AI未来十年传导

关于 AI 的讨论，最常见的错误是跳步：看到模型会写代码，就断言程序员将消失；看到模型能读片，就预测放射科医生会失业。但技术能力不会直接变成社会结果——能做不等于划算，划算不等于企业能够规模化采用，被采用也不等于就业和收入会按预想改变。

历史上的通用技术也经历过类似落差。电动机早已成熟，生产率跃升却要等到工厂围绕它重构生产流程；计算机普及后，索洛也曾感叹它“无处不在，唯独没有出现在生产率统计中”。技术要真正改变社会，必须经过经济性的筛选、组织的转化和利益的再分配。

因此，本文把未来十年 AI 带来的变化拆成四层来分析：

技术层：AI 能做到什么？

任务经济层：做这件事是否比人更划算？

组织层：企业能否把这种优势转化为生产率？

社会层：生产率和权力结构的变化由谁承担、由谁获益？

四层之间是一条自上而下的传导链：技术划定能力边界，任务经济性筛选出划算的任务，组织决定这些任务能否规模化落地，最终在社会层面体现为就业、收入与制度的变化。同时，社会层会通过监管、资本与社会反馈影响技术发展方向，通过劳动力供给与市场需求影响组织决策。

一、技术层

技术层划定的是可能性的上限。它包含四个维度：能力、可靠性、成本，以及支撑这一切的算力与电力。

能力的扩张大概率会继续，但边界是锯齿状的。 过去几年，大模型从对话走向推理，从生成文本走向调用工具、操作软件、执行多步骤任务。未来十年，最重要的能力变化不只是"答得更好"，而是"做得更长"：AI 能独立完成的任务时长和步骤数不断拉长，从几分钟的问答扩展到数小时乃至数天的项目型工作。但这种能力并不均匀。

模型可能在奥赛级数学题上表现出色，却在一个普通人觉得简单的表格核对中犯低级错误。能力边界不是一条平滑的线，而是一条参差不齐的锯齿，这决定了"AI 能做某个职业"这类说法几乎总是不准确的，目前AI 只是能做某个职业中的某些任务。

可靠性比能力更决定落地速度。 一个任务 90% 的时候做对，和 99.9% 的时候做对，在经济上是两个完全不同的东西。演示视频展示的是能力上限，而真实生产环境要求的是稳定下限。尤其当 AI 以代理形式执行长链条任务时，每一步的小错误会累积放大，十步各 95% 正确，整体成功率就只剩六成左右。未来十年，技术层最值得关注的进展之一，是可靠性工程的成熟：更好的自我检查、形式化验证、工具约束和可追溯的执行记录。

单位成本在快速下降，但总支出在快速上升。 同等能力的单次调用价格下降速度远超摩尔定律，这意味着许多今天不划算的应用会在几年内变得划算。但与此同时，最前沿模型的训练和推理投入仍在攀升，单位成本下降和总需求爆发同时发生。

算力与电力正在成为物理约束。 这是技术层中最容易被忽视、也最"硬"的一环。数据中心建设受到芯片供给、电网接入、变压器交付周期、冷却用水和地方审批的限制。软件可以一夜迭代，电厂和输电线路却需要数年。未来十年，AI 的扩张速度在很大程度上将取决于能源基础设施的扩张速度，而这已经不是一个纯技术问题，而是涉及产业政策、地缘政治和地方社区意愿的问题。

技术层的输出是哪些任务 AI 原则上能做，做得多稳，花多少钱。

但是，值不值呢？

二、任务经济层

这是我认为整个框架中最重要的一层，也是目前friction比较多的地方，AI 做是否真的划算？

判断一项任务该不该交给 AI，常见做法是拿"token 价格"去比"人工工资"。但真正该比较的是两边的完整成本。可以用一个简化的决策公式来表示：

其中，p 是出错概率，L 是一次出错造成的损失，N 是任务量。

人做的成本不只是工资，还包括人出错带来的损失。AI 做的成本则包括五项：调用成本（算力、订阅、开发）；验证成本，即确认结果正确所需的人力和时间；错误损失，即 AI 出错概率乘以单次损失；集成成本，即把 AI 接入现有系统和流程的投入，需要按任务量摊薄；以及责任成本，即出了问题后的法律、声誉和监管后果。最后一项"新需求"，指成本下降后，过去不值得做、现在可以做的事所创造的价值。

