AI 普及之后，还需要多少人工作？

最近我在想，我们对于 AI 普及的想象，是不是把两件需要分别解释的事当成了必然：一件是工具越来越强以后，市场会产生足够多的新工作，让原来的人继续参与生产；另一件是越来越多人有能力使用工具以后，他们就会愿意自己完成工作，于是今天的白领成为使用 AI 的白领，原来没有专业能力的人也加入进来，最终每个人都需要自己的 AI 生产工具。

我觉得这两个前提都值得重新考虑，因为我们期待 AI 把十个人的工作交给一个人完成，却很少继续追问剩下九个人要做什么；我们又期待工具让普通人掌握专业能力，却同样没有解释，当专业团队也能以更低的价格提供服务时，普通人为什么一定会选择自己做。在 《零散的想法，无AI》 中，我讨论过更强的个人生产能力如何改变组织，现在想继续想清楚的，就是这种变化究竟会扩大多少生产活动，又会把生产交给谁。

生产能力有了，需求从哪里来

先看第一件事，如果一种质量不变的服务原来每月交付一百单、每单需要十小时，引入 AI 后把包括审核和返工在内的人工投入降到每单一小时，那么即使订单翻倍，总工时仍然会从一千小时降到两百小时，只有订单增长到原来的十倍，才能用到原来那么多人工；在人均工作时长不变的情况下，市场需要多少人，取决于业务增长与单位人工投入下降共同作用的结果，因此完全可能出现服务更多了、客户更多了，参与生产的人反而更少的情况。

这里涉及的一个概念是需求价格弹性，也就是在其他条件不变时，价格变化会带来多大比例的需求量变化；价格小幅下降 1%，需求量增加超过 1%，称为富有弹性，增加不足 1% 则称为缺乏弹性。James Bessen 在 《AI and Jobs: The Role of Demand》里讨论的正是这种需求响应与自动化的关系：技术节省了每单位产出需要的劳动，同时也可能通过降价扩大市场，而扩大出来的市场能否吸收被节省的劳动，决定了这类生产活动最终需要多少人。

从生产率到新增需求，中间还隔着最终服务的价格，因为客户支付的是整个交付过程的费用，写代码变快以后，需求确认、接入和维护仍然可能占据很大一部分成本，服务价格也就未必按写代码的效率同比下降。要期待降价带来足够多的新业务，就需要同时解释两件事：效率提升有多少传到了客户支付的价格上，以及客户在这个新价格下究竟会多购买多少服务。

我比较怀疑的，是把“人们总有更多需求”直接作为答案，因为有些工作首先受业务本身约束，例如在企业数量、申报规则和频次不变的情况下，整理申报材料变便宜，并不会让同一家企业需要完成十倍的申报；另一些工作的生成成本虽然可以不断下降，使用它们却仍然需要人的时间，一个团队能生成一百份报告，与这个团队有能力读完、判断并执行一百份报告，之间还有很大的距离。

新增需求当然也可以来自过去买不起服务的人，例如一家小企业终于能够负担以前太贵的内部系统，这时确实多了一项原来没有发生的交易；但需要继续算的是，这个系统交付之后还需要多少人工，以及有多少家这样的企业会真正购买，而不能因为软件数量增加了，就把增加的软件直接换算成同比例增加的开发岗位。Acemoglu 与 Restrepo 关于自动化和新任务的讨论，也把人在新任务中承担的工作作为劳动需求恢复的重要来源，这意味着“出现了以前没人做的事”之后，还要继续问“这些事需要多少人来做”。

所以，需求弹性给我的启发，是把新增需求放回需要解释的位置：如果我们认为原来的劳动会被新的经济活动吸收，就应该找到这些活动在哪里、为什么现在能够成立，以及它们需要多少人工，而不是在论证工具时使用“一人完成十人的工作”，到了估算市场时，又默认那十个人都在同样的位置上。

工具变容易以后，谁会亲自做

即使新需求真的足够多，谁来完成这些工作仍然是另一个问题。一个原来买不起软件的企业，可能因为开发工具变容易而自己做，也可能因为专业团队的报价下降而开始买，两条路径都能扩大软件的使用范围，但前者增加了直接使用开发工具的人，后者增加的是专业团队的客户；如果我们做的是生产工具，这两种增长对应的购买者就很不一样。

这里有一个容易被忽略的比较：AI 降低了一个人自己做事的成本，也让专业团队有条件以更低的价格提供服务，因此“自己做变便宜了”之后，还需要比较“买别人做的结果是不是更划算”。假设一家企业需要一个内部系统，AI 可以帮助它很快生成初版，但如果企业仍然需要有人弄清楚业务规则、判断系统是否正确、处理之后的变化，那么自己做的成本就还包含这些人的时间；而一个反复交付同类系统的团队，如果能够把这部分经验和工具复用到不同客户上，就可能在更快开发的同时，把完整服务卖得更便宜。

在这样的工作里，我认为专业分工有继续存在的理由，因为客户想要的是业务能够运行，参与开发则是获得这个结果的一种手段，当购买服务比自己组织交付更省事、更划算时，工具能力的提升反而可能让更多客户愿意把工作交出去。这个专业团队可以属于外部供应商，也可以是企业内部负责某类工作的几个人，关键在于有一群人持续掌握这套生产过程，其他人通过他们获得结果。

自己完成工作也有很具体的成立条件：如果一个人的需求变化频繁，他可以直接判断结果是否正确，而每次向别人解释和等待交付都要付出明显成本，那么工具越容易使用，他就越有理由亲自做，因为此时被节省的除了执行时间，还有反复交接的时间。比如一个熟悉自己业务的人用 AI 写一次性的数据处理脚本，只要结果容易检查，把任务留在自己手里就可能比完整地交给另一支团队更直接。

