沫一破，看起来怀疑派赢了，然后电商安安静静涨了二十年，现在占全球零售总额 21% 左右，比 1999 年最疯狂的预测还要高。
这几次的顺序都差不多，先恐慌一波，泡沫破掉，看起来什么都没发生，过十几二十年回头一看，变化比当年最乐观的人想的还大。AI 我感觉就在这条路上，现在还在恐慌这一段。
短期这头，最硬的证据是企业落地比想象中慢很多。Deloitte 2026 年的 AI 报告里，78% 的企业说自己「试过」AI，真正做到全公司部署的只有 27%，围绕 AI 重新设计过工作流程的只有 21%。agent 就更别提了，全面部署的只有 2%。技术大部分还活在 demo 和试点里，没有真的在生产环境里大规模替人干活。
成本也还没降到那个份上。Li 的分析里，数字员工现在的终端用户成本大概 $2,950 一个月，听着跟某些市场的初级员工差不多，但你还得加上人盯着它的监督成本，加上它在 GUI 场景里效率不高，AI 写的代码逻辑错误还比人多 1.75 倍。讲道理，这么一算，大多数场景的 ROI 是算不过来的。
还有个很多人没注意的点：办公室里量最大的工作其实是操作软件界面，这块 AI 才刚追平人类，还没超过。claude opus 4.6 在 computer use（操作电脑界面）的 benchmark 上是 72.7%，人类是 72.4%，基本打平；而且 agent 干同一个任务要多走 1.4 到 2.7 倍的步骤，越往后越慢。企业软件又大多是 GUI 驱动的，所以这个领域里数字员工暂时并没有比人快。
Anthropic 的数据跟这些全都对得上：AI 高暴露职业的失业率稳定在 3% 左右，走势跟低暴露职业一模一样。他们的框架能检测出 1 个百分点的变化，结果什么都没测到——信号就是不存在。
所以今年因为「AI 抢饭碗」焦虑到睡不着的，从数据上看真的可以先缓口气。被替代的风险是真的，但按现在的数据，还没到该恐慌的时候。
但长期是另一码事。成本下降这件事不讲情面，AI 推理成本从 2022 到 2025 降了 280 倍，2024 年 1 月之后还在加速。Li 预测数字员工的成本 2030 年降到 $72 一个月。就算他的时间线乐观了两三年，方向也是确定的，快两年慢两年不改变什么。等数字员工的月费比 Netflix 会员还便宜，知识工作的经济学就永久性变了。
年轻人的数据是先行指标。Anthropic 自己也发现了「初步迹象」：22 到 25 岁的年轻人，在 AI 高暴露职业里的就业率在下降。外面的数据更扎眼：Dallas Fed 报告，年轻人在高 AI 暴露职业的求职成功率从 2023 年底到现在降了 3 个百分点以上；SignalFire 的 VC 数据，科技大厂的应届生入职降了 50%，初级开发岗位的招聘帖少了 67%。
也就是说，公司没有裁高级工程师，是直接停招初级工程师了。失业率里看不到这个，因为失业率统计的是已经在岗的人，还没进来的人不算失业。我觉得这条比整体失业率有信息量得多。
BLS 也已经把这事算进账里。美国劳工统计局 2024 到 2034 年的就业预测明确纳入了 AI 的影响：AI 覆盖率每涨 10 个百分点，预期就业增长掉 0.6 个百分点。行政、销售、律师助理、翻译、平面设计师，全在下降列表上。
再往远处看，Li 描述了一个三阶段的转变：2026 年人做决策和执行，AI 打辅助；2030 年人负责决策，AI 执行所有数字工作，人退到物理工作上；2035 年 AI 自己完成决策加执行，反过来雇人做物理任务。听着挺极端的，但看看现在的数据：36.3% 的新创公司是一个人创立的，2017 年以来翻了一倍；个人开发者在做两年前要十人团队才做得出来的产品。这个从团队到个人的结构性转变不是预测，是已经在发生的事情了。
三阶段大反转：从人主导 AI 打辅助，到 AI 执行数字工作，最后 AI 反过来雇人做物理任务
Li 那篇里有个类比我觉得挺好的：电子表的精度和成本早就全面超过机械表了，但百达翡丽不但没死，「人类工匠手工完成」这件事本身反而成了溢价的来源。他的推论是：AI 把所有信息工作都处理掉之后，人的存在本身变成稀缺品，心理治疗、教育、艺术、手工艺，这些需求不会缩，会爆。
这个判断我基本同意，但他的论证里有两个盲区。
一个是转型路径。不是每个丢了编程工作的人都能转去做手工匠人或者心理咨询师，技能转换要时间、要钱、要制度支持，这三样现在都不到位。手表类比说的是稳态，从现在到稳态中间那十年，才是痛苦集中的地方。
另一个更关键：瑞士钟表业现在雇的是大概 6 万人，全球石英表产业雇的是几百万人。一个职业「高端化」之后，高端那层能装下的就业量只是原来的零头。大多数原来的会计也没变成什么「匠人会计」，是变成了数据分析师——完全不同的岗位。
所以历史真正的教训不是「工作会变高级」，是会冒出全新的、现在完全没法预测的工作。1990 年没人猜得到「社交媒体运营」「UX 研究员」「DevOps 工程师」这些岗位，AI 会创造的新工作，以今天的视角看同样不可想象。
