夜雨聆风突发感来自情绪，但这次更可怕的是，背后确实有模型。宾夕法尼亚大学与波士顿大学的论文《The AI Layoff Trap》把一个残酷逻辑写清楚了：企业单独看“裁员+自动化”是理性，所有企业一起做却是集体自毁。
你看到的“10万+科技裁员”“80%工人暴露在自动化风险里”并不是孤立新闻，而是同一条链路上的不同节点：成本先降，工资先缩，消费先塌，收入后崩。最终，连最早裁员、最会裁员的公司也会被需求反噬。
这不是“某家公司判断错了”，而是“所有公司都判断正确，却把系统一起做错了”。
论文《The AI Layoff Trap》首页截图（2026-03-02）
为什么这会变成囚徒困境
对单个CEO来说，不自动化就会被竞争对手压价、提效、抢市场。自动化，短期利润表更漂亮；不自动化，可能季度就掉队。于是每家公司都被迫做同一件事：用机器替代可替代的人。
✦个体最优：裁员降低成本，毛利率改善。
✦系统失衡：被裁员工消费能力下降，需求池缩水。
✦跨行业传导：科技先缩，零售、服务、制造随后承压。
✦最终反噬：所有企业在更小的市场里互相厮杀。
“市场会自我修复”为什么在这里失效
很多人相信市场会自动把事纠正回来：工资会调整，岗位会重建，需求会再平衡。问题是，论文指出这个过程在AI冲击下可能慢于裁员速度。当需求端塌得比再就业快，系统就会进入负反馈循环。
企业在追逐“效率胜利”，却可能同时制造“市场死亡”。
这也是为什么“大家都在裁员，所以没问题”是错觉。因为裁员的收益是私有的，需求坍塌的成本却被全社会分摊。外部性一旦出现，市场价格就不再反映真实社会成本。
为什么UBI和利润税不够
最容易想到的方案是发钱（UBI）和收钱（利润税）。但论文的结论很直接：这两者都难以精准抑制“过度自动化”本身。原因在于，它们处理的是结果分配，而不是行为激励。你没有改变企业“继续裁员最划算”的局部算式。
✦UBI难点：资金规模巨大、时滞明显，且无法直接约束裁员速度。
✦利润税难点：税基在利润端，无法精确打到“自动化替代”决策点。
✦共同问题：都不直接内生化需求外部性。
论文给出的唯一有效工具：庇古式自动化税
所谓“机器人税”，本质不是反技术，而是给技术加上真实社会成本。庇古税的目标是：当企业用自动化替代劳动时，把它对总需求造成的负外部性计入成本。让“对自己最优”尽量靠近“对系统可持续”。
真正的问题不是“要不要AI”，而是“AI替代劳动时，谁来承担需求塌陷的账单”。
这条路在执行层面当然困难：税基怎么定义、行业差异怎么处理、国际竞争怎么协调，都是硬问题。但至少方向是对靶点的：在决策发生的那一刻调整激励，而不是在系统崩坏后被动补洞。
给企业与个人的现实结论
企业侧，别再把“自动化率”当唯一KPI。真正该看的，是自动化后的新增需求、复购稳定性、行业整体支付能力。个人侧，别用“岗位名”定义自己，要用“能否把AI接进真实业务闭环”定义自己。未来的安全感，不来自职位描述，来自可迁移的系统能力。
✦企业管理层：把“需求弹性”纳入自动化决策模型。
✦产品团队：优先做“增量收入自动化”，而非“纯替代型自动化”。
✦个体从业者：把自己训练成“人机协同系统设计者”。
✦政策制定者：尽快从“事后救助”转向“事前激励校正”。
📌 关注「清华小明」
如果你也在做 AI 转型，这里持续更新：趋势判断、商业模型拆解、可落地执行框架。
看见陷阱不难，难的是比别人更早构建穿越陷阱的能力。
— ✦ —
参考来源：arXiv 论文《The AI Layoff Trap》（Brett Hemenway Falk, Gerry Tsoukalas, 2026-03-02），以及公开科技裁员统计报道（2025年超10万量级）。