只有当 V 大于 0，并且最坏情况企业承受得起时，AI 才会真正被完全采用。这些数值很难精确计算，但公式告诉我们该关注哪些变量。

第一，决定替代速度的往往不是能力，而是错误代价和验证难度。 出错代价低、容易验证的任务，如草拟邮件、生成商品描述、编写有测试覆盖的代码，会最先交给 AI。出错代价高但容易验证的任务，如财务对账，适合"AI 做、人抽检"。出错代价低但难验证的任务，如一般性建议，会被大量使用但质量参差。出错代价高又难验证的任务，如复杂医疗诊断、重大法律判断，即便 AI 很少出错，乘上巨大的 L 后错误损失仍然很高，会长期保持"人主导、AI 辅助"。

抽检只对随机错误有效。如果 AI 在某类场景中系统性出错，抽检很难发现，错误还会成批出现。这类风险不体现在平均出错率上，却决定了最坏情况企业能否承受。

第二，验证成本常被低估。 有些任务"做比查难"，比如写一段能通过测试的代码，检查很快，AI 的经济性极强。有些任务"查比做难"，比如审阅一份长篇研究报告，逐条核对引用和推理可能比自己写还费劲。这类任务中，AI 产出越多，人的验证负担越重，验证成本可能吞掉全部收益。

第三，责任是经济问题，而不只是伦理问题。 很多工作需要人来做，不是因为只有人能做，而是因为需要有人签字、有人持证、有人在出事时被追责。只要法律和保险体系还没为 AI 的错误明确归责，责任成本就会居高不下，企业宁可多付工资。

第四，成本下降可能扩大需求，但不保证就业不下降。 当一件事变便宜，人们往往会做得更多，这就是杰文斯效应。ATM 早期降低了开网点的成本，网点反而增多，柜员工作转向销售和咨询。但当手机银行进一步取代线下网点，这个行业也进入了净收缩。AI 降低了软件开发、法律文书和数据分析的成本，可能释放出小企业定制软件、普通人法律咨询等新需求。需求扩张可以延缓就业下降，却不能保证就业不下降，替代效应和需求扩张谁更强，因行业和阶段而异。

所以，任务经济层输出是一份"划算的任务清单"。它的颗粒度是任务，而不是岗位：大多数岗位只有部分任务跨过划算线，因此更常见的是岗位内部的分工重组，而不是岗位整体消失。

这份清单也在不断移动。技术进步降低 AI 的出错率，劳动力短缺推高人工成本，责任规则成熟降低责任成本，每一次变化都会让一批新任务变得划算。而集成成本能否被摊薄、任务量 N 能否做大，取决于企业能否真正把 AI 嵌入核心流程，这就进入了下一层：组织。

三、组织层

划算的任务清单交到企业手中，并不会自动变成生产率。组织层要解决的，是把局部的任务优势转化为整体绩效的问题。这一层有三个核心议题：流程重构、岗位分工与治理。

流程重构决定收益是局部的还是系统的。 最初级的做法是在旧流程里给员工配一个 AI 助手。这样见效快，但天花板低，因为瓶颈会迅速转移：代码写得快了，评审和测试成了瓶颈；报告写得快了，审批成了瓶颈。真正的跃升来自围绕 AI 重新设计流程，就像当年工厂围绕电动机重建厂房，而这恰恰是组织最难改变的东西。

岗位分工会变，但组织不一定变扁平。 当 AI 接管大量执行性任务，剩下的工作会向判断、协调、验证和对结果负责集中，一个人可能从"亲自做"转向"管理若干 AI 代理去做"。但组织会不会因此扁平化，取决于一笔账：AI 省下的协调工作，是否多于它新增的验证、审计和异常处理工作。在任务数字化程度高、结果容易衡量、责任划分清楚的组织中，AI 更可能扩大个人管理幅度、压缩协调层；在高风险、难以观察 AI 行为的组织中，它反而可能催生新的审计和治理层。