不过有一类人我很有信心：能编排 AI 去造东西的人。
编排者：一个人把混沌问题拆成子任务，并行指挥一队 agent 各自解决，等于一家公司
Sam Altman 和他那帮科技 CEO 朋友有个赌局：第一家十亿美金的一人公司会在哪年出现。Dario Amodei 警告说人机协作的「半人马阶段」可能很短。Jensen Huang 说 AI 把能力民主化了，能让「每个人都过上好日子」。这几句我觉得都对，也都指着同一个方向：未来十年杠杆最高的位置，是能把问题拆开、指挥一队 agent 去解决的人。
这不是空想，我自己天天在干这件事。盘盘猫是 29 天做了 10 个 app，一个人加 claude code；Mio 是从空仓库到语音 AI 伴侣只用 4 天，然后整个产品方向推翻重来，还是一个人。之前写过，系统性思维和编排能力是这个时代的元技能，后面看到的一切都在加强这个判断。
数据也印证这一点：solo founder 现在占新创公司的 36.3%（Carta，2025 H1），2017 年只有 17%；成功退出的创业公司里，52.3% 是 solo founder 做的。Pieter Levels 一个人、零员工、零 VC，靠一堆产品一年做 $3M，利润率 90% 以上。
供给侧的信号更猛：Gartner 报告，多 agent 系统的咨询量从 2024 Q1 到 2025 Q2 涨了 1,445%；2026 年会有 40% 的企业应用内置 AI agent。agent 编排的基础设施——MCP、A2A、OpenAI Agents SDK——正在成形，先学会的人有很大的先发优势。
具体该怎么干，这几条都是我自己实践里踩出来的：
-
学拆问题，别学 prompt。 prompt engineering 是过渡期技能，模型每个季度都在变好，越来越会理解模糊的指令。真正不会被自动化掉的能力，是把一个混沌的、定义不清的问题拆成清晰的子问题，每个子问题带明确的成功标准。我每次开工前都写一份「做完了长什么样」的文档，这事一点都不性感，但跳过它的代价就是浪费一天跟 AI 打转。
-
用并行的方式思考。 agent 编排最大的杠杆是并行。做调研别让一个 agent 干所有事，同时开 5 到 10 个专门的 agent：一个验证数据，一个交叉对照劳动力市场研究，一个查历史先例。这篇文章的调研就是 3 个并行 agent 花 10 分钟做完的，换成人类调研团队得好几天。关键技能是知道怎么切任务，让 agent 各干各的、互不阻塞。
-
快发布，快砍掉。 AI 把试错成本压到接近零了，可以做三个版本扔掉两个。Mio 的 v1 很粗糙，还建在一个错误的假设上——但不发布就看不到真实用户的行为，看不到就发现不了 v2 该往哪转。第一版其实是个调研工具，不是产品。不 work 的东西几天内就放弃，花时间打磨一张烂牌才是最大的时间坑。
-
品味和判断力。 等所有人用的都是同样的 AI 工具，差异化就只剩判断力了：解决哪个问题、五个生成结果里哪个真的好、UX 对不对、文案有没有踩中语气。AI 能生成无限的选项，筛选是你的活，而筛选能力只能从造东西、看东西翻车里来，没有捷径。
-
分发比建造重要。 有句反面论证 solo builder 必须听：「2026 年，建造容易，被看见才难。」AI 拉平的是建造端，没拉平的是信任、关系、受众和品牌。产品好但没分发渠道的一人公司，会输给产品一般但自带受众的对手。所以分发渠道得在需要它之前就开始建。
把 Li 的分析、Anthropic 的数据和历史先例叠在一起，我觉得实际的时间线大概是这样：
最近这两年，到 2027 年前后，恐惧会一直比现实大。应用还早，成本还高，大多数企业工作流还是人在驱动，痛苦集中在入门级招聘上，不是大规模裁员。知识工作大概在走当年 ATM 柜员变客户关系经理的那条路。趁工作还在、领域知识还在积累，把编排 AI 这件事学会，这两年就是干这个的窗口。
拐点我猜在 2028 到 2030 年。模型能力明确超过人类的大多数知识任务，成本靠蒸馏和竞争再降个 10 到 40 倍，数字员工从奢侈品变成公共设施。就业市场到那时候才会真正感受到冲击，不只是入门级了，没转型的公司也会开始输给转型了的。
再往后到 2031 至 2035 年，一个人加 100 个 agent 就是一家公司，月费降到 $27 甚至 $4。全新的、今天没法预测的岗位会冒出来，「人类溢价」的经济也会成形：心理咨询、教育、手工、面对面的存在感。2026、2027 年就完成转型的人到时候位置会好很多，没转的得熬一段挺痛苦的过渡。
这个系列到这篇是第六篇。第一篇说 benchmark 不重要，重要的是系统；第二篇算了一笔账，AI 算力正在被疯狂补贴；第三篇讲超级个体；第四篇拆了龙虾热的深层机制；第五篇重新审视了智能诅咒。这篇讲的是时间线，结论前面都写了：短期的威胁被高估，长期的变化被低估，能做的就是趁这两年窗口还开着，把指挥 agent 干活这件事学会。
This post is also available in English.
