AI正在拉平一部分效率、知识和行业门槛，但真正值钱的东西正在换地方。AI焦虑的人分两种。一种怕被AI干掉，另一种已经用上AI，却发现自己还是赚不到钱。我最近刚好见了两个这样的人。一个做了很多年商业影片拍摄和后期，AI正在切走他的一部分基础业务。另一个直接进入AI短剧，按现在的说法，他已经站到了“新生产力”这一边。结果殊途同归：都没赚到钱。一个怕饭碗被砸，一个已经端上新饭碗，结果发现碗是漏的。把这两个人放在一起看，我突然发现，我们可能一直问错了问题。大家都在问：“AI会不会替代我？”但另一个同样重要的问题是：“即使我用上AI，为什么钱也不一定流向我？”AI改变的，不只是工作由谁完成。它还在改变客户愿意为什么付钱，以及创造出来的价值由谁获得。要看清这件事，我想抓住两个关键变量：稀缺性和所有权。

01｜AI不一定炒你鱿鱼，但会把你的工作拆开，重新标价

先说做商业影片的那个人。他没失业。复杂的商业影片依然需要创意、拍摄、现场调度、审美和客户沟通。客户真正想表达什么，现场出了问题如何处理，成片能不能达到商业目的，这些事情没有因为AI出现就自动解决。但过去需要专门制作的一些基础素材、常规剪辑和简单包装，AI已经能够参与完成。这意味着，过去客户买的是一整套能力，现在可能开始拆开算账：哪些部分还需要你？哪些部分可以交给工具？既然制作时间缩短了，报价能不能也降一点？职业名称没变，但支撑这个职业收入的任务组合，正在变化。上海科技大学教育、创新和可持续发展研究中心2026年发布的报告，以2022年至2026年4月的7.43亿条招聘原始记录为数据底座，经去重等处理开展分析。报告强调，理解AI对就业的影响，需要深入岗位内部，看任务怎样被拆分、转移和重新组合。这里的7.43亿条是原始记录，不是7.43亿个独立岗位。研究摘要客服就是一个容易理解的例子。查询订单、回答常见问题、解释标准规则，与处理争议、协调退款、应对异常，本来就不是同一种任务。Salesforce在2026年公布的LY Corporation客户案例称，AI每月解决约4.8万封常规咨询邮件，复杂问题则携带上下文转交人工。这是供应商披露的单一客户案例，但它具体展示了一种变化：机器接走一部分任务，人继续处理另一部分。客户案例所以真正该问的，不只是“我的职业会不会消失”，还有：我的职业里，原来值钱的十种能力，未来还有几种值得客户单独付钱？AI对收入的影响，可能早于职业的消失。

02｜AI最可怕的，不只是替代，还有拉平

AI有点像从马车进入火车时代。最早用上火车的人当然有优势，但当竞争者都能坐火车，“跑得快”就不再是你独有的本事。AI也是一样。最早会用的人，可以赚工具差、信息差和效率差的钱。别人一天完成的工作，你一个小时做完；别人需要三个人，你一个人就能交付。只要报价和订单还在，这种效率就可能变成利润。但问题是，别人会追上来。铁路要铺轨道、建车站。软件能力的扩散却可能快得多。一次模型升级，就可能把你花三个月练熟的操作，变成很多人都能使用的功能。所以，AI不是没有效率红利，而是单纯依赖工具熟练度的红利，可能很快被竞争消耗。更重要的是，AI降低的不只是执行成本，还有获取公开知识、完成基础工作的门槛。以前进入陌生行业，要先学术语、工具、流程和案例。现在，AI能帮你更快理解这些知识，甚至做出一个看起来像样的初步成果。一个没做过视频的人，可以借助AI写初稿、生成画面、配音和剪辑。他未必已经懂内容生意，但确实能够完成一部分过去需要训练才能完成的工作。这就是为什么很多人觉得：我拿着AI，是不是可以直接进入一个完全不懂的行业？某些基础业务，确实可以更快进入。但AI给了你这项能力，也给了其他人。当进入者增加，供给增长快于需求，同质化业务的价格就容易受到挤压。而且，工具普及并不意味着所有人的能力都会一样。懂得判断结果、拥有真实业务数据、能够组织交付的人，也可能用AI进一步扩大优势。被拉平的，主要是那些越来越容易复制的能力。入行越来越便宜，真正懂行依然有价值。

