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，按全球现在的算力，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 年有 140 亿个，2035 年有 7200 亿个，成本从每月 $2,950 一路降到 $4，到时候平均每个人手下有 9 个数字助手。
Anthropic 的劳动力市场研究说的正好反过来，目前没有证据表明 AI 已经系统性地影响了就业。程序员是 AI 覆盖率最高的职业，到了 75%，可程序员的失业也没有系统性地涨，测出来的信号「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。如果你不知道该信哪份，我只能说两份都对。我觉得最有意思的，是这两份报告中间差着的那一块，想弄明白 AI 到底怎么影响就业，就得看这一块。
斯坦福的研究员 Roy Amara 总结过一条规律，人总是高估一项技术短期内的影响，又低估它长期的影响。历史上这条规律应验过太多次了。
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，因为财务分析以前只有财富 500 强用得起，现在所有公司都需要。
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。
先说短期。最硬的证据是，企业用起来比想象中慢很多。Deloitte 2026 年的 AI 报告里，78% 的企业说自己「试过」AI，但真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%。这些技术大部分还停在 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。按 Li 的分析，一个数字员工现在给到终端用户，一个月大概要 $2,950，听着跟某些市场的初级员工差不多。但你还得算上找人盯着它的钱，它在 GUI 场景里效率也不高，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。
还有一点很多人没注意到。办公室里量最大的活，其实是操作软件界面，这块 AI 才刚追平人，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。而且干同一个任务，agent 要多走 1.4 到 2.7 倍的步骤，越往后越慢。企业软件又大多靠 GUI 操作，所以在这块，数字员工暂时还没比人快。
Anthropic 的数据跟这些全都对得上。AI 暴露度高的职业，失业率一直稳在 3% 左右，走势跟暴露度低的职业一模一样。他们这套方法连 1 个百分点的变化都测得出来，结果什么都没测到，就是没有信号。
所以今年要是有人因为「AI 抢饭碗」焦虑到睡不着，看数据真的可以先缓口气。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。
但长期就是另一码事了。成本往下降可不讲情面，AI 推理成本从 2022 到 2025 降了 280 倍，2024 年 1 月之后降得还更快了。Li 预测数字员工的成本到 2030 年会降到 $72 一个月。就算他的时间线乐观了两三年，方向也是定的，早两年晚两年改变不了什么。等哪天数字员工的月费比 Netflix 会员还便宜，知识工作这笔账的算法就永远变了。
年轻人的数据会比整体先动。Anthropic 自己也发现了「初步迹象」，22 到 25 岁的年轻人在 AI 暴露度高的职业里，就业率在往下走。外面的数据更扎眼。Dallas Fed 的报告说，从 2023 年底到现在，年轻人在这类职业里找工作的成功率降了 3 个百分点以上。SignalFire 的 VC 数据显示，科技大厂招进来的应届生少了 50%，初级开发岗位的招聘帖少了 67%。
所以公司没去裁高级工程师，是直接不招初级工程师了。失业率里看不到这个，因为失业率算的是已经在岗的人，还没进来的人不算失业。我觉得这条比整体失业率能说明的东西多得多。
BLS 也已经把这事算进账里了。美国劳工统计局在 2024 到 2034 年的就业预测里，明确考虑了 AI 的影响，AI 覆盖率每涨 10 个百分点，预期的就业增长就掉 0.6 个百分点。行政、销售、律师助理、翻译、平面设计师，全在要下降的名单上。
再往远看，Li 把这个转变分成三步。2026 年，人做决策也做执行，AI 打辅助；2030 年，人负责决策，所有数字工作都交给 AI，人退到物理工作上；2035 年，决策和执行 AI 自己全包了，反过来雇人做物理任务。听着挺极端的，但你看看现在的数据，36.3% 的新创公司是一个人创立的，比 2017 年翻了一倍；个人开发者在做两年前要十人团队才做得出来的产品。从团队变成个人，这已经不是预测，是正在发生的事了。
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。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」反而成了它能卖高价的原因。他顺着推下去，等 AI 把所有信息工作都做掉了，人本身就成了稀缺的东西，心理治疗、教育、艺术、手工艺这些需求不会缩，还会爆。这个判断我基本同意，但他的论证里有两个盲区。
一个是人怎么转过去。不是每个丢了编程工作的人都能改行做手工匠人或者心理咨询师，换技能要时间、要钱、要制度支持，这三样现在都不到位。手表那个类比讲的是最后稳定下来的样子，从现在到那一天中间的十年，才是最痛苦的时候。
