2026-09-08 11:15:16
前几天，我在即刻发了一条动态，感慨胖东来连供应商的员工待遇都会管，顺手把它叫作「中国小欧盟」。本来只是随手一写，没想到有一千多人点赞，还被人原封不动地搬到了推特。
一条随手写的动态能传开，我觉得和大家对自己当下工作待遇、以及社会整体就业情况的不满有很大关系。以至于一家公司愿意关心员工能不能好好休息，甚至还要过问供应商，这已经足够让很多人觉得稀奇了。
但如果只把这些做法归结为于东来是个好老板，我觉得还是把胖东来说简单了。
零售商每天要依靠员工把货管好、把顾客的问题处理好，让员工愿意长久地做下去，本来就该是经营者要考虑的事情。清华经管的案例里记录过一个细节，胖东来的果切切开后，四小时打八折，六小时打六折，八小时就要下架报损。[1] 这件事看起来很小，却比要求员工「以顾客为中心」明确得多。到了时间就按规定处理，不用由当班的人猜测，这一盒到底该算销售机会，还是该算损失。
如果一个超市既要求员工尽量减少报损，又希望他们主动把不该卖的东西撤下来，却不肯把两者冲突的时候该怎么办说清楚，那最后执行出来的结果，大概很难让顾客放心。出了事情再批评一线员工没有责任心，就更没什么意思了。
员工待遇也一样。零售商希望员工熟悉商品，愿意处理顾客的问题，还能在没人盯着的时候认真执行标准，就不能只在发工资的时候把他们看成一笔越少越好的支出。胖东来的薪酬、休假和利润分享，在前面那篇案例里都有记录。[1] 这些安排让员工有理由把这份工作长期做下去，熟悉商品和服务的经验也才有机会留下来。
这样看胖东来，ESG 就没那么遥远了。它关心的员工权益、消费者责任和公司治理，这些都会影响一家超市怎么经营，这些事企业哪怕从自身利益角度也应该考虑。只是我们太习惯把这些事情放在企业社会责任报告里，好像正常经营是另一回事，等钱赚够了，才轮到公司对别人好一点。
对供应商，胖东来也会看这些事。界面新闻查到，它的招商表里，工资、社保、每周出勤天数和每天工时都是必填项。报道也提到，双休并不是统一的强制要求，但供应商怎么对待自己的员工，确实已经进入了审核范围。[2]
按照胖东来超市总经理卜景超的公开分享，从 2024 年开始，新供应商要到厂审核，已经合作的供应商分批评估，再按 A 到 D 分级。2025 年，他们现场评估了 400 多家供应商，对一些基础薄弱的企业还要反复审核、帮助改善。涉及自有品牌时，帮扶会进一步做到工厂环境、管理体系，甚至人文管理和组织架构。[3]
这已经可以算一种 ESG 的「长臂管辖」了。供应商能不能持续拿到订单，不再只取决于这批货报了多低的价格，还取决于它是怎么把货生产出来的。
胖东来甚至还愿意为这些要求出钱。卜景超在分享里明确说，自有品牌生产企业必须有合理利润，双方还会一起规划，把部分利润用于员工收入和福利，以及工厂设备、环境的改造。他举的例子是宝丰酒厂，合作销售额增长以后，胖东来又向工厂让出了一部分利润，用于这些改善。[3]
很多零售商习惯的做法是，订单越大，越有理由要求供应商降价。胖东来却愿意在销量增加以后给工厂多留一些钱，这个选择比「善待供应商」几个字有意思多了。
因为零售商最终要的是稳定的好商品。工厂为了接订单，把报价压到没有正常利润，接下来要么减少投入，要么在某个不容易被发现的地方省钱，要么干脆不做了。采购价格可能很好看，但重新找工厂、重新验证质量，以及交货不稳定带来的损失，都不会因为采购部门完成了降价目标就消失。
如果商品贴的是零售商自己的品牌，问题就更明显了。顾客不会关心是哪家代工厂换了原料，他们只知道是在你这里买的，东西不好下次就不来了。
多发工资、多做检测、去供应商那里审核，当然都有成本。可员工频繁离职以后要重新招聘培训，货出了问题要处理退货，供应商做不下去要重新找人，这些也有成本。前一类支出通常很好算，后一类却容易分散在不同部门里，等到事情发生的时候，再被当成经营难免遇到的麻烦。
如果只统计第一类而忽视第二类，就很容易得出一个结论，认真经营的人总是在吃亏，劣币会驱逐良币。
我觉得这也是理解胖东来为什么愿意在 ESG 上投入的关键。一个把生意做得很细的公司，并不一定会把每一笔支出都压到最低，因为它更容易看见，某些看起来省钱的决定，后来到底让谁多花了多少钱。
在这里甚至可以下一个结论，大部分公司无法善待员工、供应商和消费者，本质上是一种粗放低效的管理思维在作祟，但凡把账算的细一点都能发现善待员工是一笔非常划算的买卖。
那么有没有一些可以从科学角度分析胖东来经营策略的论文呢？还真有。
《Journal of International Accounting Research》的一篇元分析汇总了 198 项研究、31,514 个观察值，发现可持续表现与财务表现总体呈正相关，长期关系更明显。[4] 不过，经营得好的公司也可能更有余力投入 ESG，这里面的因果不能直接倒过来用。[5]
胖东来没有公开足以拆出各项投入回报的数据，要看这些做法具体怎样影响零售利润，可以看奥乐齐的例子。
奥乐齐做的就是低价零售，不太可能靠让顾客多付一笔钱来维持这些所谓的慈善投入。这也意味着奥乐齐做的「好事」，大概率也是它自身的经营诉求。
关于它的经营，有一本《Bare Essentials: The ALDI Story》，作者之一 Dieter Brandes 曾长期担任 ALDI Nord 的管理者。出版社介绍这本书时，强调的就是精简商品和管理、低价，以及由此形成的盈利能力。[6]
精简商品的意义不只是方便顾客挑选。经营的品种越多，每种商品都要预测销量、安排进货，还要有人检查库存，卖不完的时候想办法处理。一个只看上架数量的平台很容易觉得多一点总是好的，真正持有库存的零售商却要为这些决定持续付钱。
ALDI 美国的 2024 年报告里，大约 2,000 种商品中，超过 90% 是奥乐齐独家品牌。[7] 商品相对集中，又能直接参与制定标准，零售商才比较有条件和供应商一起改包装、改生产流程，而不只是等品牌商把成品送过来。ALDI Nord 的报告则记录了生活工资项目、供应链申诉渠道和社会合规审核，这些要求也会越过门店，进入生产环节。[8]
我可以再举几个例子，把员工、环境和利润的关系讲明白。
ALDI SÜD 德国团队发表过一篇库存管理案例，处理的是 Special Buys 这类阶段性销售的商品，包括服装、工具和季节食品。原先区域经理计算收益时没有计入相关的人力费用，看起来是在尽量减少降价损失，结果积压的商品却让员工花了更多时间整理。[9]
一件货没有打折，账面上暂时没有折价损失，但只要它还占着货架，就需要有人盘点和维护。如果为了等它按原价卖出去，一直付出这些成本，最后剩下的利润未必比早点打折更多。
奥乐齐后来把这些费用一起算进订货和清货决策，用机器学习帮助分配库存、预测需求，也给门店员工处理少量尾货的折价权限。公司团队报告的结果是，相关商品的折价和报废损失改善约 30%，一年节约 77 万到 115 万个工时，年度新增利润达到数千万欧元。[9]
这项改造同时减少了商品浪费和员工处理积压货的负担，也让企业赚到了钱。它不能证明提高工资一定有回报，却把一种关系说得很清楚，员工的额外劳动和商品损耗，本来就是经营决策的一部分，管理者不去算，也还是有人在承担。
环保方面也有类似的道理。ALDI UK 的 2024 年报告披露，新建和翻新门店给冷柜加门，最高可以节省约 20% 的门店用电；英国和爱尔兰 400 多家门店安装的太阳能板，可以覆盖所在门店约 8%—14% 的能源需求。[10] 冷柜要维持相同的温度，用掉的电却更少，减排和节约电费就发生在同一个动作里。设备采购、安装和维护当然要花钱，但这至少是一笔能继续算回收期的投资。
同一份报告还记录了全年减少 4,500 吨商品包装材料。[10] 如果产品保护不受影响，包装用料少了，需要采购和运输的材料也会减少。对消费者来说，买到的还是原来那件商品，企业却有机会把原本花在包装上的钱省下来，不必以降低商品质量为代价。
食品浪费稍微复杂一些。订多了再报废，损失的远不只是处理垃圾的费用，前面的采购、运输和储存都已经发生；在保质期内及时折价出售，至少能收回一部分钱。捐赠剩余食品同样可以减少浪费，但它的社会价值不能直接当成销售收入来算。
ALDI UK 2024 年的食物浪费强度为处理食品量的 0.32%，比 2017 年下降约 72%。[11]
在低价零售里，能省下来的这一部分相当重要。奥乐齐英国和爱尔兰业务 2023 年的销售额是 179 亿英镑，营业利润为 5.529 亿英镑，营业利润率只有 3.1%。[12] 按这个销售规模算，营业成本占收入的比例少 0.1 个百分点，其他条件不变，就相当于多出约 1,790 万英镑营业利润。
所以我不太认同把 ESG 和精细化运营放在对立面。零售商如果想长期卖得便宜，又不想靠降低商品质量来省钱，就得认真处理损耗、用电和员工反复做无用功的问题，也得让供货的企业有能力继续做下去。其中相当一部分，恰好也是 ESG 要求企业关注的事情。
回到胖东来，给供应商合理利润、帮助工厂改善条件，短期看确实少拿了一部分钱。但如果因此能得到更稳定的质量和供货，减少反复换供应商的成本，这笔投入就完全有经营上的理由。承认这一点，并不需要先把于东来理解成一个不在乎利润的好人。
况且把这些工作做细，也不意味着只能依赖店长和员工盯得更紧。前面奥乐齐的项目，已经把数据分析、机器学习和运筹优化用在了实际决策里，模型要算的不只是订多少货，还包括把货分给哪些门店、什么时候调到别的店，以及什么时候降价清货。[9] 把各店的销售和库存放在一起看，才有条件在一边积压、另一边缺货的时候及时调整。
沃尔玛做得还要更早。2018 年，它介绍过一套叫 Eden 的生鲜系统，把食品标准和上百万张图片放进新鲜度算法里，再用机器学习帮助员工照看从配送中心到门店的水果和蔬菜。[13] 对顾客来说，番茄还能放多久、香蕉是不是熟得正好，当然比展示它的图片有多漂亮更有意义。
到 2025 年，沃尔玛披露的供应链应用已经包括根据门店需求安排生鲜运输，以及在库存失衡时自动调整货物去向。在哥斯达黎加的生鲜配送中心，系统会提前安排当天的配送路线；在墨西哥，库存会在门店开门前重新调配。[14] 这些系统处理的是货应该放在哪里、怎么送过去的问题，顾客不需要学会使用它们，也有机会买到更新鲜的东西。
再看淘宝今年 5 月推出的「千问 AI 购物助手」，向消费者介绍的重点功能里，有一项叫「AI 省钱」，可以生成领券及凑单方案，在结账时组合优惠券。[15]
这就有点离谱了。优惠券和使用门槛都是平台与商家设定的，如果系统已经能算出这件商品可以卖多少钱，为什么不能尽量直接把这个价格给消费者，还要让人先凑单，再配一个 AI 帮忙算？我能理解促销需要门槛，但把门槛做得让人看不懂，再把解题工具当作购物升级，实在没什么值得得意的。
如果是帮我比较商品，AI 当然有用。比如我想买一个电饭煲，预算有限，也不太懂内胆和加热方式有什么区别，AI 可以帮我读参数，比较评论，再算一下优惠之后的价格。过去可能需要花半个晚上做的功课，现在几分钟就做完了，我当然愿意用。
但是这里有个问题，买一个普通的电饭煲，为什么需要做半个晚上的功课？