AI 对员工能力的影响也是分化的。 在标准化程度高的任务中，AI 能把优秀员工的做法复制给新手，缩小绩效差距。但在定义问题、判断结果和整合资源的环节，资深者往往更会用 AI，差距可能反而拉大。更值得警惕的是，AI 让新手更快完成工作，未必让他们更快成长。

治理决定企业敢不敢大规模放手。 数据能不能喂给模型？AI 的决策如何审计？出了错谁负责、如何回滚？这些问题没有答案，企业就会停在"到处试点、处处不敢推广"的状态。未来十年，AI 治理可能像信息安全一样，成为企业的基础能力。

成功转型的企业可能经历"J 曲线"。 前期在数据、流程和培训上投入大量成本，收益几年后才显现，生产率先降后升。但这是一条可能路径，不是必然规律，不少企业会停在只有投入、没有回报的阶段。由于这些投入大多是难以计入统计的无形资本，宏观数据中的 AI 生产率贡献也可能先被低估、后被集中体现，这也正是索洛那句话在今天的翻版。

此外，不同组织的采用速度会拉开差距。大企业资源充足但流程僵化，中小企业灵活但缺数据和人才，而从第一天就围绕 AI 设计流程的新创企业没有旧包袱，可能用很小的团队完成过去需要大团队的业务。行业格局的变化，未必来自老企业"用上了 AI"，而来自 AI 原生组织的挤压。

组织层的输出是"规模化采用"：哪些企业真正把 AI 嵌入核心业务，并获得可持续的生产率提升。到这一步，AI 的影响进入社会层。

四、社会层

当 AI 在大量组织中规模化落地，问题就从企业效率变成社会分配。社会层内部同样有一条传导链：生产率提升 → 收益在消费者、资本和劳动者之间分配 → 分配比例由市场竞争、关键瓶颈归属和劳动者议价能力决定 → 形成收入与权力格局的变化 → 触发政策反应。

生产率提升本身并不直接带来广泛繁荣，中间还要经过市场结构、所有权和制度。

第一步：收益流向哪里。 生产率提升的收益有三个去向：通过降价流向消费者，通过利润流向资本，通过工资流向劳动者。在竞争激烈的市场中，很大一部分收益会以降价的形式流向消费者；在集中度高的市场中，收益更容易留在少数企业手里。

第二步：谁决定分配比例。 首先是市场竞争程度。其次是关键瓶颈归谁所有：前沿模型、算力、能源、数据和分发渠道高度集中，掌握这些瓶颈的公司和国家，将获得更大的收益份额和话语权。再次是劳动者的议价能力：技能是否稀缺、能否组织起来、是否容易转岗。

第三步：收入与就业格局如何变化。 从前几层可以推出，一次性、大规模的岗位消失并不是最可能的图景，更可能的是持续的任务重组。但"总体不是灾难"不等于"每个人都没事"，冲击会高度集中。

其中最值得警惕的，是初级岗位的"学徒阶梯"断裂。初级律师整理案卷、初级分析师清洗数据、初级程序员写简单功能，这些恰恰是 AI 最先变得划算的任务。企业少招新人，短期省了成本，长期却切断了培养资深人才的通道。再加上 AI 可能让新手"做得快、长得慢"，十年后谁来成为需要判断力的资深专家，是一个单个企业没有动力解决、整个社会必须面对的问题。

收入差距的变化也会朝不同方向作用。在部分标准化任务内部，AI 可能缩小员工之间的差距；但在劳动与资本之间、头部企业与其他企业之间，差距可能扩大。最终结果不由技术决定，而取决于上一步的竞争、所有权和议价结构。

第四步：政策如何反应。 当收入和权力格局发生变化，政治压力会推动制度调整，集中在几个领域：责任认定、数据与版权、安全与风险管理、竞争政策，以及再培训和社会保障。各国的不同选择，会让 AI 在不同经济体中呈现截然不同的社会后果。