03｜为什么会AI的人，还是赚不到钱？

说回那个做AI短剧的哥们儿。他已经站到AI这一边，为什么还是赚不到钱？因为很多人把工具、效率和生产能力，直接当成了商业价值。先说工具。今天花三个月练成的操作，明天可能就是软件里的一个按钮。客户付钱是为了得到结果，并不会因为你曾经学得辛苦，就一直接受原来的报价。再说效率。别人三个小时完成，你半小时完成，当然是优势。但如果竞争者也只需要半小时，大家开始降价抢单，省下来的成本就可能转移给客户。最后说产能。一天能生产一百条内容，不代表市场就需要这一百条内容。没有观看、没有转化、没有采购，多出来的产量也可能只是多出来的成本。企业也会遇到同样的问题。MIT NANDA项目2025年的一份初步研究报告称，其研究样本中约95%的组织尚未获得可衡量的生成式AI财务回报。报告基于公开项目、访谈和调查，并存在样本限制，不能据此断言“全世界95%的AI项目都失败了”。但它提出的问题很实际：采用工具与改善经营结果之间，还有距离。另一边，PwC的2026年全球AI就业报告发现，要求AI技能的岗位，相对于可比的不要求AI技能的岗位，招聘薪资平均溢价达到62%。这是岗位之间的薪资差异，不是说一个人学会AI，工资就会自动上涨62%。PwC报告这两项研究的样本和口径不同，不能直接拿来做因果比较。但它们并不矛盾：企业可以愿意为某种能力支付高薪，同时也可能把AI项目做得没有回报。关键在于，这项能力有没有真正进入业务，解决问题。AI是杠杆，但杠杆本身不保证赚钱。它能放大产出，不能保证这些产出有人购买。

04｜工作流能赚钱，但“会搭”和“懂业务”是两种能力

企业用AI改造工作流，有明确的商业价值空间。客服、销售、知识库、数据分析、财务流程，只要确实减少成本、增加收入或降低损失，就有付费理由。但“系统能跑”和“业务有效”，中间可能隔着很多问题。以一家零售企业的售后服务为例。把产品资料接进AI，让它回答常见问题，是第一步。接下来呢？库存不同步怎么办？顾客要求退款，谁有审批权限？促销规则刚改，系统去哪里获取新版本？AI判断不了，怎样转给人工？如果这些问题没有解决，演示时顺畅的系统，到了真实业务中就可能不断出错。员工还得检查、返工，最后未必省下多少时间。所以客户真正购买的，是问题被正确处理、流程能够稳定运行，而不只是一个会聊天的界面。这也是FDE——Forward Deployed Engineer，通常译为前沿部署工程师——值得关注的原因。这类工作强调深入客户现场，把技术落实到真实业务中，远不止连接几个工具。以OpenAI公开招聘的医疗行业FDE为例，岗位要求涉及临床与运营工作流、电子病历等系统集成、隐私要求、评估和人工复核机制。衡量成果的重点，是实际采用和可衡量的工作流改善。岗位说明这件事很有意思：模型可以越来越通用，落地却仍然需要具体的行业知识。如果你只卖“我会搭工作流”，通用工具越来越简单，你就容易被替代或压价。但如果你服务了几十家零售企业，积累了可复用的方法、标准模块和处理异常的经验，客户选择你的理由就更多了。前者回答“能不能搭出来”，后者还要回答“应该怎么搭、怎样才算有效、出问题怎么办”。当然，这些积累也需要持续更新。行业经验不是免检证书，最终仍然要用结果说话。

05｜AI不只冲击底部，也在拆头部的旧优势

再回到AI短剧。一部剧能否赚钱，不能只看生成速度。收入要看采购、分账或其他变现，成本还要包括剧本、制作、算力、人工、修改和推广。降低一个环节的成本，不等于整个项目就有利润。《中国新闻周刊》2026年6月的报道提供了一个具体案例：深圳一家设计公司的创始人白无常，投入约20万元制作11部AI漫剧，上线一个月后只获得几百元收益。他复盘时提到，作品集数偏少，广告展示空间有限；团队偏重设计风格，也没有充分契合市场需求。这个案例不是“不会制作”，而是制作能力没有顺利转化为市场回报。同一报道中，有从业者称万播收益降至30—50元，也有受访者反映低至5元。这些是不同从业者的情况，不能当成所有作品统一适用的平台单价。但对创作者来说，已经足够提醒自己算一笔账：假设一部剧总成本5000元，最终每万次播放收入只有5元，那么仅靠这项收入，需要1000万次播放才能覆盖成本。这里还没有考虑额外推广和其他支出。效率提高了，收入端如果下降得更快，利润仍然可能减少。这也不只发生在小团队身上。过去头部创作者的一部分优势来自分工：有人找资料、有人写稿、有人剪辑、有人做图。现在普通创作者借助AI，也能更快完成基础生产。但这不代表大团队就没有优势。资金、渠道、品牌、独家资源和组织能力，仍然可能很重要，甚至因为AI而得到进一步放大。真正发生变化的是：只靠“人多、做得快、更新勤”，越来越难解释为什么读者一定要看你。当制作和信息整理更容易获得，差异就更需要来自一手信息、判断、信任、行业经验和分发能力。AI会削弱一部分旧优势，也会放大另一部分优势。关键是，你拥有的是哪一种。