如果是为了满足特殊的使用需求，比较这些东西当然有必要。可很多时候，我们只是想买一个质量正常、价格合理的商品，却得先学会识别商家的话术，从大量相似的链接里找出真正的区别，再去判断那些好评到底可不可信。消费者花在这上面的时间，很难说都是购物本来就需要付出的成本。
平台允许什么样的商家卖货，商品介绍能不能夸大，质量出了问题以后谁负责，这些事情原本就该由平台来管。如果这些工作一直没有做好，最后发现用户需要一个很聪明的 AI 才能顺利买到东西，我觉得至少不应该太得意。
中消协今年的「618」报告里，记录过一位买家居服的消费者。她根据主图中柔软垂顺的面料下单，收到的衣服又薄又硬，颜色偏灰，后来才注意到主图是 AI 生成的。报告还把 AI 生成虚假测评列入了消费困扰。[16]
用 AI 做商品图当然能省拍摄的钱，但衣服的面料没有那么好，生成图片的时候把质感做得更好，省下来的拍摄成本就有一部分变成了消费者收到货以后的失望。如果连买家秀都可以生成，另一边的 AI 再去总结这些图片和评价，得到的结论又能有多大价值？
这里真正缺少的是可信的商品信息。一个模型把另一个模型生成的宣传材料读得更快，并不会让衣服穿起来更舒服。
所以，比起让 AI 帮我从几百件商品里挑一件，我更希望零售商先完成一部分筛选。我们买东西是为了拿回去用，没那么多人真的热爱研究电饭煲。
有意思的是，在这件事上，拼多多这个过去经常被批评商品质量的差生，居然也开始补课了。
2026 年 3 月，PDD Holdings 在财报公告中把供应链投入列为下一阶段最重要的方向，5 月的公告又提到建设第一方品牌业务。[17][18] 财新报道的「新拼姆」，就是要整合拼多多和 Temu 的供应链资源，做自营品牌和品牌孵化，一期注资 150 亿元，未来三年计划投入 1000 亿元。[19]
我觉得这个方向值得肯定。如果拼多多愿意从让商家竞争价格，进一步做到自己参与选品、制定质量标准，并且为卖出去的商品负责，那它是在补一个比购物助手更基础的问题。消费者本来就有买到便宜好货的需求，无须先教育他们接受一种新的购物方式。
但是预算和能力是两回事。做自营品牌以后，工厂怎么选，合理利润怎么留，出了质量问题怎样处理，都会变成拼多多自己需要回答的问题。过去可以让消费者在很多商家之间比较，自己做品牌，就不能再把同样的选择题推回去。
作为消费者，我其实还有一个听起来有点玄幻的要求，我不太希望自己买到的东西是血汗工厂生产的。如果一家工厂连工人的正常休息和基本待遇都不愿保障，我也会担心，它在原料和质量检查上是不是同样能省就省。
普通消费者很难一家家去查工厂，所以才需要零售商在选择供应商时把这些事情算进去。胖东来愿意去查，还愿意给工厂留出改善的余地，对我来说，这也是选择一家零售商的理由。
回头看开头那条动态，也就没那么奇怪了。比起让 AI 把衣服换到照片上，一家企业愿意管一管做衣服的人过得怎么样，确实更能让我产生好感。
胖东来对供应商的员工待遇做长臂管辖，与其说是做慈善，不如说是一种精细化管理下的经营要求。只是我们现在深处的环境过于有毒，以至于这种在海外已经成为常识的做法，到了这边反而成了圣人行为。
让员工能好好工作，让顾客愿意相信你，本来就是零售商要做的生意，怎么就成了慈善？
参考文献
[1] 胖东来：践行企业社会责任，重塑零售价值链｜清华大学经济管理学院
https://www.sem.tsinghua.edu.cn/info/1173/37297.htm
[2] 胖东来供应商员工必须双休交社保？公司客服回应｜界面新闻
https://www.jiemian.com/article/15047448.html
[3] 胖东来超市总经理卜景超：标准高于经验，品质高于一切｜联商网，新浪财经转载
https://finance.sina.com.cn/roll/2026-04-03/doc-inhtfeqw0276304.shtml
[4] Which Factors Moderate the Relationship between Sustainability Performance and Financial Performance? A Meta-Analysis Study｜American Accounting Association
https://doi.org/10.2308/JIAR-51103
[5] ESG Matters｜Harvard Law School Forum on Corporate Governance
https://corpgov.law.harvard.edu/2020/01/14/esg-matters/
[6] Bare Essentials: The ALDI Story｜Linde Verlag
https://shop.lindeverlag.at/buch/bare-essentials-18304
[7] ALDI 2024 Sustainability Report
https://dm.cms.aldi.cx/is/content/prod1amer/ALDI_2024_Sustainability_Report_8.18.24pdf
[8] ALDI Nord Sustainability Report 2023
点击以访问 ALDI_Nord_Sustainability_Report_2023_EN.pdf
[9] Data-Driven Inventory Control and Integrated Employee Involvement for Special Buys at ALDI SÜD Germany｜INFORMS Journal on Applied Analytics
https://pubsonline.informs.org/doi/full/10.1287/inte.2024.0182
[10] Aldi UK Sustainability Report 2024｜ALDI UK
https://dm.emea.cms.aldi.cx/is/content/aldiprodeu/AL01_Aldi_2024_SR_UK-1
[11] Food Waste｜ALDI UK
https://www.aldi.co.uk/corporate/corporate-responsibility/greener/food-waste
[12] ALDI announces £800m investment in Britain after record sales｜ALDI UK Press Office
[13] Eden: The Tech That’s Bringing Fresher Groceries to You｜Walmart
https://corporate.walmart.com/news/2018/03/01/eden-the-tech-thats-bringing-fresher-groceries-to-you
[14] Walmart’s U.S. Supply Chain Playbook Goes Global — and It’s Reinventing Retail at Scale｜Walmart
[15] 千問App與淘寶全面互通 開啟AI購物全新體驗｜阿里巴巴集团
https://home.alibabagroup.com/zh-HK/document-1991231293551017984
[16] 2026年“618”消费维权舆情分析报告｜中国消费者协会，中国质量新闻网转载
https://www.cqn.com.cn/ms/content/2026-07/01/content_9162755.htm
[17] PDD Holdings Announces Fourth Quarter 2025 and Fiscal Year 2025 Unaudited Financial Results
[18] PDD Holdings Announces First Quarter 2026 Unaudited Financial Results
[19] 拼多多组建“新拼姆”强化自营业务 欲三年再造一个拼多多｜财新网
2026-07-31 10:51:27
飞书负责人谢欣，现在要向豆包负责人赵祺汇报了。
7 月 30 日，一篇报道援引字节内部邮件称，字节把飞书产品团队和豆包产品团队整合成新的豆包产品团队，飞书负责人谢欣向豆包负责人赵祺汇报；与此同时，飞书的 GTM 团队与火山引擎团队合并。[1]
产品归豆包，商业化归火山引擎。
字节这次调整，首先改变的是飞书作为一款独立 SaaS 的位置。
飞书下一阶段的价值，不是继续和钉钉、企业微信争夺多少办公软件席位，而是给豆包提供一个企业级的 harness。
豆包负责理解和规划，飞书提供工作的现场。
只有豆包模型而没有飞书，它就是一个很会聊天的人；有了 harness，它才有办公室、工牌、权限卡、工具和工作记录，才可能在一个组织里持续干活。
模型本身只负责理解和规划，harness 决定它能看见什么、能调用什么、以谁的身份做事，哪些动作需要人批准，结果最后写回哪里，出了问题又应该找谁。
飞书恰好有这些东西。它有组织架构，知道谁属于哪个团队；有文档、表格、群聊和会议，知道公司过去讨论过什么；有日历、任务和审批，知道事情应该交给谁；还有权限、分享、版本和操作记录，至少可以让企业知道 AI 看过什么、改过什么。[2][3]
飞书里的豆包已经可以从文档、搜索、群聊和会议等入口发起任务，再把结果交给团队继续评审和编辑，这就不再是一个问答产品了。[4]
SaaS 真正会变薄的是界面、培训以及一部分实施交付，但是企业数据、权限和流程不会凭空消失。过去 SaaS 卖的是员工席位，未来卖的可能是 Agent 在组织里的行动空间。
飞书不是被豆包加了一个 AI 功能，而是被豆包吃进去了，这也意味着 AI 的应用方向也就更清楚了。
如果把 AI 的作用压缩成两个字，就是提效。真正的分水岭不是用户属于 C 端还是 B 端，而是 AI 到底在帮人消费信息，还是在替人完成工作。
消费型 AI 最大的提效就是搜索和意图入口（注意：意图入口和搜索是两个概念）。以前用户打开搜索框，先把问题拆成关键词，再从一堆链接里自己找答案；现在可以直接说出想完成什么，模型替他完成检索、整理和表达。
角色扮演、陪伴、虚拟人格当然也是 AI 的应用方向，但目前没有跑出同等的商业势能。它们能占用用户时间，可以一直聊下去，用户却未必愿意为每一次推理支付足够高的价格。
工作型 AI 可以直接交付准确可用的结果，典型打标是 Claude Code 和 Codex。
前者提升的是信息获取和情绪消费，后者交付的是代码、报告、表格、方案以及一项真正完成的任务。
目前真正有收入信号的 AI 产品，几乎都属于后者。
腾讯在 2026 年一季度业绩材料里称，效率 AI 智能体方案已经初见成效，并认为 WorkBuddy 是中国使用最广的效率 AI 智能体服务。[5] WorkBuddy 官方页面宣称：用户下达任务，AI 自己拆解步骤、调用工具，Agent 最后交付一个可以验收的结果。[6]
