AI的增与减:各行业影响规律的全景地图

引子：一张财报里的两个方向

前几天有一组数据在我脑子里一直转。

中国电信2026年上半年，通信服务收入2130亿元，同比下滑；天翼云618亿元，同比增长7.8%；更扎眼的是中国移动那张表——通信服务收入3504亿元，同比-5.7%；AIDC（AI数据中心）收入，同比+486.1%；智算服务收入53亿元，增速130.1%。

同一张财报，同一个季度，同一家公司：一边在掉，一边在飞。

这不是中国电信或中国移动一家的故事。这是AI对每一个行业影响方式的缩影——增和减几乎总是同时发生，但几乎从不在同一条线上。

我上一篇写了"中间流量之死"：AI直接出结果，用户对"中间环节流量"（点击、浏览、翻页、广告曝光）的需求崩了，但token流量暴涨5000倍。那一篇讲的是流量层。这一篇我想把镜头拉远——AI对各行业的影响，有没有一个通用规律？有的。而且这个规律可以浓缩成一句话：

AI压缩的是"中间环节经济"，放大的是"结果经济"和"判据经济"；决定一个具体业务是增是减的，是五个变量。

下面是这张全景地图。

第一章·规律一：增减的同时性

先破掉一个最常见的错觉——"AI颠覆某某行业"。

单线颠覆叙事太粗糙。真实的数据是：AI对每个行业的影响，都像运营商那张财报——增和减在同一行业里同时上演，只是分在不同业务线上。

看明白这张表，就明白为什么"AI颠覆XX行业"这种标题永远是错的——没有哪个行业被整体颠覆，被颠覆的只是行业里那根"中间环节"的脊柱。

所以第一个规律是：别问"AI会不会冲击我的行业"，要问"我的行业里，哪根线在减、哪根线在增、我在哪根线上"。

第二章·规律二：减的是"中间环节经济"

被AI压扁的那半，有一个共同的名字——中间环节。

中间环节不是贬义词。过去三十年，它养活了最多的人：搜索引擎是信息中间环节，门户是内容中间环节，集成商是交付中间环节，初级程序员是代码中间环节，客服是服务中间环节，投顾是决策中间环节，中介平台是交易中间环节。

它们共同的特征只有两条：要么靠"信息不对称"赚钱，要么靠"重复劳动"赚钱。

而这两条，恰恰是AI最擅长压缩的东西。

我把中间环节分成三类，各自在被AI以不同速度压扁：

信息中介（找）：搜索点击、门户浏览、广告曝光、比价、翻译、文献检索。

• 翻译98%替代风险、历史学家91%、校对91%——这些岗位的本质都是"在信息海洋里帮人找到对的那一条"，AI直接出结果，中介价值归零。
• 零点击搜索美国68%、中国AI搜索零点击58%——用户不再"找"，AI替他"找完"。

交付中介（做）：初级程序员、客服、数据录入、合同审查、客服话术、政企集成人天。

• 初级程序员岗位自2019年-65%（SignalFire）；22-25岁AI高暴露岗位就业-13%（Stanford/Brynjolfsson）；客服45%替代风险；Anthropic使用数据显示数据录入、医学转录、数据库架构是AI覆盖率最高的三类。
• 你的知乎截图里那句"20天的项目2天完成"，就是交付中介被压扁的声音。

决策中介（判断）：初级投顾、初级法律助理、初级风控、初级诊断。

• 法律文档审查时间-45%；银行85%可疑交易AI自动标记；保险26%理赔AI处理。
• 这一类压得最慢，因为判断要担责——但压得最狠，因为一旦被压，剩下的就是"判据经济"的暴涨（见第三章）。

规律二：中间环节含量越高的业务，被压得越快。判断你自己的业务，先数一数它有多少成分是"帮人找/帮人做/帮人判断"的中间环节——含量越高，警报越响。

这一章和我体系里好几条判断咬合：应用层真空（商场上千店铺AI微乎其微，因为它们大多还停在"中间环节"形态）、中间流量之死（注意力经济的地基是信息中介）、按人头计费崩塌（政企集成是交付中介的人力版）。

清华博士、前腾讯研究院袁晓辉（《Token经济》合著者）给了一个最精确的数学表达——阿姆达尔定律：一个系统能加速到什么程度，取决于其中无法被加速的部分。她讲的原话是："员工用AI后个人效率可能提高几倍甚至十几倍，企业效率不一定能同步提高。"因为组织中还有担责、验证、审核、管控这些必须逐层走的环节，一个环节变快了，其他环节没变，整体仍然快不起来。这就是"减的是中间环节经济"在组织内部的精确版本——AI压扁了一个中间环节，但只要还剩下一个未被压扁的中间环节，企业效率就还是被那一个拖住。对你做"减法体检"的直接含义：不是把某一个环节AI化就够了，要把整条链上所有中间环节一起列出来，看哪一个是阿姆达尔瓶颈——那一个才是真正决定你企业效率上限的。

图：Anthropic的高速增长体现了阿姆达尔组织定律

第三章·规律三：增的是"结果经济+判据经济+蓝领基建"

