AI把成本打下来之后，谁来把需求接回去？

但从经济运行的角度看，技术只是起点。真正决定一轮技术革命能不能转化为长期增长的关键，在于效率红利能否重新变成劳动收入、消费能力和新增需求。生产率提高之后，如果成本下降带不来足够大的需求扩张，或者劳动收入无法通过新岗位得到承接，技术进步就很难变成社会层面的繁荣。 眼下，一组并不算夸张的数据，已经把这个问题摆在了桌面上。亚特兰大联储对美国企业的调查显示，2026年私人部门计划投入约2800亿美元用于AI；平均到每名员工，相关支出将从2025年的1358美元提高到2068美元，增幅超过50%。另一项覆盖美国、英国、德国和澳大利亚近6000名企业高管的调查则显示，企业预计未来三年AI将使生产率提高1.4%，产出提高0.8%，就业减少0.7%。 这些数字还不足以证明AI正在制造一场宏观就业危机。它们真正值得注意的地方，是三个指标的方向并不一致：生产率上升得更快，产出扩张得较慢，就业反而可能收缩。 我对此有一个概括：过去几次工业革命，本质上是同一个增长飞轮在运转。效率提升带来成本下降，成本下降释放需求，需求扩张形成规模效应，规模效应继续压低成本。周而复始，自我强化。 这套机制里，最关键的一环并非效率提升本身。效率提升只能扩大供给能力，真正让飞轮转起来的是需求扩张。只有当降本释放出的供给被新的消费和投资吸收，技术革命才会进入正循环。 一条是降价刺激现有需求。产品价格下降，原本买不起的人进入市场，存量市场的渗透率随之提高。棉布从奢侈品变成日用品，汽车从富人玩具进入家庭消费，都是这个逻辑。 另一条是创造全新需求品类。新技术带来过去不存在的产品和服务，也激发人类此前没有表达出来的消费欲望。铁路、电话、互联网出现之前，人类并不知道自己会需要它们；基础设施铺开之后，新的生活方式和商业组织方式随之出现。 前三次工业革命能够转化为大规模增长，靠的正是这两条路径相互叠加：价格下降扩大了旧市场，新品类又打开了新市场。需求扩张带来规模效应，规模效应进一步压低成本，飞轮由此加速。 福特T型车是一个典型案例。1908年上市时售价850美元，后来降到260美元，十九年间累计生产超过1500万辆。汽车进入家庭消费后，新增需求并不只停留在汽车本身，还外溢到钢铁、橡胶、石油、道路、维修和保险。与此同时，福特在1914年推出具有吸引力的5美元日薪，海兰公园工厂的就业规模在1925年接近7万人。商品市场扩张和劳动收入增长，构成了同一个闭环的两面。 计算机和互联网也不只是把既有工作做得更快。它们降低了信息匹配、交易和流通成本，同时创造软件、电商、云服务、数字广告、移动支付等新产业。旧岗位消失之后，新产业链又提供了新的收入承接。线下售货员进入电商、仓储和配送体系，传统文职岗位收缩，程序员、产品经理、运营和平台商家随之增加。 不过，把这段历史概括为“市场自动完成调节”，仍然过于简单。电气化真正变成生产率提升，经历了工厂布局、组织方式和技能结构的长期重组；大规模消费市场的形成，也离不开工时、工资、社会保障、公共教育和基础设施的同步变化。过去的增长飞轮并不是只靠一项技术自己转起来，而是由产品需求、就业迁移和制度修补共同完成闭环。 国际劳工组织2025年的测算显示，全球约四分之一的劳动者从事的职业，至少有一部分任务会受到生成式AI影响；处于最高暴露区间的劳动者约占3.3%。这并不等于四分之一的人会失业。就目前而言，AI更可能先改造岗位，而不是直接消灭整个职业。 问题在于，增长飞轮是否会卡住，不需要等到“全面失业”才会出现。只要就业入口、工资增长和消费预期先发生变化，需求端就可能提前感受到压力。 前三次工业革命中，被率先替代的往往是收入相对较低、技能结构较单一的岗位。纺织工、马车夫、部分流水线工人、线下售货员，这些岗位虽然重要，但单个劳动者被替代带来的消费冲击相对有限。 AI第一轮真正有压力的，是程序员、设计师、翻译、初级律师、分析师、编辑等中高收入脑力劳动者。这类人群的收入水平通常高于社会平均，也是住房、汽车、教育、旅游、电子产品和服务消费的重要支撑。 这种压力已经首先出现在职业入口。斯坦福数字经济实验室利用美国大型薪酬服务商的高频数据发现，在AI暴露度最高的职业中，22至25岁劳动者的就业规模相对下降了16%；年龄更大、经验更丰富的同类劳动者，以及AI暴露度较低的岗位，并没有出现相同变化。研究还发现，下降主要集中在AI更容易完成“自动化”的岗位，而不是AI主要用于辅助人的岗位。 中国市场也出现了相似信号。