Claude Code 让 AI 参与软件研发。Anthropic 披露，Claude Code 在公开发布约半年后达到 10 亿美元年化运行收入。[7]
Codex 则从写代码继续扩展到报告、表格、研究、数据分析和工作流自动化。OpenAI 披露，Codex 每周活跃用户已经超过 500 万，非开发者约占用户的 20%。[8]
工作型 AI 的价值更容易被算出来。一个工程师少花了多少时间，一个运营一天能多做多少份方案，一个客服团队能不能用更少的人处理更多请求，一个研发团队能不能更快交付版本，这些都可以对应到工资、外包、交付周期和收入。
工作型 AI 更容易赚钱，原因也很简单：工作结果有明确的买单人，也有明确的 ROI。角色扮演 Agent 可以让人聊几个小时，但它没有直接减少一张工单、交付一段代码或完成一份报告。
在方向明确之前很多尝试都是拿着锤子找钉子，觉得需要把一切都重做一遍，现在看，AI 的应用方向其实已经清楚了。消费侧是搜索和意图入口，工作侧是代码、报告、表格、方案以及一项真正完成的任务。
从这个角度看，飞书并入豆包不是一次从容的产品升级，而是一次组织层面的应激反应：先把模型、工作现场和商业化链路接起来，至于这条链最后能不能赚到足够的钱，后面再算。
很多人会把泡沫理解成“应用还没找到，所以估值可能是假的”。但对 AI 来说，更危险的阶段恰恰是应用被找到了。
搜索能带来多少广告和交易，代码工具能收多少订阅，企业少花多少人力成本，数据中心还要再投多少钱，这些东西终于可以放到同一张表里。
钱可以被算出来，所以泡沫才进入新高潮。资本有了把少数成功产品外推成整个行业无限增长的理由，估值可以继续往上走，资本开支也可以继续往上加。
当然，这里的“泡沫”不只包括高估值和大额资本开支，也包括这种被成功产品逼出来的应激反应：大公司先把组织、产品、渠道和算力补齐，再等待收入证明这些投入是对的。
问题在于，算得出来不等于收得回来。
我以前写过《GPT 只会让互联网行业更不值得卷》，里面有一个判断：生产力提升不等于需求扩大，更不等于所有从业者都能获得增量收益。
一个工程师原来三天写完的代码，现在一天写完了，不代表市场上就多出两天的需求；一个运营原来一天做三份方案，现在可以做十份，也不代表公司就会因此多买七份方案。
AI 可以让供给变得更多，能解决生产效率的问题，但供给变多以后，谁来购买这些新增产出，是另一个问题。
当然企业也可以选择让一个工程师干原来三个工程师的活，然后裁掉另外两个工程师，但是我实在是想不出来这样对于我们整个社会会有什么好处。
这一轮 AI 还有一个同互联网时代的显著差别——边际成本。互联网平台把基础设施搭好之后，新增一个用户、新提供一次服务，边际成本通常比较低，规模越大，固定成本越容易摊薄。
生成式 AI 则是在每一次推理时持续消耗算力、电力、网络和设备折旧。
模型越被使用，收入会增长，账单也会增长。AI 当然也有规模效应，模型会变便宜，芯片会变快，数据中心利用率会提高，但规模扩大并不会自动让商业模式变轻。
国际能源署估计，大型科技公司 2025 年资本开支已经超过 4000 亿美元，2026 年还可能增加约 75%。这不是纯 AI 应用的投入，但它说明数据中心和算力建设已经大到需要资本市场持续相信回报。[9]
企业采用 AI 也不等于企业已经从 AI 赚到钱。麦肯锡 2025 年的调查显示，88% 的受访组织已经在至少一个业务职能定期使用 AI，但只有 39% 报告了企业层面的 EBIT 影响。[10]
所以，泡沫的危险不在于没有应用，而在于应用已经找到，资本却还在按照无限增长给它估值。
从现在开始，AI 的账其实可以算了。
收入是多少，毛利是多少，一次推理要花多少成本，服务器和机房投入多少，设备多久折旧，融资成本多少，客户付的钱需要多久才能把这些投入收回来，这些都可以放进同一张表里。
飞书并入豆包，正说明字节已经在寻找这张表的答案。豆包负责把能力推向用户，飞书负责把能力放进真实的工作现场。
以前资本市场给 AI 买的是想象力，接下来要买的是每一份报告、每一段代码、每一次客服交付和每一个被省掉的人力小时。
飞书并入豆包最终暴露出来的，不是飞书被淘汰，而是 AI 已经走过“有没有应用”的阶段：应用有了，钱也算得出来了，市场上已经出现的收入信号又逼着大厂立刻做出组织反应，所以泡沫才会来到新高潮。接下来，资本市场终于要问，赚到的钱够不够把模型、电力、芯片和机房一起养活。
参考文献
[1] 飞书分拆，豆包更强了｜ZAKER 新闻搜狐号
https://m.sohu.com/a/1056633357_120321309
[2] 豆包企业版是什么？详解核心价值、主要功能、使用场景与价格策略｜飞书官网
https://www.feishu.cn/content/article/7664559035831635186
[3] Agent Harnesses｜Microsoft Learn
https://learn.microsoft.com/en-us/agent-framework/agents/harness
[4] 飞书里的豆包如何支持团队协作？AI 成果的分享与继续编辑｜飞书官网
https://www.feishu.cn/content/article/7665677162996878267
[5] 腾讯公布二零二六年第一季业绩｜腾讯控股
[6] WorkBuddy｜腾讯云
https://cloud.tencent.com/product/workbuddy
[7] Anthropic acquires Bun as Claude Code reaches USD 1B milestone｜Anthropic
https://www.anthropic.com/news/anthropic-acquires-bun-as-claude-code-reaches-usd1b-milestone
[8] Codex is becoming a productivity tool for everyone｜OpenAI
https://openai.com/index/codex-for-knowledge-work
[9] Key Questions on Energy and AI｜International Energy Agency
https://iea.org/reports/key-questions-on-energy-and-ai/executive-summary
[10] The state of AI in 2025: Agents, innovation, and transformation｜McKinsey
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
2026-06-25 16:19:16
2026 年 3 月，滴滴上线 AI 出行助手「小滴」。用户说一句「身体不舒服，有点晕车，尽快叫车」，AI 会把这句话拆成「驾驶平稳」「油车」「最近的车」等条件。[1]
6 月，支付宝开始测试 AI 版「阿宝」。按照支付宝的说法，用户可以在一个对话框里调用上万种服务。过去需要四处寻找的公积金、缴费、挂号和寄快递，现在说句话就能找到。[2]
两家公司讲的是同一个故事：以前是人找服务，现在由 AI 理解人，一句话把事情办完。
这套故事听起来当然很先进，但实际用一下又会觉得很诡异。
因为很多所谓 AI 化，并没有让用户少做一步，而是让用户多说一句话。
先说滴滴。小滴不是没有价值，打车确实存在许多难以用固定选项表达的需求：容易晕车、需要放婴儿车、临时增加途经点、每周固定预约。
让用户直接说，再由 AI 翻译成调度系统能处理的条件，比摆出几十个筛选项自然得多。
这正是自然语言适合的场景：目标大致明确，但条件多、组合复杂，产品很难提前穷举。
可滴滴公布的数据又很有意思。在小滴收到的个性化叫车需求中，「又快又便宜」排第一，占 57%；第二是「空气清新」，占 12.5%；第三是「最近的车」，占 9.9%。
打车用户想要又快又便宜，需要 AI 才能理解吗？
快、便宜、近，本来就是打车产品最基本的目标。用户打开滴滴，难道默认希望平台派一辆又慢又贵、离自己十公里远的车？
如果说一句「又快又便宜」真能明显改善结果，说明默认调度没有照顾最普遍的需求；如果说不说差别不大，AI 只是让用户重新描述了一遍系统早该知道的事情。
小滴真正有价值的部分，不一定要放进聊天框。
用户输入目的地，AI 完全有能力根据用户的目的地和历史行为推测用户是否有放婴儿车或者带老人出行的诉求，再结合价格、距离、车型和司机服务给出几个清楚的方案。
猜不准也没关系，用户可以再改。好的产品应该先替用户做一轮判断，再让用户确认和修正，而不是一开始就把空白输入框摆出来，让用户替系统完成理解工作。
AI 可以参与整个过程，却没必要站在首页等用户聊天。
滴滴的问题，主要是把一部分基础目标包装成了 AI 个性化。支付宝的问题更深：它承诺的是「办事」，现阶段最稳定的能力却更像「找路」。
公众号「饭后服用」的一篇群体内测记录中，阿宝推荐咖啡时列出了一批无法直接下单的品牌，规划路线时给出一段文字「路书」，没有顺畅调用现成的地图能力。让它转账，它只是打开转账页面；同一句「转 1000 块」，不同测试者还分别进入了转账和余额充值页面。
充话费，界面显示充值已经完成，但测试者称实际并未到账；基金推荐，基金名称与代码没有对应上。[3]
刺猬公社的一次内测中，它统计淘宝系支出时漏掉了一部分盒马消费；用户提出质疑后重新计算，又把山姆、小红书和天鹅到家算进了淘宝系。[4]
这些测试暴露出一类问题：阿宝不只会找错路，有时连执行状态和专业信息也会出错。
这些都只是内测案例，不能用来推导阿宝的整体准确率。
但支付宝和普通聊天机器人有一个根本区别：它管钱。
豆包聊历史时胡说八道，用户顶多笑笑就完了，撑死在小红书发个帖子调侃一下；转错一笔钱，问题立刻变成谁来赔。
阿宝因此陷入一个很难绕开的矛盾：如果 AI 不碰钱，只负责理解意图、寻找入口和准备流程，它更像语义搜索与智能导航；如果真让 AI 自主转账，替用户还款，甚至购买理财产品，大模型的不确定性又会撞上金融产品最重要的确定性。
支付宝自己也承认这条边界：涉及资金变动和支付的环节，必须由本人确认。
只要最后还要本人确认，关键一步就绕不开图形界面。
这件事让支付宝陷入一种很拧巴的困境：前面聊了半天，真正重要的金额和授权，仍然要由用户自己看、自己选、自己负责。
这种拧巴也说明，很多 AI 产品不愿意承认的一点是，GUI 仍然很有价值。
至少在这些高风险场景里，AI 版支付宝还没有证明自己比传统图形界面更有价值。最后退回老方案，不是因为老方案落后，而是因为老方案更合理。
所谓 AI 化如果只是加个聊天框，就没有真正给用户带来体验升级，甚至做不到对原有路径的平滑替换。
很多 AI 产品经理似乎太迷信自然语言交互，觉得产品里只要还有菜单、卡片和表单，就不够 AI Native；只有留一个空白输入框，让用户把需求从头说一遍，才算进入未来。
可是历史上图形界面取代命令行，不是因为图标比较可爱，而是因为人更擅长识别，不擅长凭空回忆。