增的那半有三个方向，第三个最反直觉。

方向一：结果经济（token流量）

• 中国日均Token调用量2024年初1000亿→2026年6月500万亿，两年半5000倍；
• Gartner：2026全球推理支出2330亿美元，首次超过训练支出1900亿；
• IDC：全球Token年消耗2025→2030年CAGR高达3418%；智能体单任务消耗是对话的百倍千倍。

谁靠近"结果"谁增——这是智力内燃机篇的判断落地：智力革命的庞然大物还没造出来，但token工厂已经在爆发。

方向二：判据经济（垂直专业判断）

• AI技能岗位增长69%（PwC），是整体市场的8倍；AI技能工资溢价25%(2024)→56%(2025)→62%(2026)，部分行业达118%；
• 中国AI岗位渗透各行各业：广告/传媒/教育/文化近三年增速354%、医疗148%，制造业仍是规模最大的传统AI岗位行业；
• 58同城已涌现近50类"人机协作"新岗位——人从"编码者"转向"架构师"和"审查官"。

谁越靠近"不可替代的判断"谁增——这是你"判据即护城河""垂直判据密度"的判断在就业层的硬投影。

方向三：蓝领基建回流（最反直觉）

• OpenAI宣布未来几年新建37000个岗位，其中35000个是数据中心建筑蓝领岗；
• 黄仁勋：AI数据中心是本世纪最大规模建设潮，将创造大量电工、水管工、建筑工、钢铁工的六位数年薪机会；
• WEF：2025-2030全球AI数据中心累计投资预计超30万亿美元（路透/普华永道）。

白领被AI压缩，蓝领在AI基建侧暴涨——这是整张地图里最被低估的一条线。它直接咬合你早就立下的"脑体不对称"判断：物理世界的执行层（蓝领基建、具身、维护）比智力层的中间环节慢，但一旦AI基建铺开，蓝领反而是AI时代最稳的就业底座。

蔡昉（中国社科院）用"J字型曲线"概括AI对就业的影响——短期阵痛、长期上升；又用"E字型分化"说人群受益不均。这张地图给出J和E的具体形状：J的下行段是中间环节，J的上行段是结果+判据+蓝领基建；E的左翼是中间环节从业者，右翼是判据持有者和基建蓝领。

规律三：增长不在"被AI赋能"这个含糊标签里，而在三个具体方向——结果流量、垂直判据、AI基建蓝领。三者共同的根是"不可被压缩成中间环节"。

袁晓辉还讲透了一条跟判据经济直接咬合的判断——"AI放大汇报效率不放大决策"。她原话："如果企业一号位不清楚使用AI的目的，可能出现PPT和汇报材料越来越漂亮，却没有给营收增长带来贡献。AI提高的只是汇报效率，甚至只是提供了更多情绪价值。流程变快不等于经营变好，使用AI也不能代替管理者作出判断。"这句话是陶哲轩"瓶颈从证明移到理解"的组织版——放大器放大产出不放大判断，在组织里就是放大汇报不放大决策。判据经济的崛起，恰恰是因为决策这一环AI放大不了，所以它反而成了最稀缺、最值钱的能力。Kimi那句"100次迭代、1000次品鉴、10000小时钻研"强调品味不是学历，本质就是把"判据密度"做成了新门槛——而品味之所以值钱，恰恰是因为它是AI唯一放大不了的那一类能力。

第四章·规律四：决定增减的五个变量（应对的核心）

前三章讲现象，这一章讲怎么判断你自己。我把一个具体业务是增是减，拆成五个可操作的变量：

变量一：中间环节含量
你业务的产出里，有多少成分是"帮人找/帮人做/帮人判断"的中间环节？含量越高，越减。
体检法：把你的收入拆成"中间环节收入"和"结果/判据收入"两块，看比例。运营商通信服务收入是中间环节（管道），AIDC是结果（算力直接出结果），比例一比就清楚。

变量二：判据密度
你的判断是否专业、稀缺、可外置验证？越垂直越增。
体检法：你的判断能不能被一个标准量表/可验证指标固化下来？能固化=判据可外置=可被AI放大；不能固化=要么你是顶级创始人（综合数值，难测评），要么你在中间环节里。

变量三：数据不移动性
你的核心数据是留在原地还是被拿去训模型？留在原地越增。
这是AI4S篇那条判断的镜像——"以前是数据被去训模型，以后最值钱的数据留在原地，模型进去"。礼来开放10亿美元数据但要求贡献验证数据、V-Secure五家药企联邦学习、Tempus营收+38%——掌握独家数据的人，议价权在涨。

变量四：可撤销性
你的业务动作可不可撤销？可撤销越增。
AOL篇那条判据：能预订别立即结算、能确认窗口别直接执行不可逆、可撤销留给系统、尾部风险交保险。AI时代，可撤销的业务（订阅、试用、人工复核门）比不可撤销的业务（一次性结算、不可逆执行）活得久——因为AI会犯错，可撤销是给AI犯错留缓冲。

