文 | ICT 解读者—老解
2026 年 6 月 10 日，Anthropic CEO Amodei 在自己的网站发了一篇长达数万字的政策长文《Policy on the AI Exponential》，给出了一个核心判断：AI 导致的就业减少，不是暂时的市场失灵，而是这项技术本身的内在属性。
他把整篇文章的重心放在了怎么应对上：建统计体系、搞就业缓冲、长期发钱。至于 " 内在属性 " 到底是什么，AI 替代人类的底层机制究竟是如何发生的，他一句话带过了。
结论先行，论证很遗憾地缺席了，或者 Amodei 认为这本就不值得花费时间论证。
刚好有一份重磅报告，把这个坑填上了。
香港大学人工智能、管理与组织研究中心（HKU CAMO）、中国信通院华东分院、模驭人工智能科技（上海）有限公司，联合发布了一份报告，题目叫《AI 大压缩：智能经济时代的生产范式转移》。
答案只有两个字：压缩。
我们们先看一个场景。
上海某律所，10 人团队。过去一份 5 页的 BD 方案，实习生写 5 小时初稿，律师审 30 分钟，合计 6.5 工时。使用 AI 之后，同样一份方案，1.2 工时搞定，降幅超 80%。
然后他们把多出来的时间用于接更多案子，年创收从 800 万涨到了 1000 万。
你可能会说，这不就是效率工具的故事吗？AI 帮你写得更快，仅此而已。
不仅如此，这份报告告诉你，发生的事比 " 更快 " 深得多。
你是一个昂贵的 API
这份报告反复在强调一个说法：人类，在传统的知识工作里，扮演的是一个昂贵且低效的 "API"。
什么意思？
一个业务需求，从提出到落地，中间要经过多少道工序？产品经理、架构师、前端、后端、测试、运维——六层分工，层层接力。每一次接力，都有信息衰减，都要开会，都要等人，都要对齐。
这六层分工不是最优解。它是人类认知能力有限的情况下，被迫搞出来的妥协方案。你没法让一个人同时处理所有事，所以你把活拆开，分给不同的人。
人，在这里充当的角色，是把需求翻译成代码，把代码翻译成功能，把功能翻译成业务结果。翻来翻去，每次翻译都有损耗，每次传递都有等待。
这份报告里有一个极限案例：一套 AI 原生的 CRM 系统，传统估算需要 50 人月，但 1 名工程师实际做完只用了 1.5 人月。
那多出来的 49 倍成本，不是 " 工作量 "，而是人与人之间的翻译成本。
人类技术史上的三次 " 压缩 "
报告说，人类技术史上，每一次重大的跃迁，本质都是把价值创造链条上的中间环节系统性压缩掉。
第一次：能源。从钻木取火到电网，几百年的事，就是不断地把 " 获取能量 " 这件事变得越来越简单。
第二次：材料。从 " 采矿→锻造→切削 " 的减材制造，到 3D 打印直接从数字模型出成品，中间那些工序，消失了。
第三次：信息。互联网出来之前，你要把信息传出去，要 " 创作→排版→印刷→分发 "，互联网把这个长链条压缩成了 " 创作→发布 "。
前三次压缩，消除的是人类认知活动的外部约束——获取能量、塑造材料、传递信息的物理摩擦。
这一次不一样。
这次，被压缩的，是认知活动本身。
" 人理解意图→人操作工具→工具输出结果 "，这个链条，被压缩成了 " 人理解意图→ AI 直接交付 "。
中间那层——那个每天坐在格子间里、在系统之间搬运信息、在会议上对齐理解、在文档里翻译需求的人——被压缩掉了。
四个方向同时 " 压缩 "
报告把这件事说得很清楚：AI 大压缩在四个维度同时发生，不是单线程的。