选项、状态和操作路径摆在眼前，用户看一眼就知道能做什么；面对空白输入框，用户反而要先猜系统有什么能力，再琢磨应该怎么说。[5]
大模型确实把命令行翻译成了人话，但人话依然可能是命令行。用户仍要先理解系统，再组织一条指令交给机器。区别只是过去输入 taxi –cheap –fast，现在输入「帮忙叫一辆又快又便宜的车」。
过去产品经理总说要少让用户思考一步。现在有些 AI 产品反过来教育用户怎么提问，多少有点黑色幽默。
自然语言不是没有价值。用户目标模糊、条件很多、不知道入口在哪时，对话可以显著降低门槛。
但这件事要分场景看。
目标模糊、条件很多、风险不高，对话有价值。目标明确、路径成熟、操作只有一两步，再加一轮对话就未必是升级。目标明确但风险很高，尤其涉及钱和授权，AI 最多适合准备流程，最后还是应该回到清楚、可核对的界面。
很多 AI 产品的问题，是把第一种场景里的价值，硬套到了所有场景里。
这种交互迷信背后还有一个更大的误会：把 AI 带来的生产力提升，直接当成了用户价值提升。
几年前我在《GPT 只会让互联网行业更不值得卷》里写过，AI 首先是一场生产力革命，但许多行业真正缺少的不是生产能力，而是需求。[6]
移动互联网降低了接入成本，带来了更多用户和使用时长。AI 首先降低的却是生产成本：功能更容易做，Demo 更容易演示，故事也更容易包装。前者扩大市场，后者先扩大供给。
当聊天框越来越容易做出来，「能做」就很容易冒充「该做」。
这件事还有一个组织层面的诱惑：聊天框最容易展示 AI 化。它适合发布会截图，适合产品 PR，适合让老板、媒体和用户一眼看见“我们已经接入 AI 了”。这种诱惑会诱使人用愿望替代常识。
但真正有价值的东西，往往没有那么好展示。
后台调度、默认值、状态校验、履约治理、异常识别，这些东西更像脏活。它们不一定能在首页变成一个漂亮入口，却更可能真的减少用户麻烦。
模型能给所有 App 加上对话框，不代表所有 App 都需要对话；Agent 能替用户点击按钮，也不代表点击按钮本身是个问题。
真正好的 AI 产品往往没有那么强的「AI 味」。它可能只是自动填好一张表，提前发现一个错误，在后台完成一次更好的匹配，把十分钟机械操作压缩成一次确认，或者在用户不知道怎么办时，给出一个可以继续修改的结果。
判断产品的价值，可以回归俞军的用户价值公式：
用户价值 =（新体验 – 旧体验）- 替换成本。[7]
旧路径到底有几步？AI 理解错一次，用户要花多少时间检查和修正？它是在缩短任务，还是只增加了一轮对话？把「AI」两个字去掉，这个功能还值得做吗？
模型越强，越需要这些常识。过去一些蠢想法会因为技术做不到而自然死掉，现在却可以被迅速做成 Demo，包装得十分精致，再推到用户面前。
AI 产品真正应该消灭的是用户的麻烦，不是用户已经会用的按钮。
参考文献
[1] 滴滴公布 AI 打车数据，网约车进入个性化需求新阶段｜新华网 https://www.xinhuanet.com/tech/20260323/7b1970fbe2484359bd595254b110be9a/c.html
[2] AI 版支付宝官宣开启邀测：右滑打开「阿宝」｜IT之家 https://www.ithome.com/0/964/691.htm
[3] 史诗级支付宝 AI 改版，群友体验一秒就……｜王二鹅 ERE https://mp.weixin.qq.com/s/QT6SDlYU1duz_Ulb9tDuJQ
[4] 实测 AI 版支付宝：一个半成品，和潜在的交互革命｜虎嗅 / 刺猬公社 https://www.huxiu.com/article/4867841.html
[5] Memory Recognition and Recall in User Interfaces｜Nielsen Norman Group https://www.nngroup.com/articles/recognition-and-recall/
[6] GPT 只会让互联网行业更不值得卷｜最小可读 https://mvread.blog/archives/206
[7] 漫谈产品经理｜俞军 https://www.bobinsun.cn/assets/pdf/%E6%BC%AB%E8%B0%88%E4%BA%A7%E5%93%81%E7%BB%8F%E7%90%86.pdf
2026-06-17 16:49:56
2017 年，韩国政府搞过一个被媒体称为「机器人税」的东西。
严格说，它不是给机器人发税号，也不是让机械臂自己去税务局排队。
韩国当时削减的是自动化设备投资抵扣。企业投资工业自动化装置，原本可以按投资额获得 3% 到 7% 不等的企业所得税抵扣；政策方案提出把优惠最多下调 2 个百分点。[1]
Bill Gates 同年也谈过类似主张。他的逻辑大概是：机器人替代人类劳动后，原本从工资、社保、个税里来的公共收入会减少，政府应该从自动化里收一点钱，用来支持被替代的人。[2]
这套说法很有人情味，但是逻辑欠妥。
按「替代劳动」征税，听起来关心工人，实际很容易变成技术进步罚款。
再往下推半步，就像财务部门冲进机房，对着一排显卡说：各位，五险一金了解一下。
如果企业用了更高效工具就该多交钱，那人类文明史上绝大多数工具都可以被拉进税务大厅。
Excel 让算盘和手工表格退场，叉车减少纯搬运岗位，自动门省掉一部分门童，SaaS 吃掉内部 IT 运维。照此推下去，Excel 要不要给算盘交慰问金？叉车该不该替搬运工补社保？餐厅买洗碗机，是不是还得顺手办个工牌？
这条路不能走，否则所有企业都会得到一个荒唐激励：效率越高，越像犯罪。
AI 税如果想站住，不能从「少雇了多少人」开始算。
少雇人只是结果，不是税基。税基要从工位移到另一张账本上。
叉车能搬货，背后有人卖钢材、液压系统、发动机和电池；Excel 能算表，靠的是软件工程、函数设计和操作系统。这些投入都在供应链里明码标价，一层层向上游付钱。
大模型也有上游。显卡、机房、电费、工程团队，这些账单模型公司会付。争议不在这些看得见的成本，而在另一条更难开票的供应链：训练语料。
基础模型看起来聪明，不是因为显卡突然长出了灵魂，而是因为书、代码、论文、教程、网页、问答、新闻、博客、论坛和开源项目，都可能成为原料。海量人类知识被压缩进参数和服务接口，最后变成按 token 收费的商业能力。
美国版权局 2025 年的生成式 AI 训练报告明确指出：训练会使用巨大规模数据，其中包含版权作品；权利人同意、补偿、合理使用和许可机制，都是制度难题。[3]
麻烦也正出在这里。训练语料没有钢材、电力和芯片那样的稳定供应商、合同与账单。来源散、规模大、跨国流动、归因困难。
有些材料属于公共领域，有些来自明确授权，有些在用户协议里绕了十八个弯，还有一些处在版权争议里。不能把所有训练都说成违法，也不能把公开可访问直接等同于可以免费商业化训练。
单靠一个作者、一家媒体、一个开源维护者去逐条起诉，根本解决不了这笔账。大型出版商还能坐下来谈授权，普通作者、论坛用户、问答贡献者和代码维护者，多数时候甚至不知道自己是否被用过。
大模型最滑稽的一幕，是把一部分原材料仓库改名叫「公开互联网」，推着购物车进去转了一圈，出门说自己是自主研发。
操作性看起来很难。
因为没人能逐条证明一个模型到底用了哪篇文章、哪段代码、哪张图片、哪个论坛帖子。就算知道某篇文章进了训练集，也很难证明它对某次回答贡献了多少。
但税务系统并非每笔账都靠显微镜。很多时候，它会使用估算、抽样、分级、核定。大模型训练语料规模大、来源散、归因难，反而适合做能力抽检。
办法土得很：出卷。法律卷、医学卷、编程卷、新闻卷、文学卷、游戏卷、金融卷、历史卷、艺术卷、中文社区语料卷。模型答得越多，越准，越像在这些领域里住过几年，就越能说明它涉及的知识范围越大。
抽检结果不能直接当成单条版权侵权证据，但是可以用来收钱。
版权诉讼要证明具体作品、具体复制、具体市场影响，不能因为模型答对一道题，就说它偷了某一本书。
抽检管的是税收和准税收意义上的能力估算，会比版权诉讼简单很多，规避了把税务局变成版权法院的风险。
它不必把每一篇文章、每一段代码、每一条回答都还原成单独发票。只要确认模型商业能力的形成使用了庞大的公共知识系统，账就有了入口。
这就像查酒驾。交警不必追问刚才喝的是哪一瓶酒，吹出来有数就行。
一个模型如果在法律、医学、编程、新闻、文学、游戏、金融、历史、艺术、中文互联网烂梗等领域都表现得很熟，这已经足够说明：这些知识不是显卡自己冥想出来的。
税务系统不用理解 Transformer，会出题就行。
抽检之后，还要有计量单位。这个单位也不用发明，因为大模型厂商已经替所有人想好了：token。
2026 年，美国众议员 Greg Casar 发表《Tax AI to Create Jobs》时，就把征税对象放在 AI providers 上，并提到 token 与底层算力可以作为计量口径。[4]
训练规模动辄 trillion tokens，窗口长度标成 tokens，日处理量折成 tokens，API 价格按每百万 tokens 报价。既然行业已经把 token 做成通用尺子，征管系统没有必要另造单位。
训练阶段，按训练 tokens 规模分档，语料越大，纳入的知识版图越大。
商业化阶段，按 API 和产品实际处理量收取知识回流费，企业级大客户看调用量，普通个人用户和小开发者可以设豁免或低门槛。
此外，闭源自研模型用申报规模、算力消耗和营收互相校验。既然不愿意公开训练细节，就接受更粗的估算方式。喜欢黑箱，黑箱也可以有税率。
以前厂商吹「我们训练了 10 万亿 token」，投资人鼓掌，媒体写稿，用户感叹未来已来。现在账务系统来了：好，10 万亿是吧，先把资料费结一下。
这当然会增加合规成本，也可能让创新变慢。创业公司以后不仅要训练模型，还要准备申报材料、抽检结果和语料说明。听起来很不自由，制度经常把「变慢」改名叫「规范」。
单这套方案最让人不舒服的地方，恰恰是它在逻辑上很顺：模型公司可以按 token 向用户收费，制度也可以按 token 向模型公司核账。
如果这笔钱最后只是进了财政黑箱，前面那套理由就塌了。
政府缺钱，不能自动变成 AI 欠钱。账要算在另一处：模型吸收公共资料、个人创作和开放协作成果，却没有让收益回到知识生产现场。
钱应流向图书馆、数据库、开放语料库，去创作者基金、新闻机构补偿、出版授权，去基础软件维护、教育资源、公共知识平台，也用于训练数据登记、审计和抽样测试。
这套收税逻辑，也正好戳在了「大模型技术平权」叙事最尴尬的地方。大模型确实让很多人第一次用上强大的智能工具。它好用，提高效率，也会让知识服务变得更便宜。这些好处都应该承认。
但好用不等于平权。用户拿到的是调用权，不是训练权、控制权、定价权和分账权。
大模型没有把生产资料发给大众，只把大众的知识包装成收费接口。技术平权不能缩成「人人都有资格交订阅费」。
如果没有回流，模型会在更深处制造垄断。它未必控制某个 App，也未必独占社交入口；它控制的是知识被调用、压缩、重新分发的基础能力。等所有人都在同一个接口上工作、写作、开发、搜索和学习，再谈「平权」，就像租户住进房东的楼里，感谢房东发明了住房自由。
