ARTICLE · 1290083

a16z本周图表:AI的焦虑,从“抢走工作”转向“扩建能否回本”

发布时间：2026-11-01 10:58:03 最近访问：2026-11-01 10:58:04

2026年10月30日，a16z发布《Charts of the Week: Job FUD Fades》。这篇文章讨论的是三组正在变化的信号。“AI抢走工作”的担忧有所降温，市场对算力扩建能否回本更为焦虑。与此同时，AI参与购物开始显现商业价值。

Note：

“AI正在造成大规模失业”的叙事有所降温。与AI和失业相关的新闻报道已回到约一年前的水平，8月和9月明确归因于AI的裁员公告也是年内最低。微软向约6万名员工提出离职买断方案，容易引发联想，但公司没有将其归因于AI。作者并非认为AI不会改变就业，而是认为目前仍缺少“大规模替代已经发生”的证据。

与此同时，技术和建设相关岗位的招聘需求在回升。Indeed数据显示，自去年10月以来，工程师、软件工程师和制造业岗位的招聘信息分别增长约30%、26%和13%，人力资源岗位也回到疫情前基线。作者认为，这至少与另一种可能性相符：建设AI基础设施、把AI投入实际工作，也会增加对人的需求。不过，他没有把招聘回升全部归因于AI。

基建投资带动的工作，不只发生在软件行业。文章举了爆破作业人员的例子：其时薪中位数约30美元，比整体劳动者高约20%—25%；约71%的从业者不超过34岁。作者借此说明大规模建设对技能工种的需求，但也提醒，各州薪资差异很大，职业构成和样本量都可能影响这些数字。

（这些招聘数据挺不可思议的。。。

电商本身还在增长。在这个持续扩大的市场里，AI改变购物过程的迹象开始出现，尤其是在商品发现和比较环节。Visa上一财年收入约460亿美元、支付量15.7万亿美元，收入同比增长近15%。Visa并非纯电商指标，但这仍反映出旺盛的消费和支付活动。Bain的调查也显示，更多消费者计划参与黑五、Prime Day和网一购物，只有10%表示会完全避开这些促销。因此，不能把线上购物的增长都归功于AI。Adobe数据显示，由AI引导进入电商网站的用户停留更久、浏览更多页面、转化率更高，带来的收入比非AI引导流量高约50%。这说明AI可能送来购买意愿更强的顾客，但不能据此断言AI独自创造了这部分消费。Meta在美国和加拿大的平均广告价格连续两个季度同比上涨超过20%，作者同样将其视为值得观察的变现变化，而非单独归功于AI的结果。

市场眼下更担心的是：Token价格下降，能否支撑不断上涨的算力投入？一边是GPU租赁价格上涨，另一边是Token价格下跌。有人借用石油行业的“裂解价差”概念，把两者之差解读为模型服务趋于商品化、算力投资将难以回本。同期，AI扩建相关债务的保险成本上升，年初跑赢的“AI赢家”股票组合也回吐了相对收益，反映出市场情绪的转向。

作者认为，这个“算力与Token价差”不能直接用来判断AI需求或利润归属。GPU不像原油，无法按固定比例转化为Token。Token单价下降时，用量仍可能增长得更快，最终支出也可能增加。用不同来源的数据粗略估算，今年5月以来的Token支出增幅分别约为160%和122%：方向都是增长，幅度却差得很远。

更大的问题是，我们看到的Token数据并不代表整个市场。OpenRouter、Ramp等平台只覆盖向它们开放用量或支出数据的部分客户，大型企业的大量需求不在样本里；进入样本的用户还可能更倾向于主动选择便宜模型。另一组对比也显示出口径差异：亚特兰大联储调查中的企业AI支出均值超过每名员工每年1000美元，而Ramp数据中的中位数约为每年188美元。两者不能简单比较，却足以说明目前难以凭单一指标推算全市场支出。

这篇文章真正要提醒的是，情绪变化快于可验证的数据。就业端尚未证实大规模替代，消费端出现了积极信号，而算力端最关键的Token总用量和总支出仍不透明。市场正在用局部指标判断整轮AI扩建的前景，但这些指标还不足以回答：需求最终能增长到多大，又由谁获得足够的回报。