06｜AI越强，选对问题就越重要

到这里，钱为什么没有自动流向“会AI的人”，已经越来越清楚了。AI能够帮助执行，但仍然要有人决定：做什么？为什么做？什么结果才算好？错误会造成多大损失？让AI生成一千篇没人看的文章，产量很高，商业价值却可能很低。让一条生产线在相同投入下提高合格产出，收益就能够进入企业的账本。川宁生物的发酵生产，是一个具体例子。科伦药业2025年半年报披露，川宁生物与上海金珵科技合作开发ManuDrive工业自动控制系统。按照当时的实验数据，在相同物料投入下，AI调控发酵罐的平均产量比对照组高3%—5%。这是特定实验条件下披露的结果，不等于所有产线都能获得同样提升。为什么这样的改善值得企业投入？因为它直接对应物料、产量和生产效率。但产量提升也不能直接当成净利润提升。企业还要扣除系统投入、运行维护和其他增量成本，并确认质量、销路和稳定性。这才是商业价值需要接受的检验：不是演示看起来多惊艳，而是长期运行以后，账上究竟改善了什么。所以，AI时代值得争取的能力，是识别一个重要问题，选对解决办法，验证效果，并处理异常。执行成本下降以后，选错问题的代价，并不会跟着下降。

07｜老兵需要关注的，不只是AI替代你，还有AI如何学会你的经验

工作十年，不等于拥有十年的壁垒。有人积累了十年的判断，也有人只是把第一年的标准流程重复了十遍。真正有价值的经验，是标准答案失效以后，你仍然知道怎么办。但这部分经验，也不是永远不能被技术学习。《经济日报》2026年8月对振华重工的采访显示，算法、工艺和检测人员共同跟班作业，由老师傅指出异常并说明判断依据，再把熔池图像、电信号和判断对应起来。在其钢桥项目板单元焊接场景中，系统对未焊透、咬边、气孔等缺陷的识别准确率达到98%。这个数字对应具体应用场景，不代表所有焊接任务的通用准确率。这件事值得注意的地方，是经验正在从个人脑子里，进入可以反复使用的系统。但过程并不是把老师傅叫来聊几个小时，AI就什么都会了。现场判断需要被记录、结构化，再经过验证。很多人知道“这次感觉不对”，却未必能立刻解释清楚为什么。而且，经验数字化也不必然意味着老师傅被淘汰。它可以减少返工、帮助传承，也可能让老师傅把时间用于更复杂的问题。真正需要想清楚的是：当你的经验进入系统以后，你在其中承担什么角色，又通过什么方式分享后续价值？一次项目报酬、长期维护收入、产品权益，是不同的回报方式。经验被采用，不等于你自动拥有最终产品；产品属于企业，也不代表你的贡献就没有价值。行业经验要变成可持续的个人积累，既要能结构化、能复用，也要弄清相应的权益和回报。

08｜怕AI的人和已经进入AI的人，分别该怎么办？

如果你怕被AI替代，先别只盯着新工具，拿张纸，把自己的工作拆开。哪些任务高度标准化？哪些AI已经能辅助完成？哪些任务仍然依赖现场、客户信任、审美、异常判断、组织协调和结果责任？对那个做商业影片的人来说，值得探索的是：让AI承担更多基础生产，自己把时间放到客户需求、创意判断、现场执行和最终交付上。但这不能停留在“我有审美”“我懂客户”的自我评价。需要验证，客户是否真的认可、愿不愿意付费，项目最后有没有利润。所以，对很多行业老兵来说，我更建议：先把AI带回你最懂的行业。你长期接触的问题，可能正是只懂工具的人看不到的问题。如果你已经进入AI，却没有赚到钱，就别只问“下一个模型是什么”。你需要问：谁会付钱？他为什么付钱？你替他解决的问题有多重要？收入扣除全部成本，还剩多少？多久能回款？再问一个更长远的问题：项目做完以后，你留下了什么？是做完一单就归零，下一单继续从头找客户、从头交付？还是留下了可以复用的方法、产品模块、行业信誉和持续合作关系？本来懂行业，再学会用AI；或者本来懂AI，愿意深入行业，这两条路都可能成立。最终都需要走到同一个地方：找到真实需求，做出可靠结果，建立能够持续运转的生意。