到这里，闭环已经出来了：征税对象盯模型提供商和大型部署者，不找普通用户开刀；税基不按少雇人，按训练语料和知识能力商业化；征管不逐篇追溯，用测试集抽检；计量不发明新单位，按 token、算力和收入互证；去向不直接补财政洞，而是回流知识生态。
机器人不该被当成发薪员工。Excel 不欠算盘安置费。叉车也轮不到替旧岗位发工资。
大模型欠的是另一笔账。模型公司最爱说自己训练了多少 token，那就按 token 补票。
卷子已经发下去了。
答完题，按 token 交钱。
参考文献
[1] Korea takes first step to introduce ‘robot tax’｜The Korea Times https://www.koreatimes.co.kr/business/tech-science/20170807/korea-takes-first-step-to-introduce-robot-tax
[2] Bill Gates: This is why we should tax robots｜World Economic Forum / Quartz https://www.weforum.org/stories/2017/02/bill-gates-this-is-why-we-should-tax-robots/
[3] Copyright and Artificial Intelligence, Part 3: Generative AI Training｜U.S. Copyright Office https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-3-Generative-AI-Training-Report-Pre-Publication-Version.pdf
[4] Tax AI to Create Jobs｜Representative Greg Casar https://casar.house.gov/media/press-releases/op-ed-american-prospect-tax-ai-create-jobs
2026-05-29 09:39:00
前段时间 AI 自媒体又开始震惊了。这次震惊的是：HTML 比 Markdown 更适合大模型输出。
这件事不是没有讨论价值。复杂报告、交互表格、临时看板、可视化小工具，用 HTML 承载确实比 Markdown 顺手。Anthropic 那篇讲 Claude Code 和 HTML 的文章，说的也是这个方向[1]。
但每次旧技术被 AI 重新用起来，就立刻上升到「某某技术要替代某某技术」，这个反应实在很有自媒体特色。
HTML、Markdown、CLI、LUI 都不是什么新东西。基础设施之间通常不是谁彻底替代谁，而是谁更适合哪个场景。不能因为今天发现扳手好用，就宣布锤子退出历史舞台。哪天模型开始大规模调用命令行，估计又会有人写《震惊，CLI 才是 AI Native 的终局》。
这当然很无聊。
与其参与 HTML / Markdown 的格式宗教战争，不如借这个热点清本溯源，回答两个更底层的问题：
一、软件的护城河到底由什么构成？什么样的基础设施会被替代，什么样的不会？
二、AI Native 的产品到底 Native 在哪个层面？我们应该为 AI 搭建哪些能让它更好发挥能力的设施？
这件事对从业者有现实意义。很多产品团队现在都在补 AI 功能，但很容易做出两类无效建设：一种很快被模型原生能力吞掉，另一种看起来接了 AI，实际没碰到业务核心。先把软件价值藏在哪一层说清楚，至少能少踩一点坑。
要回答第二个问题，必须先回答第一个问题。
想要了解一个软件的护城河，不妨先看 Excel。它同时具备很厚的交互层、能力层和数据/标准层。
第一层，是交互护城河。 过去会不会用 Excel，很大程度上取决于会不会写函数、点菜单、做透视表。有人知道 VLOOKUP，有人不知道；有人知道 SUMIFS，有人还在手动复制粘贴。很多人的 Excel 能力，本质上是对一套软件语言的熟悉程度。
AI 来了以后，这一层会被削弱。不需要知道 SUMIFS 怎么写，只要说「按部门统计每个月收入」；不需要知道透视表入口在哪里，只要说「按区域和销售做个汇总」。Microsoft 对 Copilot in Excel 的描述，基本也是生成公式、清洗数据、筛选、洞察、图表和透视表[2]。所以 AI 首先降低的是学习软件语言的成本。
第二层，是能力护城河。 单纯的功能能力会越来越不重要，但能力本身不会消失。Excel 函数、计算引擎、图表、透视表、宏仍然有价值，Microsoft 官方按类别列出的 Excel 函数也说明它有一整套确定性计算能力[3]。
问题在于，这些能力不能只是「功能列表」。过去一个函数的价值来自于用户知道它、会写它；以后更取决于 AI 能不能稳定调用它、解释它、验证它、在出错时回滚它。
Microsoft 官方在 COPILOT 函数文档里提醒：COPILOT 函数适合语义、生成和探索性任务，但涉及准确性或可复现的数值计算时，仍应使用原生 Excel 公式[4]。这句话很重要：AI 不是替代确定性能力，而是需要确定性能力作为手脚。
Photoshop 也是类似逻辑。过去抠图、扩图、修图、去除杂物、换背景、融合光影都需要学习成本；现在 Adobe 的 Generative Fill 和 Remove Tool 已经把一部分能力变成文字提示[5][6]。很多过去靠「会一个复杂功能」建立的优势，会被模型直接压扁。
这当然不代表 Photoshop 没价值，能留下的价值不再是一堆功能，而是功能和专业工作流、图层、蒙版、色彩管理、素材库、商业授权、设计师历史文件结合。功能本身会贬值，功能和确定性、数据、标准、工作流、线下生产体系绑定起来，才更像护城河。
第三层，是数据/标准护城河。 这一层最不容易被替代。公司历史上积累的几万个 Excel 表格，不会因为 AI 出现就消失。里面有预算表、销售表、排班表、库存表、客户表、项目计划、对账单，还有大量实际承载业务流程的半结构化表格。
这些表格背后有字段命名习惯、部门协作方式、审批痕迹、宏、模板、历史兼容格式，以及「这个数为什么每个月都要这么调」的组织知识。Excel 支持 xlsx、xlsm、xlsb、老的 xls、CSV、文本、OpenDocument 等格式[7]，这些兼容能力看起来无聊，但就是现实世界里的软件护城河。
微信也能放进这个框架。它当然会被 AI 改造，但交互层本来就薄，数据层又太厚。微信最核心的交互就是聊天，而聊天本来就是自然语言交互。
真正厚的是微信的数据/标准层，尤其是社交关系。一个人打开微信，不是因为微信有一个聊天输入框，而是因为家人、朋友、同事、客户、同学都在那里。公众号、朋友圈、微信搜索、小程序、视频号等能力[8]，更像是在这张关系网上长出来的功能。AI 可以总结群聊、写回复、找记录、做客服，但用 AI 对话替代真人交流，不符合常识。
所以同样是软件，AI 冲击的层次完全不同。Excel 这种工具软件，交互学习成本高；Photoshop 如果能力停留在功能层，会被模型压缩；微信这种社交软件，数据层绑定真实关系，AI 更多是增强。讨论 AI 替代软件，不能笼统地问「软件会不会死」，要问它的护城河主要在哪一层。
理解三层护城河之后，再回到第二个问题：AI Native 的产品到底 Native 在哪个层面？
最没意义的答案是：有聊天框。有聊天框只能说明有输入框，不能说明产品 AI Native。如果先不讨论后面要说的代理责任，AI Native 至少要 Native 在交互层、能力层、数据/标准层。
第一，交互层要能在对话和界面之间切换。 用户可以用自然语言表达意图，但产品不能只有自然语言。好的 AI 产品应该知道什么时候用对话，什么时候用表格、图表、清单，什么时候生成临时 HTML 页面。
专业界面不会死，它只是从固定入口，变成任务过程中的动态呈现。短路径任务里，界面可能比对话更快。比如打车，用户已经知道去哪，打开界面选目的地、看价格、确认上车点就行，不需要先和 AI 聊一轮。按俞军的用户价值公式，用户价值 =（新体验 – 旧体验）- 替换成本[9]，这种场景里 AI 未必能创造多少增量价值。
精确选择也仍然需要界面。比如拾色器，或者 Vibe coding IDE 里的元素选择器。用户要的不是「大概调好看一点」，而是选中这个像素、按钮、图层、组件，然后只改这里。空白聊天框也不能替代能力地图，否则用户只会对着输入框发呆。
所以交互层的 AI Native，不是砍掉所有界面，而是重新分配对话和界面的职责。对话负责表达意图，界面负责呈现状态、暴露能力、支持选择、允许确认和回滚。
第二，能力层要变成可调用、可组合、可验证的动作。 真正 AI Native 的产品，不能只是让 AI 在旁边解释功能，而是要把原来的功能变成 AI 能稳定调用的动作。
能力层的关键不是「功能更多」，而是「能力能不能被调度」。AI 说要改一个字段，软件能不能知道改哪里；AI 生成公式，软件能不能检查引用范围；AI 整理任务，软件能不能写入数据库、保留版本、出错回滚。
所以产品经理在这个阶段最不该做的，就是继续堆 AI 功能、加 AI 按钮。如果想不清楚做什么，优先做好基础工作：底层对象、数据结构、权限、版本、回滚、审计、稳定 API、可理解的历史上下文。这些事情听起来不性感，但更接近 AI Native 的地基。
第三，数据/标准层要成为 AI 的工作现场。 AI 能不能在真实业务数据、权限、历史上下文和标准接口里工作，决定它是不是只能聊天。
Excel 的价值不是空白表格，而是公司里那几万个历史表格。旅游平台的价值不是生成攻略，而是有实时库存、价格、取消政策和预订链路。Notion 的价值也不是空白页面，而是团队已经写进去的 wiki、项目、任务和数据库。
但有数据不等于能用。很多历史数据如果不能归档、清洗、整理成 AI 能接受的格式和范式，硬塞进上下文反而会制造混乱。Excel 很典型：同一家公司里，不同部门可能对「收入」「活跃用户」「交付完成」有不同口径；同一个字段在不同表里可能叫不同名字；隐藏公式、手工调整、跨表引用，也会让数据看起来能读，实际不能直接用。
这对人来说已经痛苦，对 AI 来说更灾难。AI 很容易把相似字段当成同一个东西，把不同口径的数据合并在一起，然后给出一个非常自信、但业务上完全错误的答案。
所以 AI 时代的数据/标准层，不是把历史资料塞进向量库，也不是把文件全丢进上下文，而是要整理成 AI 友好的资产：稳定字段、统一口径、清楚权限、版本记录、数据血缘、可调用 API，以及能被模型理解的业务语义。
从这个角度看，Notion 是一个很好的正面样本。它至少把「文档、数据库、任务、项目」放在一套相对统一的对象体系里。Notion 接入 AI 之后如鱼得水，是因为它原本的产品结构就更 AI 友好：Notion 本质上像一个伪装成文档的数据库。