而政策反应，正是反馈回路的起点。

五、反馈回路：社会结果如何反过来塑造技术和组织

社会层产生的结果，会通过两条反馈回路重新进入系统，改变上游的条件。

第一条回路：劳动力供给与市场需求，影响组织决策。 老龄化让护理、制造和物流人员稀缺，人工成本上升，更多任务跨过划算线；反过来，劳动力充裕时替代的紧迫性会下降。需求端同样重要：消费者是否信任 AI 客服，患者是否接受 AI 参与诊疗，客户是否愿意为"人工服务"付溢价，都会改变企业的选择。如果 AI 冲击导致大面积收入下降，消费需求本身也会萎缩，反过来抑制企业投资。

第二条回路：监管、资本与社会反馈，影响技术方向。 如果法律要求高风险场景的 AI 决策可解释、可审计，研发资源就会流向可靠性，而不只是能力上限；责任规则明确后，责任成本下降，高风险行业的闸门随之打开。资本流向决定哪些技术路线获得持续投入，过度乐观可能带来泡沫，泡沫破裂又会让投入骤然收缩。公众对隐私、版权、深度伪造和就业的担忧，会转化为政治压力，影响能源审批、数据中心选址和产品发布节奏。

所以，未来十年的 AI 不是一条被技术单向决定的轨道，

而是一个不断自我调整的系统。

六、时间轴：未来十年的可能节奏

结合上述分析，可以粗略勾勒出 2026—2036 年的一种可能节奏。需要说明，这是基于传导逻辑的情景推演，不是预测。外部预测的分歧也很大：2026 年一项针对经济学家、AI 从业者和超级预测者的调查显示，多数人预期 AI 能力到 2030 年大幅进步，但对经济增长的影响只是温和提升。分歧不在技术能不能实现，而在技术能否转化为经济结果，这正是本文第二、三层讨论的问题。

第一阶段（约 2026—2028 年）：能力领先、采用滞后。 AI agent 能独立完成的任务时长持续快速增长，单位成本下降，但数据中心用电和电网接入开始成为硬约束。低错误代价、易验证的任务率先大规模转向 AI，编程、客服、内容生产和文书处理是主战场。多数企业停留在试点，生产率收益难以在宏观数据中体现。社会层面，整体就业尚未出现明显冲击，但初级岗位招聘收紧已有数据迹象。

第二阶段（约 2029—2032 年）：流程重构、分化加剧。 如果可靠性和责任规则取得进展，更多中等风险任务跨过划算线。领先企业完成流程重构，与落后者差距拉大，AI 原生小团队开始挑战传统企业。部分经济模型也估计，AI 对生产率增长的拉动会在 2030 年代初达到峰值。就业结构调整从局部走向广泛，收入分配和行业集中度的变化开始进入统计数据，政策应对进入实质阶段。

第三阶段（约 2033—2036 年）：制度开始定型，或出现分叉。 如果反馈回路运转顺利，新的职业、培训和社保安排初具轮廓，AI 以"人机协作、责任明确"的方式进入高风险领域。如果收益过度集中、调整成本长期由少数群体承担，就可能引发强烈反弹，通过监管和社会压力放缓整个进程。

以上年份只是基准情形。电力建设受阻、资本周期逆转或监管收紧，会让时间表后移；可靠性突破或劳动力短缺加剧，则会让它前移。

总结

这个框架的价值不仅在于解释，还在于提供一套观察变化的方法。与其追逐每一次模型发布的新闻，不如在每一层盯住少数关键信号。当某一层的信号出现明显拐点，就意味着传导链上的一道闸门正在打开，下游的变化即将到来。

任何只看技术能力的判断，都会系统性地高估短期冲击、低估长期变化：短期内，可靠性、验证、集成、责任和组织惯性会大幅延缓落地；长期看，一旦流程重构完成，变化可能比线性外推更深刻。AI 的未来并不是一个等待被揭晓的答案，而是一个正在被塑造的结果。技术决定了我们能走多远，但走向哪里、由谁受益、由谁承担，仍然取决于企业的组织选择和社会的制度选择。