以下是报告和图表搬运：

就业恐慌消退

上周，微软宣布向 6 万名员工——约占员工总数四分之一——提出自愿离职补偿方案。如果所有人都接受，成本可能达到约 100 亿美元。这一消息引起了不少关注。

微软并没有明确把这项方案归因于 AI。事实上，微软 CFO 表示，目标是‘让员工有选择权’，她预计接受人数不多，因为公司内部仍有很多机会。大多数人也没有把它炒作成‘AI 要抢走所有工作’的故事。即使 AI 起了任何作用，普遍猜测的也是微软的资本开支承诺，可能是削减开支这一决定背后未明说的原因。

这类猜测或许有道理，也可能没有。但从更大的趋势来看，AI 引发的就业末日论中的恐惧、不确定与怀疑（FUD），似乎已经从五月时的狂热高点有所退潮：

关于 AI 和失业的新闻报道，已经回落到大约一年前的水平；而八月和九月明确宣布的‘与 AI 相关’裁员数量，也是今年最低的。

这并不意味着 AI 没有改变劳动力市场，也不意味着这些变化已经进入后期。它们很可能才刚刚开始。但当时那些关于 AI 将大规模取代人类的激烈断言缺乏证据——现在同样如此。看起来，末日论者已经转而关注其他事情。

如果再考虑到越来越多的证据表明，AI（或其他因素）正在显著推高技术和非技术岗位的需求，那么就业恐慌消退就更容易理解了：

根据 Indeed 的数据，软件工程师、制造业岗位，尤其是工程师职位的招聘信息，延续了自去年以来的上升趋势。通常被视为招聘增加信号的人力资源岗位，也终于回到了疫情前的基准水平。

进一步细看，近期技术人才招聘前景的改善更加明显：

从去年十月以来，工程师、软件工程师和制造业岗位的招聘信息分别增长约 30%、26% 和 13%。

这几乎就像 AI 的出现同时推高了两类人才需求：一类是建设AI 所需基础设施的人，另一类是把 AI 用起来的人。真令人意外。

另外，Charts 特别喜欢谈资本开支历史性激增后，安全帽工种所迎来的机会。Lightcast 提供了一个很有意思的观察：在美国大多数州，爆破工作收入相当不错，尤其是在北卡罗来纳州和纽约州：

时薪中位数约为 30 美元，这意味着爆破工的收入中位数比普通工人高出约 20% 到 25%。

再来一条关于职业爆破的有趣事实。

与更广泛的技术工种相比爆破作业人员相对年轻：

约 71% 的爆破作业人员年龄在 34 岁及以下。

公平地说，这些数据展示了爆破与军火作业人员时薪中位数的显著差异，即使经过生活成本调整后仍是如此。因此，对这些醒目的数字应保持一定怀疑。样本构成和样本规模可能都影响了结果：例如，纽约州整体生活成本调整系数，未必能反映纽约都会区与实际爆破作业所在地之间的生活成本差异；而‘爆破作业人员’也可能包括北卡罗来纳州的军用弹药专家、加州的特效爆破人员，以及爱荷华州弹药工厂的流水线工人。

即便如此，如果你年轻、有冲劲，现在似乎正是学习编程、学习焊接、学习如何把东西炸开的好时候。

今天不行，AI 就业末日论。今天不行。

AI 导流，消费者买单

Charts 之前提到，智能体购物还处于早期，但有些数据表明，人们已经相当愿意让 AI 直接帮忙结账。这并不意味着消费者没有越来越多地在购物过程中使用 AI，也不意味着整体电商增长正在放缓。

恰恰相反，网购只会越来越普及。

以 Visa 为例。这家信用卡网络巨头并不能完美代表电商，但可以作为大致参考。Visa 刚刚报告称，过去 15 年来全年营收增幅最大（不计并购以及疫情后的复苏年份）：

Visa 上一财年创造了约 460 亿美元收入，对应 15.7 万亿美元的交易额，同比增长近 15%。对于一家规模庞大、业务成熟的企业来说，这意味着大量刷卡交易和手续费。

