AI 与就业：自动化热潮和商业价值之间的差距

我乐观地认为，一些人担心的 AI 引发的白领就业危机，发展速度没有预期那么快。在这段 2026 年 6 月的评论中，我引用 Sam Altman 和 Dario Amodei 关于 AI 与工作的言论。这种乐观是对不确定未来的判断，不能证明每个岗位都安全，也不能证明 AI 没有造成任何岗位替代。

Altman 表示，截至当时被淘汰的入门级白领岗位比他预想的少，并说自己尝试将消息回复交给 AI 的效果令人失望。我认为这提醒我们要区分预期和结果。一位高管的经历不能证明 AI 在所有工作场所的效果。

接着我追问，应该如何解读那些企业提到 AI 的裁员。我举了 Duolingo 减少合同工、Pinterest 和 Dow 裁员，以及 Amazon 首席执行官 Andy Jassy 预计 AI 智能体可能减少部分企业岗位的例子。这些公告说明了企业说过什么，并没有独立衡量 AI 在每项决策中造成了多大影响。

在一段采访片段中，一位 AWS 高管反对用 AI 替代所有初级员工。他说，年轻员工会学习这些工具，组织也需要能够随时间成长的人。我认为这可以反驳“采用 AI 必然消除入门级招聘”的想法。

我认为一些公司在纠正此前过度招聘时，可能把原因归到 AI 身上。Block 首席执行官 Jack Dorsey 宣布计划将组织规模从超过 10000 人缩减到不足 6000 人，并讨论围绕 AI 重建公司。我所说的这些员工本来就不需要、AI 只是替罪羊，是一种推断，并非公告已经证明的事实。

视频包含 Zapier 的赞助环节，该公司提供自动化服务和用于连接智能体与各类服务的 MCP 服务器。赞助之后，我回到 Block 的例子，并将其与 Twitter 被收购后的人员裁减作比较。公司裁员后继续运营，本身不能确定裁员发生的原因或其全部影响。

我引用 Apollo 首席经济学家 Torsten Slok 对 2026 年 5 月 ADP 每周就业数据的分析。他认为总体序列没有显示与 AI 相关的失业证据，并指出与 AI 投资有关的招聘。David Sacks 分享了这份分析，但他不是作者。总体就业可能上升，同时部分劳动者或职业仍会失去岗位；单凭这张图也无法识别 AI 的因果影响。

我用杰文斯悖论说明：降低资源成本可能刺激需求，有时会使总使用量增加。这一机制在某些市场是合理的，但不能保证每位劳动者都能保住工作，也不能保证 AI 会增加总体就业。相关需求如何变化、收益如何分配，仍需要实证检验。

我看到图表中的每周就业人数与 AI 支出同时上升，并认为这令人鼓舞。仅有相关性不能证明 AI 导致了就业趋势，也不能确立全经济范围的生产力增长，或排除特定行业的岗位损失。就业结果也可能随时间变化。

我质疑企业的 AI 支出是否带来足够价值。视频引用的报道说，Uber 的 AI 编程预算在四个月内耗尽，其首席运营官 Andrew Macdonald 认为很难将更高的使用量与面向消费者的功能联系起来。报道中的预算涉及一项特定支出计划，并不能证明 Uber 所有 AI 投资都失败了。

我还提到一则未经证实的报道：一家未具名公司一个月花了 5 亿美元购买 token。没有公司名称或原始记录，我无法证实这个金额。它说明的是我对支出失控的担忧，而非已经验证的行业普遍成本。

我比较了当时的输出 token 价格：Anthropic 列出的标准 Claude Opus 4.8 价格为每百万个 25 美元，Sonnet 4.6 为每百万个 15 美元；我还引用了便宜得多的 DeepSeek 价格。价格因模型、供应商、输入或输出、缓存及其他条款而异；这些数字属于历史情况，不能证明所有 token 价格都在上涨。

我的观点是，许多应用不需要最昂贵的前沿模型。如果成本较低的系统能够满足某项任务的质量、隐私和可靠性要求，它可能更有价值。重要的是每一美元产生的有用工作，而不只是 token 的价格。

我认为许多组织仍在学习如何将 AI 用于聊天、邮件和简单自动化之外的场景。我猜测，真正处于使用前沿的人相对较少，也承认自己有时觉得落后了。我提到的人数只是印象，并非对熟练用户的实际统计。

我引用 OpenClaw 创建者 Peter Steinberger 的说法：他一个月使用了价值约 130 万美元的 token。我把这项工作描述为构建软件工厂，即帮助智能体生成和审查代码的基础设施。这里没有独立审计报告中的数字或工作价值；按 token 估算的价值也不一定等于实际自付成本。

Steinberger 还报告说，借助自动化，一周内关闭了超过 10000 个 issue 和近 5000 个拉取请求。这是他报告的活动数量，并不能证明所有问题都已解决、所有请求都被合并，或它们产生了相同价值。我把它作为不同工作流程的例子，而非直接的生产力测量。

我看到经济影响面临两个障碍。第一，企业采用和组织变革需要时间。第二，更快地生成代码可能暴露其他环节的瓶颈，包括产品包装、营销、销售、员工培训，以及客户是否真的获益。

我提到 Anthropic 和 OpenAI 对企业 AI 服务的投资，认为这是供应商希望帮助组织部署产品的证据。所引用的合作关系和报道中的估值属于商业公告或报道，不能证明每位客户都会获得回报。

我认为区分“从中间到中间”的工作与端到端工作很有用。AI 可以帮助完成工作流程中不断扩大的部分，但人仍然需要设定目标、引导系统并验证输出。我预计这些工具变便宜后工作量会增加，但这是一种经济假说，而非已经确立的保证。

我怀疑智能体能否可靠地做到按一下按钮就建立并经营一家盈利公司。我以初创公司 Polsia 和开源项目 Paperclip 为例，说明我觉得这一愿景有意思，但尚未看到足够证据证明完整愿景如今已经可行。

我阅读 Y Combinator 关于 AI 原生公司的想法，也意识到自己可能没有掌握最前沿的做法。一些建议在我看来有道理，但我没有独立观察到足够多完整实现，因此不知道其中多少真正可行。个人没有观察到，并不能证明没有人做到。

我使用 OpenClaw 时的方法是测试宣传中的用例，在花费许多小时实验后分享真正有效的做法。现在我正尝试自己实现 AI 原生公司的想法，并打算之后汇报。视频中这项工作仍在进行，并未作为已经完成的评估呈现。

我不认为目前的情况证明存在 AI 泡沫。我的看法是，有价值的能力与采用延迟、商业瓶颈同时存在。一个有用的模型仍可能被过度宣传或错误定价，而我的乐观不能决定投资结果，也不能保证就业。

我的实际建议是继续学习，在工作和个人生活中试用工具，并检验什么真正产生价值。培养技能可以提高适应能力，但任何单一工具或学习策略都不能保证永久的工作安全。我也建议在满足需求时考虑成本较低的模型。