时间。AlphaFold 把蛋白质结构预测从几年压缩到小时级；合同审查从两周压缩到十分钟；" 两周交付 " 已不再是正常节奏，它变成了不可接受的低效。
空间。过去专业能力被专家和地理位置锁死。过去，患者看病要去大城市里的三甲医院。现在，西北一家二甲医院，引入 AI 影像诊断系统，3 分钟做完过去 15-20 分钟的诊断，还能检出过去基层医生容易漏掉的微小病灶。三甲医院几十年的阅片经验，被压缩进一个可部署的模型——以趋近于零的边际成本扩散到基层。
价值链。传统影视制作：创意构思→剧本→分镜→选角→拍摄→剪辑→特效→成片；AI 原生影视：人定义创意→ AI 交付视频。中间那几层，直接消失了。
组织。Salesforce 内部部署 Agentforce 后，客户支持团队从约 9000 人调整到约 5000 人，同期 AI 承担了约 50% 的客户对话，满意度没降。最近被马斯克收购的 Cursor，仅靠几十到几百人的团队规模，成了 SaaS 历史上最快从 0 增长至 10 亿美元 ARR 的公司。
报告里有一个句子，值得停下来想一想：" 产能的约束变量，从人手数，变成了算力供给。"
这不是一句话，这是一个商业逻辑的彻底翻转。
哪些行业会在 AI" 压缩 " 中先倒下？
报告构建了一个 " 动力 - 阻力 " 模型，把行业分成四个象限。
快速渗透区（高动力，低阻力）：软件开发、内容创作、基础财税、客服、投研。
这些行业数据高度数字化，容错率相对宽容，认知劳动成本占比大。AI 渗透这些行业，不是 " 是否发生 " 的问题，而是 " 已经发生到什么程度 " 的问题。
高潜突破区（高动力，高阻力）：医疗、法律、金融、先进制造。
这些行业技术阻力高，监管壁垒厚，但商业动力极强。渗透方式是 " 切片 " ——先从容错率高的子场景切进去（影像初筛、合同条款检索），积累信任，再向核心决策环节扩展。一旦突破，这些行业将成为大爆发中体量最大、利润最厚的价值高地。
规模普惠区（低动力，低阻力）：基础办公、标准化教育、通用聊天机器人。AI 能进，但利润薄；主要是普惠效果，不会引发行业结构的剧烈重组。
长期探索区（低动力，高阻力）：传统非遗、高端奢侈品定制、涉密政务核心决策。这些行业，短中期内 AI 基本进不去，行业结构保持相对稳定。
报告里有一个有意思的案例：英国一家做蛋白质晶体设备的十余人公司，七年没找到合适的中国供应商。不是因为中国没有——而是因为验厂、语言、跨国协调，每一项对十几人团队都是不可承受的成本。
引入 AI 之后，24 小时内收到十余家报价，两年内项目数扩展到约 40 个，跨 3 种工艺路径并行；本地 2-3 家供应商，变成了全国 11 家。
报告对这个案例的总结只有一句话：" 高门槛不等于不可渗透，关键是找到突破扩散门槛的临界条件 "。
AI" 压缩 " 的利润跑去哪儿了？
价值链中间层被压缩，由此产生的利润去哪儿了？
报告说，沿三个方向同时流动：
一、让给终端用户。过去你要花大价钱买的专业服务，价格下降了。私人医生、专属法律顾问、一对一财税咨询，从少数人的特权，变成可规模交付的基础服务。
二、被基础设施层截获为 " 系统租金 "。卖算力的、卖大模型的、卖云服务的，以 Token 和 API 计费的形式，稳定截获全行业数字化运转的基础租金。就像工业时代的电网和铁路——不直接参与具体业务，但所有业务都得经过它们。
三、意图发起层利润率实现跃升。拥有核心业务场景、独有数据、深度行业 Know-how 的企业，不需要再养一大帮中间执行团队，就能把意图直接对接 AI 完成交付，成本大幅降低，利润最为丰厚。