另一个更要紧。瑞士钟表业现在雇了大概 6 万人，全球石英表产业雇的是几百万人。一个职业「高端化」以后，高端那一层能装下的人，只是原来的零头。原来的会计大多也没变成什么「匠人会计」，是变成了数据分析师，那是完全不同的岗位。
所以回头看历史，教训其实不是「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 年没人猜得到会有「社交媒体运营」「UX 研究员」「DevOps 工程师」这些岗位，AI 会带出来的新工作，站在今天看也一样想象不到。但有一类人我很有信心，就是能编排 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 朋友打了个赌，赌第一家十亿美金的一人公司哪年出现。Dario Amodei 提醒说，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，而且都指着同一个方向。未来十年杠杆最高的，是能把问题拆开、再指挥一队 agent 去解决的人。
这不是空想，我自己天天在干这件事。盘盘猫是一个人加 claude code，29 天做了 10 个 app；Mio 从空仓库到语音 AI 伴侣只用了 4 天，然后整个产品方向推翻重来，也还是一个人。我之前写过，系统性思维和编排能力是这个时代的元技能，后来看到的每件事都让我更确定这一点。
数据也是这么说的。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，靠一堆产品一年做到 $3M，利润率 90% 以上。
供给这边的信号更猛。Gartner 的报告说，从 2024 Q1 到 2025 Q2，多 agent 系统的咨询量涨了 1,445%，2026 年会有 40% 的企业应用内置 AI agent。MCP、A2A、OpenAI Agents SDK 这些 agent 编排的基础设施正在成形，谁先学会，谁的先发优势就很大。
具体该怎么干，下面这几条都是我自己做的时候踩出来的：
-
学拆问题，别学 prompt。 prompt engineering 只是过渡期的技能，模型每个季度都在变好，越来越能听懂模糊的指令。能把一个乱糟糟、说不清的问题拆成几个清楚的子问题，每个子问题都带明确的成功标准，这个本事才不会被自动化掉。我每次开工前都会写一份「做完了长什么样」的文档，这事一点都不性感，但要是跳过它，就得白白浪费一天跟 AI 打转。
-
用并行的方式思考。 编排 agent，最大的杠杆就是并行。做调研别让一个 agent 包揽所有事，同时开 5 到 10 个专门的 agent，一个验证数据，一个拿劳动力市场研究交叉对照，一个查历史先例。这篇文章的调研就是 3 个 agent 并行跑了 10 分钟做完的，换成人类调研团队得好几天。最要紧的是会切任务，让 agent 各干各的，谁也不卡谁。
-
快发布，快砍掉。 AI 把试错成本压到了接近零，你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怎么用，看不到就不知道 v2 该往哪转。所以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，花时间去打磨一张烂牌，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，能拉开差距的就只剩判断力了，比如该解决哪个问题，五个生成结果里哪个是真的好，UX 对不对，文案的语气有没有踩中。AI 能生成无限多的选项，挑是你的活，而挑的眼光只能靠自己造东西、看东西翻车一点点练出来，没有捷径。
-
分发比建造重要。 唱反调的人有句话，solo builder 一定得听：「2026 年，建造容易，被看见才难。」AI 拉平的是做东西这一头，信任、关系、受众和品牌它都没拉平。一人公司如果产品好但没有分发渠道，就会输给产品一般但自带受众的对手。所以分发渠道要趁还没用上的时候就开始建。
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，大家怕的会一直比实际发生的多。应用还早，成本还高，大多数企业的工作流还是人在推，疼的主要是入门级招聘，不是大规模裁员。知识工作大概在走当年 ATM 柜员变成客户关系经理的那条路。这两年就是窗口，趁工作还在、领域知识还在攒，把编排 AI 这件事学会。
拐点我猜在 2028 到 2030 年。模型在大多数知识任务上会明确超过人，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。到那时候，就业市场才会实打实地感到冲击，不只是入门级，没转型的公司也会开始输给转型了的。
再往后，2031 到 2035 年，一个人加 100 个 agent 就是一家公司，月费降到 $27 甚至 $4。会冒出一批全新的、今天没法预测的岗位，靠「人类溢价」吃饭的经济也会成形，像心理咨询、教育、手工，还有面对面的那种存在感。2026、2027 年就转型完的人，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；第四篇拆了龙虾热背后的机制；第五篇回头重新看了智能诅咒。这篇讲时间线，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.