北京大学团队分析2018年至2024年约125万条智联招聘信息后发现，会计、编辑、销售和程序员等白领职业的AI暴露度较高；职业暴露度越高，招聘需求和工资增长越弱，学历与经验门槛反而更高。这说明AI带来的第一轮变化，未必体现为存量员工立刻失业，也可能体现为企业少招新人、入口岗位变窄、同一份工作要求更高。 一个中高收入家庭的收入预期下修，影响的往往是整张家庭资产负债表和未来支出计划。房贷还要继续还，孩子教育支出很难立刻压缩，大额消费和长期投资会率先收缩。需求端的压力会比传统机器替代更集中。 棉布价格下降，消费者可能买更多衣服；汽车价格下降，家庭可能提前购车或置换；智能手机价格下降，更多人进入移动互联网。前三次工业革命的很多产品，价格下降会明显扩大渗透率。 而AI正在压低成本的领域，大多属于专业服务和知识服务。律师费从每小时500元降到50元，普通人不会因此主动增加诉讼频次。医学影像诊断成本下降，消费者也不会无故增加检查。代码生成成本下降，企业会提高开发效率，但不会因为代码便宜，就开发没有商业价值的应用。 专业服务的需求，往往由问题本身决定，价格下降只能影响一部分边际需求。AI可以显著降低供给成本，却未必能够同步放大需求总量。 这并不否认AI能够提高生产率。美国一项针对客服人员的研究显示，接入生成式AI助手后，员工平均生产率提高14%，新手和低技能员工的提升达到34%。这恰好说明了另一层问题：生产率提升首先是一种供给能力，只有当企业因此服务更多客户、开辟新业务或提高员工收入，它才会转成新增需求。如果企业只是用更少的人完成原来的订单，微观上的降本并不会自动等于宏观上的增长。 市场对AI最乐观的判断，是它会像铁路、电话、互联网一样，创造出全新的需求品类。这个判断不能轻易否定。到2026年2月，ChatGPT的周活跃用户已超过9亿，付费个人用户超过5000万。如此大规模的使用，本身就说明AI不是一项只有供给、没有需求的技术。 问题在于，用户规模和增长闭环不是一回事。现阶段大量AI应用仍围绕既有人工服务的自动化和低成本供给展开：AI伴侣接近情绪陪伴和心理支持服务的低成本替代，AI Agent接近秘书、助理和事务代办的自动化，生成工具接近插画、文案、设计、视频剪辑和基础内容生产的效率替代。 这些应用有商业价值，也可能形成新的产品形态。但对许多企业应用来说，AI支出首先替代的是原有的软件、外包和人工预算。预算从人工服务转向模型调用，并不必然增加社会总需求。铁路扩展了大规模客货流动，汽车同时带动能源、道路和保险，互联网重构了信息发布、社交、交易和组织协作。AI原生需求要完成接力，也需要出现同样广泛的产业外溢，而不仅是把既有服务重新定价。 AI时代当然会出现新岗位，比如AI产品经理、模型工程师、智能体运维、数据标注、AI应用集成顾问等。问题在于，高收入岗位集中在少数核心研发和平台公司，更多外围岗位的数量和收入水平，未必能够承接原有白领岗位。 一个年收入几十万元的程序员，如果转向低门槛AI运营、数据标注或外包型AI应用岗位，收入下降会变成长期能力定价的变化。岗位出现，不等于收入接上；收入接不上，消费能力就接不上。 这里同样需要避免过早下结论。丹麦的行政数据研究显示，截至2024年，聊天机器人对收入、工时和就业的平均影响仍然很小；Anthropic对AI使用行为的观察也显示，在不少高价值任务上，人仍然深度参与，AI更多表现为增强工具。但另一面是，在面向编程的智能体产品中，机器自主完成任务的比例明显更高。AI从“辅助”走向“代理”的速度，可能比宏观就业数据反映得更快。 假设一家企业原本有100名程序员，其中50人的工作被AI工具和自动化流程替代。被替代前，每名程序员年收入和消费能力对应30万元；被替代后，其中一部分人找到新工作，但收入和消费能力下降到10万元。仅从这50个人看，年度消费能力减少约1000万元。 关键在于，这1000万元未必会以同样速度回到消费端。它可能变成企业利润，留存在公司账上，或以分红、回购、资本开支的形式流向股东和资本市场。美联储对家庭财富和消费的研究反复指出，低财富家庭获得一元新增收入后，用于消费的比例通常高于高财富家庭。也就是说，同样是1000万元，留在劳动者手里，可能更多变成住房、教育、餐饮、旅游和日常服务消费；沉淀在企业利润和高财富人群的资产收益里，则未必形成同等规模的当期需求。 再看需求端。AI把代码生成、法律咨询、内容生产、设计制图的边际成本降下来，当然会激发一部分新增需求。但如果这些需求主要来自原本就存在的企业预算，只是把人工成本替换为AI服务成本，那么它对总需求的拉动就有限。 