变量五：责任归属
你的业务能不能担责？能担责越增。
三道门里责任门那条：判据可以外置，责任不能外置。AI能出结果，但出错了谁赔？能担责的业务（持牌、保险、人在回路二次确认）在AI时代反而升值——因为AI把"出结果"变便宜了，把"担责任"变贵了。

规律四：拿这五个变量给自己业务打分——中间环节含量高、判据密度低、数据可被随意拿走、不可撤销、不担责的，是高危业务；反过来，是AI时代的赢家特征。

第五章·十行业增减清单与应对动作

把前四章的规律落到十个行业，给你一张可直接用的清单：

这张表不是预测，是地图——你可以拿它对照自己的业务线，找到你在哪一格，再决定守、攻还是换。

第六章·怎么应对好：三类读者判据

给企业家：先做"减法体检"

别急着上AI。先做一件事：把你的业务按五个变量体检一遍。数清你有多少收入来自中间环节，多少来自结果/判据。

• 中间环节含量高、判据密度低：危险。你的护城河是"信息不对称"或"重复劳动"，AI正在把它抽掉。应对不是"用AI赋能中间环节"（那是给棺材刷漆），是把中间环节砍掉，把资源挪到结果层或判据层。
• 中间环节含量低、判据密度高：安全但别躺平。你的护城河是判据，AI会放大你——但要警惕"判据被AI复制"（proxy越硬漏的人越多那条）。应对是把判据固化成可外置可验证的标准，让AI放大你而不是替代你。
• 中间环节含量高、判据密度也高：分裂型。你同时有该砍的中间环节和该放的判据。应对是"一边砍一边放"——砍掉中间环节收入，把判据做成新品类。

记住运营商那张财报：通信服务-5.7%是该砍的，AIDC+486%是该放的，关键是别把砍的当成衰败、把放的当成意外——它们是同一场转型的两面。

给创业者：别做"中间环节的更好版本"

创业最危险的赛道，是给某个中间环节做"AI增强版"——AI翻译比人快、AI客服比人便宜、AI写代码比人多。这条路短期有流量，长期被AI自己吃掉（你做的AI增强版中间环节，会被下一代模型直接内置掉）。

两条更稳的路：

1. 做中间环节的替代品——不是更好的翻译，是让用户不需要翻译（直接出结果）；不是更好的客服，是让用户不需要问（产品自解释）。
2. 做结果层的新品类——一万元迎宾机器人、AI店长、BootLoops式科研工具箱、Token工厂、安全层harness。这些是"AI形状的问题"，不是"AI增强的中间环节"。

判断标准就一条：你的产品是让用户少走中间环节，还是让用户走更好的中间环节？前者增，后者减。

给投资人：盯"增减同时"的剪刀差股

最值得投的不是纯增赛道，是"增减同时、正在换骨"的标的——它财报里一边掉一边飞，市场把它当衰退股定价，其实它在换赛道。运营商里算力占比已经拉到48%的那些、传统软件公司里AI工程师占比过半的那些、半导体里从成熟制程转向推理侧的那些——剪刀差越大、换骨越深、被错杀越狠，机会越大。

同时配两条对冲：

• 增的赛道：算力/Token工厂、垂直判据（医疗法律金融的专业SaaS）、安全层（暗面越大安全层越值钱）；
• 减的赛道（做空或回避）：中间环节含量高、判据密度低、数据可被随意拿走、不可撤销、不担责的业务。

记住一条铁律：AI时代，"被AI引用"比"被点击"值钱5倍——投资也一样，投"被AI引用的资产"（数据、判据、权威信源），别投"被点击的资产"（流量、门户、中间平台）。

作者手记

1996年，我在北京做COL拨号上网。那时我建的是什么？是中间环节——拨号入口、域名注册、邮箱服务。那个时代，中间环节是生意，因为信息稀缺、连接稀缺，谁卡在中间谁收过路费。

三十年后，AI在做的事，是把这个中间环节一层层拆掉。搜索是中间环节，AI直接出结果把它拆了；集成商是中间环节，AI把交付效率提高几倍把它拆了；初级程序员是中间环节，AI写代码把它拆了。

三十年一个轮回：上一轮我建中间环节，这一轮AI拆中间环节。但这一次拆的，是智力层的中间环节——比当年拨号拆物理层中间环节，烈度大得多。物理中间环节（运营商管道）还能靠"增量不增收"苟着，智力中间环节被拆掉就是被拆掉，没有"增量不增收"的缓冲。

蔡昉说J字型——短期阵痛、长期上升。我同意长期上升，但我想补一句：J的下行段会很长，E的分化会很狠。中间环节从业者（白领、初级知识工人）的下岗潮，不是一两个季度的事，是三五年的结构换骨。而在这换骨里，赢家是三种人：手握判据的、手握数据的、手握AI基建蓝领的。

所以最后一句话送给所有在焦虑的人：别问AI会不会抢你的饭碗，问你手里握的是中间环节，还是结果、判据、或一根AI基建的钢筋。前者该换，后者该攥紧。