这些是已经发生的情况。至于接下来会怎样，数据同样显示消费者对电商的兴趣仍在上升。贝恩的消费者调查显示，在电商最重要的季节——假日购物季——消费者的购物意愿普遍提高。

更多消费者表示，他们计划参加黑色星期五、Prime Day 和网络星期一的购物活动，只有 10% 的人说会完全避开这场电商盛宴。

关键在于，电商已经举足轻重，而且并未停滞不前。电商在整体零售支出中的占比仍在扩大，丝毫没有放缓的迹象。

好吧，这和智能体购物、AI 有什么关系？或许没有，也或许有。

还记得吗？消费者很喜欢用 AI 比价，这意味着电商促销最旺的时期尤其适合 AI 大显身手。同样，AI 在消费者购物过程中发现商品、比较选择的环节越来越受欢迎；也有一些证据显示，‘由 AI 导流’的消费者购买意愿较强，进入网站时已经准备好消费：

根据 Adobe 的数据，由 AI 导流的电商流量互动更多、停留时间更长、浏览页面更多、更容易转化（跳出率也更低）。也许最重要的是，与非 AI 导流流量相比，这类流量带来的收入高约 50%。

这些都是 AI 辅助购物相当不错的早期成果。有意思的是，谷歌自己也提到，AI 摘要搜索正在对传统搜索变现造成下行压力。谷歌已经看到了创新者的窘境，并选择全力投入。

此外，还有其他迹象表明，AI 正在消费者旅程中带来投资回报。Meta 很懂广告投放；值得注意的是，最近连续两个季度，Meta 在美国和加拿大的广告平均单价同比增长都超过 20%：

2024 年和 2025 年的大部分时间里，Meta 的平均千次展示费用基本稳定（不考虑季节性高峰）。因此，最近的上升趋势显然是一次真正的变化，而不是长期趋势的延续；看起来主要由信息流和快拍带动。Meta 确实提到过使用 AI 改进内部系统。也许这部分解释了广告价格上涨，但无论如何，这都是广告变现能力的一次显著跃升。

从更大的趋势来看，无论 AI 购物智能体是否即将普及，AI 显然已经影响了消费者行为，也影响了让电商成为可能的各层运营者及其经济效益。它给支付和商品发现带来了机会，电商零售商本身也受益。但与此同时，行业格局正在迅速变化，传统企业和挑战者可能会受到截然不同的影响。

机架价差将至（但为什么？）

谈到 AI 的投资回报，以及这对建设核心环节中最大支出方的影响，Charts 想停下来看看一些数据。这些数据未必是所有 FUD 的根源，但显然在相关叙事中占据了重要位置。

是的，如果你还没注意到，市场上确实弥漫着 FUD。春天时，人们担心 AI 太强，会夺走所有工作；如今的担忧则是，AI 不够好，无法在与资本开支相称的时间内产生足够回报。如果 AI 无法带来有意义的收益，资本开支就会放缓，芯片制造商会走弱，‘泡沫就会破裂’——大致是这样的说法。Charts 对看空者和看多者谁更有道理不作判断，只想指出，目前主导市场的是看空者。

例如，自夏季中期以来，为 AI 基建及芯片制造商相关债务购买违约保护的成本已经大幅飙升：

一般来说，债务保险成本上涨意味着市场认为违约概率也在上升。如果人们越来越担心底层投资无法收回，违约概率自然也会随之上升。

公平地说，这些变化并非全由 AI FUD 造成。债务成本总体上升了，而且新增债券发行如此之多，供需关系也会发挥作用。与昨天或明天相比，今天的借款成本溢价可能由违约风险以外的因素推动；但在这种情况下，这些因素显然没有帮上忙。

再看一个反映市场情绪转变的明显例子：

高盛的‘AI 赢家’股票组合，已经吐回了相对于高盛‘AI 风险股’组合的全部超额涨幅。又一次出现了两个阶段：一月至六月，AI 赢家大幅领先；七月至十月，赢家迅速回落，跌势甚至比此前冲上高空还快。