09｜稀缺性影响议价权，所有权影响你能留下多少价值

现在回到开头的两个变量。稀缺性回答的是：客户为什么选择你？所有权回答的是：创造出来的东西，你拥有什么权益？这里的稀缺，并不是单纯“别人不会”。一个没人需要的绝活，再少见也很难卖出价钱。真正有用的稀缺，是客户需要，而且不容易找到替代。所有权也不是“什么都要自己拥有”。你不必自己训练模型、建设平台，才能赚钱。使用别人的基础设施，仍然可以经营自己的产品和业务。问题在于，如果工具能力大家都有，获客依赖单一平台，报价由别人决定，你又没有可复用的产品和方法，就容易一直停留在被动接单的位置。即使你是很厉害的专家，如果每一笔收入都必须由自己重新投入时间完成，增长也会受到时间和精力限制。更有积累的方式，是逐渐把经验变成标准服务、可复用模块、产品、品牌信誉，或者明确的长期收益安排。需要分清，客户关系不等于拥有客户，接触数据不等于有权使用数据。真正能够留在手里的，是合法可用的资源、明确的权益，以及别人愿意持续选择你的理由。这些积累也需要维护，并不保证躺着赚钱。但它们至少让前一次投入，有机会帮助下一次交付。不要只算这一单创造了多少价值，也要算做完以后，自己增加了什么。

10｜这也不只是个人努力的问题

为什么要强调价值归属？因为把视角拉远，生产率提高以后，多出来的收益，本来就不会自动进入每一个劳动者的口袋。一个人用AI把产出提高了，如果工资安排没有变化，收入未必同步增加。一个小团队节约了成本，如果同行竞争让报价下降，节约下来的钱也可能主要让客户受益。经济史上关于“恩格斯停顿”的讨论，讲的就是工业革命时期，产出增长与工人实际工资增长在一段时间内脱节的现象。黄益平在2026年的署名文章中提醒，需要警惕AI技术红利过度向资本集中，出现类似的收入分配问题。这是对风险的判断，不是对“AI版恩格斯停顿已经全面发生”的认定。国际劳工组织与经合组织2025年发布的报告指出，2004—2024年全球劳动收入份额下降约1.6个百分点。国际劳工组织此前估算，如果维持2004年的份额，2024年的全球劳动收入将高出约2.4万亿美元，按不变购买力平价口径计算。这不意味着劳动收入总额下降了，也不能把过去二十年的变化都归因于生成式AI。它提醒我们的是：经济增长与劳动者分享增长，是两个需要分别讨论的问题。除了所有权，竞争格局、议价能力、税收、劳动制度和社会保障，都会影响财富如何分配。所以，AI能否创造更多价值是一回事，新增价值由谁获得，是另一回事。个人需要考虑自己的能力和权益，社会也需要考虑技术红利如何被更广泛地分享。生产率提高，可以让蛋糕变大；但怎样分蛋糕，不会由技术自动解决。

11｜最后，别再只问AI会不会替代你

如果你现在对AI焦虑，先问自己三个问题：我的工作有多少正在变得标准化、容易复制？这些部分拿走以后，我还有什么是客户需要、又不容易替代的？我创造出来的价值，最后通过什么方式变成自己的收入和积累？回到开头的两个人。做商业影片的人，需要重新辨认哪些能力仍然值得客户付钱，再用AI改善交付和成本。做AI短剧的人，需要把生产能力放回完整的生意里，算清受众、收入、成本、分发和回款。一个不能只守着旧手艺，一个也不能只追着新工具。AI让一部分事情更容易完成，但不会自动保证有人购买，也不会替你决定收益归属。你可以借助它跨过一道门槛，却仍然需要找到自己的客户、差异和经营方式。所以，如果明天你离开现在的平台、公司和职位，你真正能带走什么？是经过验证的判断、可以复用的方法、长期建立的信誉，还是你拥有权益的产品和业务？这些东西，才可能成为你在AI时代真正的底牌。别光焦虑，先看看自己手里有什么，又准备把什么留下来。AI焦虑，看稀缺性。AI变现，看所有权。我是老刘，别人看风口，我看钱往哪流。