Notion 官方帮助文档里说，数据库里的每个 item，不管在表格里是一行，还是在看板、日历里是一张卡，本质上都是一个 Notion page[10]。Notion 工程博客也讲过，文本、图片、标题、列表、数据库行、页面等不同前端表现，后端都建模为一致的 block entity[11]。
这就是底层标准化。也因为这样，Notion Agent 才不只是帮用户润色文字，而是可以创建页面、更新数据库、整理任务、跨工具搜索信息，甚至把会议纪要变成项目管理结构。Notion 3.0 也把 Agents 放在中心位置，强调它能创建文档、构建数据库、跨工具搜索和执行多步骤工作流[12]。
过去 Notion 被喷难用，是因为它不是开箱即用的简单文档，而是一套需要用户理解页面、数据库、属性、视图、关系的低代码系统。现在 AI 可以承担一部分学习成本：用户不用先想清楚建什么 database、加什么 property、用什么 view，AI 可以先生成结构，再让用户调整。
只看产品形态还不够。CNBC 在 2025 年 9 月报道，Notion 已经超过 5 亿美元年化收入，增长受到 AI 浪潮推动[13]。Forbes 在 2025 年 12 月报道，Notion 年经常性收入超过 6 亿美元，其中约一半来自 AI 产品，并且已经现金流为正[14]。TechCrunch 也报道，Notion 2 月推出 Custom Agents 后，客户已创建超过 100 万个 Agent[15]。
这些不是「AI 会员销量」的直接披露，也不能证明 Notion AI 已经完美。但它至少说明：Notion 的 AI 化不是停在右下角聊天框，而是开始变成客户真实使用、真实付费的产品能力。
反过来说，一个产品如果只是堆功能，底层对象七零八碎，数据结构混乱，权限和版本也没有统一设计，那么它加 AI 可能只会更乱。
所以 AI Native 不是把界面换成聊天框。AI Native 是让用户意图进入能力层，让能力层接上数据/标准层，再用合适界面展示过程，并允许用户确认、干预和追责。说得简单一点：AI 不能只是说话，它得能干活。而干活不是靠嘴，是靠工具、数据和标准。
如果只看 Excel、Photoshop、Notion、微信，软件护城河大概可以拆成三层：交互、能力、数据/标准。但到了电商和旅游，事情会更复杂，因为 AI 不只是提供建议，它开始具备行动能力。
一个会行动的 AI，一旦替用户下单、改签、订酒店、买保险，就可能造成真实损失。买错东西可以退，但退货要时间；订错酒店可能扣钱；航班改签失败，可能直接影响行程。
所以 AI 时代可能会冒出第四层护城河：谁站在用户立场，谁能承担责任。
电商和旅游都是典型的「货比三家」。买东西时，用户真正想要的不是打开 Amazon、淘宝、京东或者拼多多，而是在预算内买到最合适的东西。旅游也一样，用户要的不是打开携程、Booking、Expedia、小红书、大众点评和地图，而是把机票、酒店、路线、餐厅、预算、时间、体力、风险凑成一个能执行的方案。
如果只看前三层护城河，垂直平台优势很明显。Amazon Rufus / Alexa for Shopping 可以基于 Amazon 的商品目录、评论、问答、历史购物数据做推荐，并在某些场景中采取购物相关行动[16]。Expedia 的 Romie 覆盖规划、购物、预订和旅途中变化处理[17]；Booking.com 的 AI Trip Planner 则结合房源、价格、可用性等数据，把自然语言映射到结构化库存[18]。
这些平台有数据，有交易链路，有售后责任，也知道商品有没有货、酒店有没有房、订单出了问题找谁。这些当然是能力层和数据/标准层的护城河。
问题在于，有能力不等于值得信任。平台 AI 天然带平台立场。Amazon 的 AI 可以帮用户在 Amazon 里面比较，但它为什么要真心帮用户去别的平台买更便宜的东西？旅游平台也一样，如果一家酒店给平台更高佣金，平台 AI 会怎么推荐？
这不是模型能力问题，这是代理关系问题。假设 OS 级 AI 重新做好 computer use，能理解屏幕、操作 app、跨平台读取信息、比较价格、下单和填写表单，那么用户未必需要先进入某个平台。
这时候，平台仍然有货源、库存、售后和交易能力，但未必还能垄断用户决策入口。垂直平台的优势是数据真、链路短、责任清楚；OS 级 AI 或通用 AI 的优势是更像站在用户这一边，不必天然服务某个平台的商业目标。
但 OS 级 AI 也有问题。它不一定拿得到实时库存，不一定处理得了售后，不一定知道平台规则变化，也不一定能承担交易出错后的责任。所以第四层护城河才会变得重要：谁更像用户代理，谁又能承担责任？
只站在用户立场，但不能承担责任，很容易变成嘴上公正、出事不负责的建议机器。只承担交易责任，但天然服务平台利润，又很难成为用户最信任的代理人。
结局现在很难判断。可能垂直平台继续赢，因为它们掌握供应链、交易和售后；也可能 OS 级 AI 或通用 AI 成为用户代理，把平台变成后台能力提供方。但无论哪种结局，电商和旅游里的 AI Native，都不只是「谁模型更强」或「谁数据更多」，更核心的问题是：谁有资格代表用户行动？谁能为行动后的结果负责？
这就是 AI 时代新冒出来的第四层护城河。
所以回到最开始的问题。软件的护城河由什么构成？至少要拆成四层：交互、能力、数据/标准，以及 AI 时代新冒出来的代理责任。
那么 AI Native 到底 Native 在哪里？不是 Native 在聊天框，而是 Native 在能力调用、数据上下文、动态界面、权限、确认、回滚和审计里。更进一步，还要 Native 在代理关系和责任机制里。
如果一个产品只是能聊天，它不是 AI Native。只有当 AI 能调动软件能力、读写真实数据，并在关键节点提供可理解、可干预、可负责的界面，它才算真的 AI Native 化。
所以以后看到「HTML 替代 Markdown」「LUI 替代 GUI」「聊天框替代软件」这种说法，不用跟着震惊。
它到底冲击的是哪一层护城河？
如果只是交互层，那说明书确实会变薄。如果只是纯功能层，那模型迟早会一力降十会。如果数据/标准层也被拿走，那才是真的危险。
如果一个能行动的 AI 既不站在用户立场，也不能承担责任，那它再聪明也只是一个危险的中间商。
很多所谓的替代，最后可能只是把旧软件的入口换了个位置。
参考文献
[1] Using Claude Code: The unreasonable effectiveness of HTML
https://claude.com/blog/using-claude-code-the-unreasonable-effectiveness-of-html
[2] Get started with Copilot in Excel
[3] Excel functions by category
[4] COPILOT Function
https://support.microsoft.com/en-us/office/copilot-function-5849821b-755d-4030-a38b-9e20be0cbf62
[5] Photoshop Generative Fill
https://www.adobe.com/products/photoshop/generative-fill.html
[6] Replace distractions with Remove tool
https://helpx.adobe.com/photoshop/using/tool-techniques/remove-tool.html
[7] File formats that are supported in Excel
[8] Tencent 官方服务清单
http://static.www.tencent.com/uploads/2025/11/13/cc0f748d2c668304559946c9913e9cc6.pdf
[9] 漫谈产品经理 https://www.bobinsun.cn/assets/pdf/%E6%BC%AB%E8%B0%88%E4%BA%A7%E5%93%81%E7%BB%8F%E7%90%86.pdf
[10] Intro to databases
https://www.notion.com/help/intro-to-databases
[11] Building and scaling Notion’s data lake https://www.notion.com/blog/building-and-scaling-notions-data-lake
[12] Introducing Notion 3.0 https://www.notion.com/blog/introducing-notion-3-0
[13] Notion launches AI agent as it crosses $500 million in annual revenue
[14] Notion Kicks Off Employee Share Sale At $11 Billion Valuation As AI Accelerates Its Growth
[15] Notion just turned its workspace into a hub for AI agents
http://techcrunch.com/2026/05/13/notion-just-turned-its-workspace-into-a-hub-for-ai-agents/
[16] Amazon Rufus / Alexa for Shopping personalized shopping features
https://www.aboutamazon.com/news/retail/amazon-rufus-ai-assistant-personalized-shopping-features
[17] Put Your Trip on Autopilot: Expedia Group Introduces New Innovations at EXPLORE to Take the Stress out of Travel and Enhance Partner Experience
[18] Booking.com builds a global AI trip planner
2026-02-26 00:09:04
不知道从什么时候开始，中国春节似乎成了大家约定俗成，用来发布和 AI 相关的重要信息的窗口。
2 月 22 日，一份由独立投资研究机构 Citrini Research 发布了题为《2028 全球智能危机：来自未来的金融史思想实验》（The 2028 Global Intelligence Crisis）的宏观情景推演备忘录 。
该报告以「2028年6月」的未来倒叙视角，构建了一个AI技术大获成功、但随之引发白领阶层大规模失业、消费体系崩溃及系统性信贷危机的反乌托邦经济模型 。
