夜雨聆风AI 不是工业革命
我们处在 AI 的 1997 年
Benedict Evans 有一个被很多人认为「争议很大」的观点：AI 和互联网、智能手机一样重要，但也只和它们一样重要。不是工业革命，不是人类历史的分水岭，就是互联网级别的变化。这个判断让两拨人都不满意——一拨人觉得他低估了 AI，另一拨人觉得他怎么能把智能手机和 AI 相提并论。
但 Evans 的真正意思不是贬低 AI，而是校准预期。如果你经历过互联网泡沫，看过太多「改变一切」的承诺在 1997 年前后膨胀又破灭，你就会明白他为什么用这个类比。我们正处在 AI 的 1997 年：大部分东西还不work，大部分应用还没被造出来，连它最终会变成什么样都不清楚。唯一确定的是，变化已经开始了。
01
1997 年的感觉：激动但大部分东西不工作
把现在比作 1997 年不是随便说说的。那一年，互联网确实在改变世界，但如果你问它最后会变成什么样，没人说得清。搜索引擎是 Excite 还是 Yahoo 会赢？电商怎么送货？宽带什么时候普及？这些问题当时都没有答案，但这不妨碍互联网最终改变了一切。
今天 AI 的状态非常类似。模型能力在快速进化，但大部分企业应用还停留在「试试看」的阶段。Evans 提到一组调查数据：即使是最活跃的 13-18 岁年龄段，日活用户也只有 15-20%，周活用户再加 20%，剩下 60% 的人根本不用。这还是在年轻人群体里。
技术圈内部则完全是另一个极端。有人已经买了 Mac mini 集群，日常不再用 Google 搜索。但这两个群体之间的鸿沟，比很多业内人士想象的要深得多。你以为所有人都已经在用 AI 了，其实大部分人只是偶尔打开看看。
这种「采用分布」的不均衡，意味着现在做判断很容易出错。你可能在旧金山看到所有人都在谈论 Agent，但在传统行业，人们还在想这个东西到底能干什么。1997 年的互联网也是这样：有些人已经在线上做生意了，大部分人还在等拨号上网。
02
「工作末日」为什么不会明天发生
关于 AI 取代工作的讨论，Evans 的态度相当直接：那些在 Twitter 上喊着「所有公司明天就会买 ChatGPT，两周后裁掉所有人」的人，根本不懂企业是怎么运转的。一个典型的企业软件销售周期是 18 个月——如果你运气好的话。这个周期比很多创业公司的融资周期还长。
这不是因为企业保守，而是因为改变工作流程本身就是个巨大的工程。你不可能简单地把 SAP 撕掉换成某个 AI 产品。也许三五年、甚至十年后，整个企业软件栈会看起来完全不同，但这是逐步演进的过程，不是一夜之间的切换。
历史上有过太多次「这次不一样」的预言。1800 年，90% 的人是农民，最大的担心是庄稼歉收全家挨饿。之后两百年，每一次技术革命都在消灭工作，也在创造新工作。问题是，你能看见消失的工作，看不见还没出现的新工作。
会计是个特别好的例子。从算盘到打孔卡、从主机到数据库、从 ERP 到云、从电子表格到 PC，会计工具一直在自动化。但会计从业人数在整个 20 世纪持续上升，21 世纪还在涨。自动化没有消灭会计，反而让会计能做更多事。
03
咨询公司为什么反而被 AI 实验室收购
一个很有意思的现象：最前沿的 AI 公司——OpenAI、Anthropic——正在大举投资咨询服务，收购咨询公司。按理说，AI 应该让咨询顾问消失，为什么反而是最懂 AI 的人在雇更多的人？
答案藏在企业运作的真实逻辑里。公司不会有一群人闲着等你安排新项目。你想重新设计内部工作流程、想搞清楚哪些环节能用 AI 自动化、想把三个垂直系统接上两个水平系统——这些都需要人来做。这就是为什么企业会雇麦肯锡、BCG、埃森哲。
AI 可以帮你写代码、做 PPT、分析数据。但它不能告诉你应该做什么产品、谁是你的客户、怎么进入市场。这些「硬问题」不是任务本身，而是判断、政治、洞察——是顾问真正被雇佣的原因。那个 75 页的 PPT 只是交付物，不是价值本身。
Evans 打了个比方：亚马逊能帮你买到任何你知道要买的东西——只要你有 SKU。但如果你不知道自己想要什么麦克风，亚马逊帮不了你。同样，Claude 可以帮你写代码，但它不会告诉你该写什么代码。知道要做什么，本身就是另一种工作。
04
电梯操作员和投资银行家的区别
有些工作，任务就是工作本身。Evans 住在一栋有电梯操作员的楼里——不是按按钮的电梯，是那种有人拉操纵杆把你送到楼层的。这种工作在 50 年代后被自动化取代了，因为按按钮确实就是全部工作。
但更多时候，任务只是工作的一小部分。Excel 出现后，有人开玩笑说高盛的初级投行员工终于可以周五下午去吃午饭了。事实当然不是这样——他们只是做了更多分析、建了更多模型、熬了同样长的班。电子表格让事情变便宜了，但公司选择做更多事情，而不是用更少的人。
这就是经济学家说的「价格弹性」：当一个东西变便宜，人们通常会做更多，而不是花更少的钱。软件行业本身就是例子。写一个 iPhone 应用，90% 的代码是苹果替你写好的——驱动、文件系统、图形接口。但工程师数量并没有因此减少十分之一，而是涌现了更多应用。
真正的问题是：工作的「硬部分」是什么？写代码是硬部分，还是决定写什么代码是硬部分？做 PPT 是硬部分，还是搞清楚客户真正需要什么是硬部分？AI 可以自动化任务，但任务不等于工作。
05
现在该做什么
面对这种不确定性，Evans 的建议很直接：别把头埋在沙子里说「我讨厌这一切」。那样确实能给你道德优越感，你可以在社交媒体上大声谴责 AI 的邪恶，但这帮不了你。真正有用的是跳进去，搞清楚今天你能用它做什么。
这不是说你要成为 AI 专家，而是要建立直觉。就像 1997 年不需要每个人都懂 TCP/IP，但你需要知道互联网能做什么、不能做什么。那些在早期就建立这种直觉的人，后来往往比别人更快抓住机会。
Evans 提醒说，现在预测赢家还为时太早。1997 年你猜谁会赢？Excite？Yahoo？答案都不是。同样，现在讨论 OpenAI 是不是已经赢了、Anthropic 会不会反超，可能也是在问错误的问题。更重要的是观察：哪些应用场景真正创造了价值，哪些工作流程被真正改变。
AI 会改变一切，但我们不知道具体怎么变。这不是悲观，而是诚实。承认不知道，比假装知道更接近真相。在这个阶段，保持开放、持续学习、建立判断力，比押注任何一个具体结论更明智。
参考来源：
https://www.youtube.com/watch?v=BD3vLtWhT5A