我想判断的是这两类工作的边界会怎样变化：在需要长期维护、专业判断和持续交付的地方，工具可能主要增强专业团队；在个人能够定义需求、检查结果并承担后续处理的地方，工具则更可能扩大直接生产者的范围。如果未来 AI 连需求澄清、验证和维护也一起解决了，自助完成工作的范围还会继续扩张，因此专业团队是否会成为主要的交付者，要看它们承担的那部分工作究竟还有多少值得由人来组织。

享受结果的人，和组织生产的人

把这两件事放到一起，我最关心的一种可能性就清楚了：某些白领工作的新增需求不足以抵消单位人工投入的下降，同时这些工作中仍然需要持续组织和判断的部分，由更小的专业团队承担，于是大量客户通过这些团队消费 AI 参与生产的结果，技术已经进入更多经济活动，直接使用专业生产工具的人却可能减少。需求增长足够快时，这些团队也可能越来越多，因此决定操作者总数的，仍然是有多少工作需要完成，而不能只看单个团队变小了多少。

这会改变我对 AI 产品用户的理解，因为一个人能够从 AI 中获益，未必意味着他需要管理模型、组合工具和维护执行流程；假设一个团队为几十家企业交付系统，那么真正需要专业开发环境的是交付团队，而那些企业购买的是系统和服务，如果我们把几十家企业都算成专业工具的潜在用户，就已经把购买结果与组织生产当成了同一件事。

对生产工具而言，这样的市场仍然可以很有价值，因为专业团队可能愿意为更可靠的执行、更深入的系统连接和更高的交付效率付费，它们的使用强度也可能随着客户增加而上升；只是这里的价值来自帮助实际承担生产的人完成更多工作，产品需要理解这些人的工作方式，而不能仅仅依靠“所有人以后都会用 AI”来解释自己为什么会拥有更多用户。

我现在愿意保留的判断是：AI 能力的普及，可以通过更多人自己完成工作实现，也可以通过更便宜的专业服务实现，而这两条路径对生产者数量、工具购买者和组织方式的影响并不相同。对于准备做产品的人来说，需要找到的是哪一群人会持续组织生产、他们为什么愿意承担这项工作，以及我们能帮助他们解决什么；至于一个人因为生产工具进步而更容易获得结果之后，会选择亲自生产还是把时间花在别处，本身就是这个市场需要回答的问题。

我们可以往哪里走

沿着前面的判断继续想，如果专业生产越来越多地由小团队承担，而其他人主要通过这些团队获得结果，那么对我们来说，值得考虑的就是怎样参与这种生产组织：提供它依赖的计算能力，帮助它建立自己的工作平台，或者进入组织内部，成为实际使用 AI 推动业务的人。我会优先考虑这三个方向，因为它们分别对应生产需要的资源、组织生产的方法，以及把生产能力用到具体问题上的人。

第一个方向是提供算力和相关基础设施，把客户放在那些真正运行 AI 工作的组织和团队上，围绕他们持续发生的计算需求提供服务，而不直接经营面向每个人的生产工具或某一种具体结果的交付。对这个方向来说，我更关心的是一个团队在承担更多业务以后需要运行多少计算、怎样稳定地获得这些计算能力，以及我们能否把它提供得更有效率，因为这里的需求来自生产活动本身，衡量它的尺度也就可以从有多少人购买工具，转向有多少工作通过这套基础设施完成。

第二个方向是做平台，给企业和专业团队定制工作方式，把他们的数据、工具、执行流程和验收要求组织到一起，使他们能够用 AI 承担更完整的交付。如果一个团队已经知道客户要什么、什么样的结果可以交付，却反复花时间把自己的方法翻译成通用产品允许的操作，那么帮助它把这些方法直接变成可运行的流程，就是我认为值得做的事情；我们服务的是有明确生产目标的人，平台的价值也来自这些人能够怎样工作，以及他们能否持续调整自己的工作方式。

第三个方向更接近个人选择：成为大企业里面真正使用 AI 的人，参与把原来的业务改造成更少的人也能够运行的流程，争取留在组织下一阶段仍然需要的工作里。这里我关心的是一个人能否把业务知识、工具能力和结果判断结合起来，例如知道一项工作为什么存在、哪些部分可以交给 AI、什么结果需要重新处理，并且能够推动整套流程在企业里运转，因为当组织重新决定需要哪些岗位时，已经参与建设和运行新流程，与继续等待原来的任务被分配下来，是两种很不同的位置。

这三个方向也是我想继续实践的事情：提供计算资源，帮助专业生产者建立平台，或者亲自进入生产组织，把 AI 变成真实的工作能力；它们共同要求我们找到实际发生的生产活动，理解谁在承担工作、谁在购买结果，再决定自己应该提供什么，而不是先假定所有人都会成为专业工具的用户，然后围绕这个假定建设产品。

配图由 GPT Image 2 生成，用于解释文中的假设与观点。

参考资料

1. OpenStax — Principles of Economics 3e, 5.3 Elasticity and Pricing：需求价格弹性与价格变化。
2. James Bessen — AI and Jobs: The Role of Demand，NBER Working Paper 24235，2018：自动化、需求响应与行业劳动投入。
3. Daron Acemoglu、Pascual Restrepo — Automation and New Tasks: How Technology Displaces and Reinstates Labor，Journal of Economic Perspectives，2019：既有任务的替代与新任务带来的劳动需求。