该报告在社交媒体平台X（原Twitter）上迅速获得了超过 2200 万次的浏览量，引发了投资界极大的焦虑 。
在 2025 年 9 月，我曾经写过一篇短文《一个避免被 AI 取代的新思路，逆练上下文工程》，论述个人应该如何应对 AI 替代的问题，今天这篇文章会从更加宏观的视角尝试分析这个问题。
我们究竟该如何面对人工智能造成的技能替代和失业。
大模型的帮助下，一家公司实现用户数量过亿的速度远超以往任何时代，团队规模不但可以得到很大程度的精简，就连企业发展的速度也会被 AI 充分提速。
知名 AI 编程软件 Windsurf在发布 4个月内用户数破百万、年度经常性收入（ARR）超过1亿美元、企业客户数量超过1000家。Windsurf的团队仅有不到160人，最终以30亿美元的估值卖身OpenAI，这也成为OpenAI史上规模最大的收购[1]。
2025 年1 月 DeepSeek 用户增长达1.25亿（含网站（Web）、应用（App）累加不去重），其中，80%以上用户来自1月最后一周，即DeepSeek在没有任何广告投放情况下实现了7天完成1亿用户增长[2]。
OpenAI 的 CEO Sam Altman 曾预言：「很快我们会看到市值十亿美元的单人公司。」
既然一个人可以开创 10 亿美元的公司，那么市面上那些 10 亿美元市值的公司还需要维持成百上千的雇员吗？
如果一个人加上 AI 就能创造过去一千人的产值，那么剩下的 999 人去哪了？
预言 AI 将在未来 10 至 20 年大规模替代人类，并非 OpenAI 一家之言。
IMF、麦肯锡等组织都曾做出类似预测。用 Google 搜索 AI 替代人类，甚至能找到一份媒体报告，总结了近 60 个组织的相关预测 [3]。
更可怕的事情在于，这种 AI 对人力的替代是不均匀的。
根据哈弗大学的论文《Generative AI as Seniority-Biased Technological Change: Evidence from U.S. R´esum´e and Job Posting Data》显示，自从 2022 年后，积极进取采用 AI 技术的公司初阶员工的招聘人数呈现断崖式的下跌，论文的数据通过 AB 实验的方法，排除掉了宏观经济、行业等外部因素 [4]。
根据数据来看，这种对初级员工的替代现象不仅仅出现在了信息行业，也出现在金融，教育，零售等行业。
在零售行业，拥抱 AI 的公司会比自己的同行减少 40%的初级岗位，这符合技术替代的逻辑，因为文员、客服等高重复性角色，天然位于 AI 自动化能力的靶心。
但随之而来的问题是：如果没有初级工程师，未来如何产生高级工程师？
在传统模式下，企业既是生产单位，也是培训单位。以软件工程为例，初级工程师的产出往往低于其薪资成本，且需要高级工程师花费时间进行代码审查。
企业愿意承担这一成本，是将其视为对未来人才的期权投资——通过现在的亏损，培养未来的骨干。这是一种隐形的学徒制。
但在大模型时代，这一逻辑失效。
GitHub Copilot 或 Claude 3.5 Sonnet 编写基础代码的速度和质量，已经超过了绝大多数初级工程师。对于企业而言，雇佣初级员工的必要性大幅下降。这将导致初级岗位在就业市场中大幅减少。
然而人类掌握复杂技能需要遵循「一万小时定律」，通过大量低级、重复的练习来建立直觉。大模型剥夺了人类进行基础训练的机会。
乐观的看，在 AI 的帮助下新人学习的速度应该会更加快，也许能抹平新手和老手之间的差异，但是这种乐观很快也被打破了。
让我们看看 AI 编程领域最权威的公司 Anthropic，也就是 claude 模型的母公司是怎么说的。
该公司于 2026 年年初发布了一篇论文《AI 如何影响技能形成》[5]。
研究人员招募了 50 多位资深 Python 程序员，进行了一场残酷的对照实验。任务是掌握一个陌生的异步编程库 Trio——模拟了职场中常见的「被迫快速学习新工具」场景。
程序员被分成了两组：一组是只能查阅文档的「苦行僧」，另一组则是配备了 GPT-4o 的「超级个体」。
任务结束后，所有人都参加了一场原本用于检验「学习成果」的考试。考试内容包括编程语法、对代码逻辑的理解、阅读代码的能力，以及调试（Debugging）能力。
数据显示，拥有 AI 加持的程序员，在随后的能力测试中，平均得分比纯手写组低了 17%。
这种能力的衰退在「调试」（Debugging）环节尤为显著。这揭示了一个被忽视的风险：当代码不再由你的大脑生成，你便失去了对代码逻辑的掌控权。你不再是创造者，而仅仅是一个无法理解机器黑箱的「操作员」。
更具讽刺意味的是，「Vibe Coding」原本承诺的效率红利，在数据面前也被证伪。
许多人辩解：「虽然我变菜了，但我变快了。」然而 Anthropic 的报告显示，AI 组的平均耗时（23分钟）与手动组（24.7分钟）在统计学上几乎没有差异。
这篇论文告诉我们一个残酷的真相：如果在学习新东西时过度依赖 AI，不仅不会变快，核心能力还会出现显著退化。
反过来说，这篇论文也证明了一件事情，初级员工在工作中的实践学习，对于他们的成长和晋升来说至关重要，AI 把他们「手写」的机会剥夺了，不仅仅剥夺的是工作，很大程度上也剥夺了他们的学习的机会，以及一个通过劳动获得美好未来的机会。
未来的职场可能出现两极分化：一端是极少数在 AI 普及前完成技能积累的精英，另一端是大量因缺乏实践机会而无法晋升，甚至无法找到工作的底层执行者。
长远来看，对于整个社会来说这种对 AI 的依赖将导致技能传承的断裂，是对我们整个社会的「教育体系」提出的重大挑战。
比起瓦解所谓的培养体系，大模型带来的技术进步还可能让企业进入无限扩张的阶段，这是更让人值得思考的问题。
刘慈欣在《赡养人类》中描述的「终产者」概念高度吻合：在技术极度发达、生产效率极高的条件下，最终可能出现一个拥有绝大部分社会财富和生产资料的超级主体。
实际上当前社会之所以没有产生这样的终产者，很大程度上都归功于科层制。科层制的解体不仅仅会导致就业问题，还会造成所有的经济活动被彻底垄断。
要理解上面的逻辑，需要回到 1937 年罗纳德·科斯（Ronald Coase）在《企业的性质》中提出的理论。
企业之所以存在，是为了降低市场交易成本。在市场上频繁寻找合作方、讨价还价、签订合同的成本过高，因此人们建立企业，用内部行政指令替代市场价格机制。
为了处理企业内部复杂的指令传输，科层制应运而生。经理、总监、VP 等中间管理层，本质上是信息的路由器和过滤器。他们负责将高层战略拆解为执行指令，并将基层反馈提炼为决策依据。
然而，科层制本身也有成本。诺贝尔奖得主赫伯特·西蒙（Herbert Simon）指出，随着组织规模扩大，信息传递的损耗和扭曲会急剧上升，导致决策效率下降。这就是所谓的「大企业病」。
根据科斯定理，企业的边界取决于内部管理成本与外部交易成本的平衡点。当内部管理效率低于市场交易效率时，企业就会停止扩张。
这也是目前巨头企业虽然庞大，但无法垄断一切的原因——随着人数增加，管理难度呈指数级上升，人效必然下降。企业自身的「重力」使得企业无法垄断一切。
大模型的出现，改变了这一成本结构。AI 具备极高的信息吞吐量。一个拥有长上下文窗口（Context Window）的智能体，可以极低成本阅读海量文档、代码和历史决策，并直接向执行单元分发指令，且不会出现人类的推诿、疲劳或信息失真。
如果一家公司的核心决策层，可以通过 AI 智能体直接调度全球范围内的供应链和生产，而无需经过中间管理层的层层衰减，那么这家企业的管理半径理论上可以是无限的。
一家公司可以无限扩张，吞噬掉上下游所有环节，涉足所有有利可图的领域，而不会像传统财阀那样死于大企业病。
这意味着，企业规模不再受制于管理效率的递减。这同时也意味着也许我们能看到科层制的终结，毕竟很多时候完成巨大的工作量并不需要那么多的人工了，那么科层制的瓦解也是必然的。
目前的商业竞争，本质上是比拼谁的组织效率更高。但在大模型加持下，如果出现了一个管理成本近乎为零的组织，它对传统企业的打击将是毁灭性的。
在 AI 的辅助下，一家极其高效的超级企业可以无限扩张，吞噬掉所有低效的竞争对手，直到占据整个市场的生态位。
科层制固然是低效的，但这种低效在客观上起到了「反垄断」作用，并「仁慈」地养活了数以万计的中层管理者和普通员工。
大模型对科层制的摧毁，本质上是生产力对生产关系的重塑。
它消除了中间环节的摩擦，但也移除了普通劳动者向上流动的阶梯。同时，它打破了限制企业规模的天然屏障，使得「赢家通吃」的局面可能演变为「赢家独吞」。
在这种结构下，普通人的价值被重新定义。对于绝大多数人而言，如果没有能力构建复杂的上下文环境来驾驭 AI，通过出卖初级劳动力换取报酬的路径将变得越来越窄。
未来是什么样的呢？有没有某一个行业生产力极度发达，并且行业内垄断极其严重呢？还真有。
私以为农业从业者的现状也许就是在大模型铺开之后，软件从业者乃至全社会所有工薪阶层的普遍境遇。
提到现代农业，我们很容易会联想到地理教科书上面写的那些话，土地集约化，大规模生产，农场主不是农民，是小老板。
在科幻电影《星际穿越》中，哪怕人类正在经历史上最大的环境危机，种地依然显得岁月静好。
然而现实却是农场主正遭受两面夹击：上游生产资料被寡头垄断，不断涨价；下游销售渠道被巨头控制，极力压价。
某种角度来说农业生产早就不是市场经济了。
先看看上游生产资料的获取方面。
在传统农业中，农民保留上一季种子用于来年播种，这是几千年来自然循环。但在现代生物技术加持下，转基因种子往往被设计成「绝育」或受到极其严格专利保护。
根据国际可持续粮食系统专家小组（IPES-Food）发布的报告《Too Big to Feed》，全球商业种子市场超过 60% 份额、农化产品 70% 份额，仅掌握在四家跨国巨头手中：拜耳（Bayer）、科迪华（Corteva）、中国化工（ChemChina）和巴斯夫（BASF）[6]。
这种极端的垄断带来的效果就是种子、化肥、农机价格的不断攀升。
美国农业部（USDA）数据显示，从 1990 年到 2020 年，农作物种子价格上涨幅度远超通胀，部分作物种子成本翻了数倍。
销售渠道层面，农民会更加被动，因为农产品有 3 个特性：
一、农产品有保质期
工业品库存积压的结果是折旧，农产品库存积压的结果是价格归零。
这赋予了收购方至高无上的权力：等待权。
在谈判桌上，拥有冷库、加工厂和资本的大公司可以等待；手里捧着烂番茄的农民等不起。
这种时间上的不对称，迫使农民必须接受报价，无论多低。
二、农产品价值密度低
一吨芯片价值数百万，运费几乎可以忽略不计；一吨甘蔗才几百块，运费占比极高。
这就划定了一个物理上的「销售半径」。如果你种甘蔗，你只能卖给方圆 50 公里内糖厂。超出这个距离，运费将吃掉所有利润。
这在经济地理学上被称为「空间买方垄断」。在这个半径内，往往只有一家加工厂或粮库。对于该区域农民而言，这家工厂就是唯一上帝。即使全国有十家粮商，但如果你的村子周围只有一家，全国市场的竞争对你毫无意义。
三、刚性需求规模
粮价跌一半，人不会一天吃六顿饭；粮价涨一倍，人也不能不吃饭。