好吧，但 FUD 本身并不是重点。

重点是看其中一张似乎在 FUD 叙事中占据重要位置的图表。

这张图最近被称作‘Crunch Spread’。但正如 a16z 特约编辑 Alex Danco 指出的，‘Rack Spread’是个好得多的名字（你马上就会明白）。这张图有几个版本，核心意思是：

Token 价格正在下降，而 GPU 租赁价格却在上涨。

‘Crunch Rack Spread’指的是‘Crack Spread’（裂解价差）。这是大宗商品领域一个著名指标，指原油与其精炼产品之间的价差。（现在你明白了吧？‘Rack’既指服务器机架，发音又比‘Crunch’更像‘Crack’，因此比‘Crunch’这个名字好得多。）

对石油来说，裂解价差能反映供需失衡发生在哪一环：是把原油从地下开采出来（和／或跨海运输）时供需失衡，还是把下游成品油卖给终端用户时供需失衡？

在 AI 领域，这种说法把 GPU 比作原油，把 Token 比作下游产品（在这个类比中，模型就像炼油厂）。照这种说法，机架价差，也就是计算资源价格和 Token 价格之差，说明计算基础设施需求相对旺盛，而作为其下游产品的 Token 则相对供过于求。

这种说法暗示模型层面前景不佳：Token 正越来越像可互换的普通商品。这对计算层面也不是好消息，因为如果 Token 已经商品化，为什么还要花大钱购买算力，训练下一个更好的模型？大致上，这就是市场的叙事。

不过，‘裂解价差’这个类比有不少不恰当之处，其中最重要的一点是，石油及其下游产品受体积约束，而且终端需求相对已知：汽油产量不可能超过其来源原油的量。因此，裂解价差衡量的是相同体积单位之间的价差，显示把一定量原油加工成一定量其他产品能获得多少溢价。炼油利润率大致受此固定上限约束；尤其当石油总需求变化不大时，炼油商不能靠增加销量来弥补价差。换句话说，裂解价差很好地说明了能源产业这块蛋糕如何在开采商和炼油商之间分配。

相比之下，GPU 和 Token 之间没有等价的计量单位：不存在一桶 GPU，可以转化成等量的一桶 Token。Token 价格可能下降，但 Token 使用量仍能增加，因此 Token 总支出也可能上升。这不仅对模型公司有利——Token 需求的上限一直在提高——也几乎无法说明这块并非固定大小的经济蛋糕中谁更有话语权，更不用说最终各方的利润率了。

不管怎样，仍有一个显而易见的相关性：大约从七月开始，机架价差逐渐受到关注（同时 Token 成本下降），公开市场上的 AI FUD 也开始扩散。无论裂解价差这个类比是否成立，市场似乎都在从 Token 价格下跌、尤其是 Token 价格下跌这一现象中，读出某种看空‘AI 需求’的信号。

但关键在这里，也是 Charts 真正想表达的观点。

首先，即使你完全相信这些加权平均 Token 价格指数，它们仍然显示 Token 总支出在增加。更重要的是，不应该把这些指数当成绝对事实。它们确实有参考价值，也能显示趋势（Charts 以前用过，将来也会继续用），但数据来自规模很小且存在偏差的样本，完全不能代表 Token 使用量或支出的真实需求。数据供应商自己也明确披露了这一点。

无论是 Ramp、OpenRouter、Silicon Data 还是 Ornn 的数据，Token 使用量和支出都来自一小部分愿意向这些供应商公开数据的用户，而大多数大型企业——恰恰是需求主体——并没有公开。事实上，愿意公开支出和 Token 使用情况的用户，很可能正是那些最关注控制 Token 支出、并把任务路由给最低价模型的人。再说一次，样本既小又有偏差；这些数据源也从未声称不是如此，它们都很透明地说明自己测量的是什么。

这并不意味着它们的每 Token 价格数据不好或毫无用处，但它意味着，这些数据对实际 Token 消耗与支出的说明力，远没有人们想象的那么强。（这里不展开各种原因，但相比之下，GPU 指数价格是更有力的信号，尽管它也有局限。）

看一眼下面这笔关于‘Token 支出’的粗略估算：