这个结构，和施振荣 1990 年代提出的 " 微笑曲线 " 高度一致——两端高、中间低。
只不过这次，中间那段，坍塌得更彻底。
但这里有一个 MIT 教授达龙 · 阿西莫格鲁的警告，值得插进来当个反面声音：
如果企业部署 AI 只是为了省人力成本，而不投资创造新任务和新需求，经济就可能陷入 " 平庸的自动化 " ——人被裁了，生产率却没明显提升，新岗位也不够多。
AI 时代，利润流向资本侧的速度，远快于新机会涌现的速度。因此，压缩可以是释放，也可以只是收缩；区别在于，企业拿压缩释放出来的冗余，去做了什么。
你的工作，不是被 " 抢 "，是被 " 压缩 " 了
所以，AI 并没有在 " 抢 " 你的工作。
报告的说法是：它把你的工作里，那些不产生核心业务洞察、只负责信息转译和标准加工的部分，给压缩掉了。
哈佛覆盖 28.5 万家美国企业、近 6200 万劳动者的研究发现：同一企业、同一时间段，入门岗位相比资深岗位的就业水平下降了约 12%，而资深岗位持续增长。
斯坦福数字经济实验室的数据更具体—— 22 到 25 岁的软件开发者，就业人数到 2025 年中已较 2022 年峰值下降接近 20%。
所以，不是行业在萎缩，是新人的入口在收窄。行业还在扩张，企业还在增长，但需要的新人越来越少。
这里藏着一个更深的结构性后果：成长台阶断了。
过去一个人怎么从初级走向资深？靠干杂活、干基础活、干那些 " 不产生核心洞察但让你天天接触业务 " 的活。
写基础代码、调简单 bug、整理文档——这些活本身不值钱，但它们是你攒经验的台阶。
AI 最先优化掉的，恰恰就是这些台阶。
于是出现了一个悖论：初级岗收缩，资深岗强化，中间那条路断了；但企业三年后会发现自己面临一个尴尬的局面——能挑大梁的中层越来越难找。
因为新人连干杂活的机会都没有，他们怎么积累那些 AI 替代不了的隐性知识？怎么培养处理复杂异常的判断力？怎么建立跨部门协作的人际网络？
压缩不会只发生在当下，它会沿着时间轴向前传导，制造出一个未来的中层断层。
而未来，能够留给人类的，是三件事：定义目标、处理例外、承担责任。
机器可以优化任何目标函数，但无法判断哪个目标值得优化——那是人的事。
模型在分布内表现优异，但现实世界的边界条件永远超出训练分布，长尾场景的逻辑死锁，还是要靠人来解——那也是人的事。
AI 无法签合同、无法承担法律后果、无法为破产负责——那更是人的事。
所以，责任的不可让渡性，或将成为人类在生产关系中最后的锚点。
你和你的工厂，需要重新设计
报告里有一句很冷静的话：
" 压缩不会因为任何组织拒绝采纳而暂停。未被压缩的中间层，只是尚未轮到 "。
这不是预测，这是已经发生的事实的外推。
从软件开发，到法律，到投研，到储能运营，到跨国制造——每一个案例都在说同一件事：那些以为自己的工作很特殊、AI 暂时还够不到的人，通常是下一批。
报告的最后一句话是：" 观望正在成为最昂贵的战略选择 "。
这句话，我们在别处见过类似的说法——
"1890 年代的美国工厂用电动机替换蒸汽机，此后三十年生产率几乎未动。直到围绕电力重新设计生产线，增速才翻了四倍。触发翻转的不是更好的电动机，是重新设计工厂 "。
因此，面对 AI 大压缩，现在最重要的问题，就是：你和你的工厂，什么时候开始重新设计？
参考报告：《AI 大压缩：智能经济时代的生产范式转移》，香港大学人工智能、管理与组织研究中心（HKU CAMO）、中国信通院华东分院、模驭人工智能科技（上海）有限公司联合发布，2026 年 5 月。