假设新增需求只有200万元，整体结果就是：企业效率提升了，利润改善了，但劳动者消费能力减少约1000万元，新增需求只补回200万元，消费端仍有800万元缺口。 这笔账不追求预测精度，几个数字也不是现实参数。它想说明的是一个方向性问题：企业只需要计算自己节省了多少成本，却不会把整个社会因此减少的工资和消费完整计入决策。2026年一篇名为《AI Layoff Trap》的理论论文，把它称为“需求外部性”：单家企业裁员能够获得完整的成本收益，却只承担总需求损失中的很小一部分；当所有企业同时做出理性选择，最终结果可能是自动化过度、需求不足，连企业自身也受到反噬。 这与近6000名企业高管给出的三年预期正好形成呼应：生产率提高1.4%，产出只提高0.8%，就业减少0.7%。调查结果不是现实结局，理论模型也不是经验证据，但两者共同指出了同一条风险路径：当生产率增长快于产出增长，企业就有动力用更少的劳动完成生产；当劳动收入下降快于新需求形成，增长飞轮就会出现空转。 这和前三次工业革命的差别非常关键。过去的技术革命，降本之后往往带来更大规模的消费、更高渗透率和更多岗位。AI如果主要替代中高收入劳动，并且创造的新需求不足以弥补收入缺口，效率提升和总需求扩张之间就会出现断点。 对上述判断，最有力的反驳并不是“历史上每次都有人担心失业”，而是更便宜的智能本身可能成为一种通用投入，像电力和互联网一样，最终催生我们今天还无法想象的产品、公司和职业。 第一，AI原生消费已经形成。数以亿计的人使用AI获取信息、写作、学习和解决具体问题，其中一部分愿意持续付费。第二，AI并不只会替代劳动。客服研究中，新手获得的生产率提升远高于熟练员工，说明它也可以降低技能门槛，让更多人完成过去做不了的工作。第三，大规模算力、数据中心、电力和应用投资，会在相当长时间内创造资本开支和配套就业。 这件事不能只看模型调用量，也不能只看头部公司的收入。至少要看四个结果：AI企业之外的产出是否同步扩张；新产品是否带来原有预算之外的增量付费；被替代劳动者能否进入收入相近的新岗位；生产率红利是否通过工资、分红、降价或公共服务，重新回到多数人的购买力中。 如果这四项持续改善，增长飞轮会重新闭合，本文的担心也应该被修正。如果生产率和利润一路向上，就业入口、劳动收入和消费预期却长期走弱，那么“新需求终会出现”就仍然是一张没有期限的远期支票。 效率提升回答的是如何更便宜、更快地生产，分配机制回答的是生产成果怎样回流到社会总需求。AI时代真正需要补上的，很可能不是生产能力，而是收入回流机制。 第一层发生在生产过程内部。企业是否把AI主要用来裁撤岗位，还是用来扩大业务、降低技能门槛和增强员工；员工能否通过利润分享、股权或工资增长，获得一部分生产率红利；工作时间能否随着效率提升而缩短，而不是把全部调整都压到就业人数上。这决定了技术红利在进入利润表之前，如何在劳动和资本之间分配。 第二层发生在生产过程之外。如果AI收益高度集中，税收、社会保障、公共服务和公共基金就需要承担回流功能。全民基本收入、机器人税、转型保险、公共基金全民分红，名称各不相同，核心都在回答两个问题：AI创造的资产收益由谁拥有，又通过什么渠道回到社会需求。 这些方案没有一个是完美答案。机器人税可能抑制企业采用新技术，全民基本收入受到财政能力约束，缩短工时需要企业和劳动者重新谈判，公共基金则涉及资产来源、治理和分红规则。阿拉斯加永久基金的经验只能提供一个有限参照：长期、普惠的现金分红并没有显著降低总就业，但它不是AI分红的直接证据，更不能替代具体制度设计。 重要的是，不能等到需求明显收缩之后，才把分配当作善后措施。企业当前选择“替代”还是“增强”，劳动者能否分享资产收益，教育和社保能否覆盖转型期，都会反过来决定新需求能不能形成。分配不只是公平问题，也是增长飞轮的传动结构。 但经济增长从来不该被简化为一道技术题。生产率提高之后，谁的收入增加，谁的岗位消失，谁获得资产收益，谁承担转型成本，这些问题同样重要。 判断增长飞轮有没有重新闭合，未来几年可以持续观察五个指标：年轻人的白领入口岗位是否恢复；劳动收入和中位数工资能否跟上生产率；AI原生收入有多少来自真正的新增预算；企业产出增速能否追上生产率增速；AI资产收益是否从少数公司和股东，扩散到更广泛的居民部门。 这并不意味着否定AI，也不意味着否定技术进步。恰恰相反，AI越重要，我们越需要把它放回真实的经济循环里观察。不能只看模型能力、算力投入、企业降本和利润改善，也要看劳动收入、消费能力、需求弹性和制度再分配。