这意味着只要有微小的供应缺口，农产品价格都会剧烈波动。
农产品的特性对于大型农企来说是可以攫取暴利的良机，然而对于分散的小农户来说，他们面对的是一个悖论：丰收时，由于需求不增加，价格暴跌（谷贱伤农）；欠收时，虽然价格上涨，但手里没货。
可以说在现代农业生产中，《多收了三五斗》中农民的窘迫状况并没有任何改善。
农民想要突破这样的困境，必须进一步扩大土地规模，集约化生产，才能修的起自己的冷库，买得起足够昂贵的农机，只有超大规模工业化农场，才能分摊昂贵技术成本，足够高的生产效率才能保证自己能够获得一点点规模化带来的利润。对于那些经营规模没那么大的农民来说，破产是唯一的选项。
根据美国农业部（USDA）发布的《2022 Census of Agriculture》统计，2022 年美国农场总数为 190 万个。相比 2017 年减少了 14.2 万个（下降 7%）。如果把时间拉长，1935 年美国有 680 万个农场，至今已消失了 72%。
所有规模类别的农场数量都在减少，唯独那些面积超过 5,000英亩（约20平方公里） 的超大型农场数量在增加 [7]。
大部分失地的农场主会被迫受雇于收购他们土地的大型农业公司，或者变成季节性的操作农机的工人。
当然这并不是结局，更糟糕的还在后头。
农村地区的人均阿片类药物处方量远高于城市 [8]，因为长期从事农业的人，普遍患有慢性背痛、关节炎等职业病。
土地最终失去，劳作不再需要，身体的疼痛和精神的绝望交织，原本的「止痛」迅速转化为「成瘾」。
农民失去了土地，失去了劳动自主权，失去了身体健康，最后还要失去尊严。
中国古代王朝末期土地兼并到极致，也不够如此。
文章写到这里肯能很多人会奇怪，为什么一篇关于人工智能的文章要花费如此多的笔墨来撰写现代农业生产？
因为农业的今天，正是所有产业的明天。大模型将显著加速这一过程。
原因有二。
其一，大模型的加持下，绝大多数产业产能将迅速过剩，进而撞上「刚性需求规模」的铁壁。
以内容产业为例，即便 AI 让优质内容/产品呈指数级增长，人类注意力终归有限。全中国每人每天刷 6 小时抖音已是生理极限，再多的时间也变不出来。
这意味着，生产者卷生卷死制造更多内容，除了增加平台生态丰富度、赋予平台更高定价权外，对自身毫无裨益。
回看前文提到的农业困境，AI 时代的从业者正面临完全相同的死局：
首先是定价权与准入权的丧失。
现代农民无法决定种子的价格，甚至无法决定是否拥有种子。在 AI 时代，掌握核心模型的大公司同样拥有「开关权」。
你的产品或许很棒，但如果 Claude 不对中国地区开放，或者 OpenAI 决定封禁你的 API 接口，业务瞬间就会像断了水的庄稼一样枯死。
这种对上游生产资料（模型算力）的绝对依赖，让下游应用层公司毫无议价能力。
其次是销售渠道的「空间买方垄断」。
农民受限于 50 公里的运输半径，只能卖给唯一的糖厂。而在数字世界，物理半径变成了算法半径。
尽管互联网理论上连接全球，但如果没有算法推荐，你的产品在数字世界就是隐形的。平台是唯一的收购商，它决定了你的劳动价值是几百万还是零。
最后是库存积压的归零效应。
农产品卖不出去会烂在手里，内容若无人消费，其价值耗散得比烂番茄还快，毕竟内容本身基本上都是具有时效性的。
在供需极度不平衡的市场里，拥有流量分配权的平台可以无限期等待，而急需变现的开发者和创作者等不起。
其二，现代农民并非传统语境下的自耕农，本质是背负资产的小企业主或农业工人。
这种身份困境，与现代社会其他产业分工如出一辙。
千万不要觉得身为「小公司」或「独立工作室」就能幸免于难。农业生产的历史告诉我们，大公司剥削的恰恰就是小农场主，直到把他们剥削成一无所有的农业工人。
未来的产业格局将极其残酷：垄断巨头一头控制生产资料（大模型、云算力），一头控制消费终端（用户注意力）。在大模型的加持之下，平台很快会成为类似于「终产者」那样的巨型企业，就好像四大农企对农业领域的垄断一样，把社会的方方面面都垄断起来。
夹在中间的 MCN 机构、SaaS 公司、独立开发者，就像那些拼命贷款买农机的小农场主。他们看似拥有资产，实则是在为平台打工。
平台向 MCN 收租，MCN 向创作者收租，创作者向算法乞讨。
在这个过程中，平台的优势还会不断增加，消费者使用 AI、创作内容、在平台上交互本质是在无偿劳动——数据被用来训练模型，增强平台的统治力。
比起农业生产更可怕的一点在于，如果仅仅是平台垄断了销售渠道与定价权，那还是「垄断资本主义」。但实际上这种控制权超越了经济范畴，进入了规则制定的范畴。
想象一下，如果你生活在一个城市里，供水公司（资本家）不仅收你水费，而且：
由于数字空间天然的「赢家通吃」属性，导致原本应属于公共基础设施（如市场、支付、交流渠道）的「数字水电煤」，被少数私人公司彻底垄断。
当然不能说平台天然就是邪恶的，就好像平台很多时候的封号、降权和下架行为初衷都是为了维护消费者的利益，十几年前中国黑出租问题不断，现在有了滴滴这样的垄断出行平台，大家对于出租车最大的吐槽已经从「随意加价/拒载」转变成了「味道不好闻」，不知道进步了多少倍。
只是当这些公司不再通过卖产品赚钱，而是通过控制这些基础设施，向所有在此生存的人收取「买路钱」（地租），并且施加了调控手段，无论他们出于什么样的出发点做出这些动作，从结果来说已经形成了类似中世纪领主与农奴的依附关系。
这就是希腊前财长 Yanis Varoufakis 所描述的「技术封建主义」。
大模型并不是造成这些这些现象的根因，毕竟技术封建主义这个词提出来的时候大模型还未崭露头角，但大模型会显著加速这个过程。
行文至此，很多人可能会觉得这篇文章是不是在危言耸听。
很多人会习惯性的把历史上的工业革命的逻辑套入到这一次 AI 革命内，认为大模型带来的效果虽然会让一小部分人走上神坛，但是最终会让大部分人受益。
对于这个结论我是持怀疑态度的，尽管我非常希望这些人的结论就是正确的，但是实际上还是很难做到这么乐观，原因如下：
一、大模型对所有行业都会有挤出效应。
和以前的工业革命不同，农民失地了会进入城市成为工人，虽然说这日子不见得比原来当农民好过多少，但是多多少少还是会产生更多的的新岗位。
然而大模型的挤出效应几乎是对全行业生效的，这是一个非常基础性的变革。
二、我们当前面临的是生产过剩的危机。
历史上的工业革命，信息革命之所以可以快速带来普惠，有一个很重要的原因是当时整个全球来看面临的还是生产不足的危机。
以互联网信息革命为例子，这场革命自是二十世纪 80 年代开始的，刚巧碰上了中国改革开放，13 亿人口的统一市场是非常难得的机遇。
而现在我们要面对的问题是移动互联网人均时长见顶的困境，就像我在上文提到的，我们很快会因为产能过剩导致撞上刚性需求规模，哪怕有再多的短视频，用户也没时间看了。
三、就算是以往的工业革命中，被机器替代的工人们日子也是非常难过的。
机器纺纱普及以后，导致纺织工人们产生大规模、长时期技术性失业，尤其是对女性而言。新生工厂纺织业所创造就业岗位，远不足以弥补失去工作。
1806 年时，纺织工周平均工资是 240 便士，到 1835 年，他们周平均工资约为 60 便士[9]。
四、极大地生产力不等于人均可以获得极大财富
还是拿农业举例子。我们经常可以看到一个说法，叫做全球的粮食产量足够养活 100 亿人，有 1/3 的食品被发达国家的国民浪费等等类似的说法。本文不会用这么粗糙的数据来指责分配不均匀，因为全球粮食问题是一个涉及到多个国家、基础建设、粮食运输等大量问题构成的一个综合问题。
我就说一个国家，美国的食品分配问题。
美国农业部（USDA）经济研究局发布的报告：《2023年美国家庭粮食安全状况》（Household Food Security in the United States in 2023）显示，2023年，美国有 13.5% 的家庭（约1800万户）处于“粮食不安全”状态。
这意味着这些家庭在一年中的某些时候，由于缺乏金钱或其他资源，无法为家庭成员提供足够的食物。其中，有 650万户家庭处于“非常低的粮食安全”水平。
哪怕在食物多的根本吃不完的美国，也还是会有人饿肚子。
本文花费诸多篇幅强调现代农业的现状，其实是想强调，文章的重点不是关于失业的讨论，也不是关于人类怎么和 AI 协作的讨论，是关于在极高生产力条件下，社会财富如何分配的根本性问题。
如果农业生产的今天就是所有产业的明天，当 AI 推广之后，上面这些数字只会更加触目惊心。
AI 解决的从来只是生产力的问题，如果我们乐观的认为 AI 也会解决分配问题那就是痴人说梦。如果我们不重视分配问题，不重视技术进步带来的失业/就业困难，那么生产力进步带来的只会是更大的贫富差距。
所谓的技术进步让大多数人受益，从来不是自然发生的，它需要无数人的努力。
如果只是看目前世界上绝大部分国家在农业领域交出的答卷，基本上都是负分。生产端极端垄断，分配端哪怕最发达的国家也有接近 13.5% 的家庭会被饥饿困扰。
但是还真有一个国家不太一样，那就是中国。
2020年后，中国宣布消除了绝对贫困，意味着从统计上讲，因贫困导致的“长期饥饿”已被清零。
所以我们有理由相信，面对 AI 造成的普遍性的失业问题，中国政府会比美国政府处理的更好！中国相比于美国发展人工智能最大的优势就是制度优势！
还得是咱们伟大的祖国啊，牛逼！
参考文献
[1] 160人卖了217亿，AI应用首个大额套现项目，CEO解密成功秘诀
https://36kr.com/p/3281084272272256
[2] AI产品数据对比：一分没花的DeepSeek一骑绝尘，Kimi六小龙花钱还受伤
https://finance.sina.com.cn/roll/2025-02-08/doc-ineiuwqr8517923.shtml
[3] 60+ Stats On AI Replacing Jobs (2025)
https://explodingtopics.com/blog/ai-replacing-jobs
[4] Generative AI as Seniority-Biased Technological Change: Evidence from U.S. R´esum´e and Job Posting Data
[5] Vibe Coding，是怎么「玩废」程序员的？
https://mp.weixin.qq.com/s/5LP9E6A__gsJvuNS1QGonw
[6] TOO BIG TO FEED
[7] 2022 Census of Agriculture
https://www.nass.usda.gov/Publications/AgCensus/2022/index.php
[8] Empire of Pain: The Secret History of the Sackler Dynasty
https://www.supersummary.com/empire-of-pain/summary/?locale=zh_CN
[9] What happens to the weavers? Lessons for AI from the Industrial Revolution
