福特经济学和 AI 经济学

早在1914年，当时的福特汽车公司宣布了一件看起来很反常的事：把工人的最低日薪提高到5美元，工作时间从9小时缩短到8小时。

当时底特律汽车工人的常见日薪大约是2.34美元。福特给出的5美元，是普通工人工资的两倍。很多老板的第一反应是：你把工资抬到这个水平，别人还怎么招人？

福特当然有自己的工厂账。流水线工作枯燥，工人流失率很高，高工资可以留人，可以降低培训和缺勤成本。但后来人们记住这件事，还有另一层原因。

福特相信，工人不能永远只是成本表上的一项。他们也应该成为消费者。工人收入提高以后，才有能力购买工业时代生产出来的新商品，包括自己工厂里生产出来的汽车。

这个思路在后世被称为“福特经济学”（Fordism）：高工资带来高消费，高消费撑起大规模生产，大规模生产继续压低价格、提高利润，企业再把一部分利润流回工资。

福特经济学真正关心的，是一场产业革命怎样形成循环。供给端提高效率，价格下降；需求端因为普通人收入提高而打开，市场继续扩大。福特个人善不善良，反而是次要问题。

今天讨论AI经济学，核心也在供需关系。AI已经在供给端显著提效：写代码、写文案、做客服、做数据分析，都可以更快、更便宜。但需求端还没有完全打开，普通人并没有因为AI大规模消费到过去买不起的高价值服务。

这就是目前AI经济学最尴尬的状态：供给端的革命已经开始，需求端的革命还不清楚在哪里。

那么，AI经济学和福特经济学之间到底有什么关系？这篇文章要谈的，就是这个问题。

一、真正的产业革命，要打开新需求

1.1 技术发明不等于产业革命

很多人谈产业革命时，习惯从技术本身讲起。蒸汽机、纺织机、电力、内燃机、流水线，听起来像是一串发明清单。

但真正改变社会的部分，通常发生在发明之后。技术要把原来只属于少数人的东西，变成普通人的日常消费。到了那一步，产业革命才真正转起来。

先把两次工业革命放到一个简单坐标里看。

第一次工业革命大致发生在18世纪后半期到19世纪前期，核心是蒸汽机、煤炭、纺织机和工厂制度。它把很多原来靠手工和水力完成的生产，搬进了机器和工厂。

第二次工业革命大致发生在19世纪后半期到20世纪初，核心是电力、钢铁、化工、内燃机和流水线。它不只提高单个环节的效率，还把大规模生产、大规模运输和现代企业组织连接在一起。

后面两个例子正好对应这两次工业革命。第一次工业革命看布，第二次工业革命看汽车。

纺织业是第一次工业革命最典型的入口。英国工业革命早期，珍妮纺纱机、水力纺纱机、蒸汽动力织机一步步把布的产量拉高。布变便宜以后，普通人第一次能更频繁地买衣服、换衣服、穿更细的布料。

这件事表面上是机器替代手工，背后是需求被释放。几千年来，大多数人并非没有“穿得更好”的欲望，只是价格把他们挡在门外。机器把价格打下来，需求端一下子被打开。

汽车对应的是第二次工业革命。1886年前后，卡尔·本茨（Karl Benz）已经做出了现代汽车的早期形态，但前二十年汽车主要还是富人玩具。它能跑，但买不起，修不起，用不起，社会结构也没有围绕它重组。

福特T型车把这个问题打穿了。1908年T型车上市，价格仍然不便宜。到1920年代，流水线和规模生产把价格不断压低，1925年部分车型价格降到260美元左右，普通中产和工人家庭才真正有机会把汽车纳入生活。

汽车一旦进入普通家庭，增长就不只来自卖车。郊区、通勤、加油站、汽车旅馆、得来速、周末出游，整套生活方式被重新组织。一个产品把很多新行业一起拉出来。

1.2 增量市场的关键，是“以前想要但消费不起”

产业革命的共同结构可以简单写成一条链：

这条链里，最容易被忽略的是需求端。技术公司特别喜欢讲供给端，比如效率提升了多少倍、成本下降了多少、模型能力又突破了什么。但经济循环要靠需求端接住。

如果一个技术只是在原有市场里降低成本，它当然有商业价值，却未必会创造一个更大的社会循环。它可能让企业利润更高，也可能让消费者省一点钱，但未必能带来大规模就业和收入增长。

真正的增量市场，通常有一个特征：需求早就存在，只是被价格、供给、专业门槛压住。好衣服、出行、家电、个人电脑、智能手机，都是这类东西。

智能手机的故事也一样。它并非单纯把电话做得更好，而是把照相机、地图、支付、社交、音乐、短视频、外卖、打车放进了一个口袋里的设备。普通人一天几十次打开手机，这才是增量市场。

所以判断AI是否构成一场经济革命，不能只问模型会不会写代码、画图、做PPT。更关键的问题是：AI有没有把某种过去昂贵、稀缺、低频的服务，变成普通人高频消费的东西？

这个问题比“AI能力是否继续进步”更难回答。

二、福特经济学真正说了什么

2.1 五美元日薪先是效率工资

福特的5美元日薪常被讲成企业家善心故事，这种讲法太肤浅。1914年的福特正在面对一个很具体的工厂管理问题：流水线越有效率，工人的工作越难忍。

在传统手工作坊里，工人至少还有一点节奏和手艺。到了移动装配线，一个人的任务可能就是不断重复拧螺丝、装零件、跟着线速走。生产效率上去了，人的厌烦也上去了。

1913年，福特工厂只有约1.4万个岗位，全年却要招进5万多人来维持运转。这个数字说的是招工周转，原因是工人流失太快，同一个岗位一年里可能换过好几个人。

历史研究通常把福特1913年的年流失率估在370%左右。这样的流失率会把任何管理系统拖垮：新工人要培训，熟练工会离开，缺勤又会打乱流水线节奏。

5美元日薪的第一层作用，是让工人舍不得走。经济学里后来把这类做法称为效率工资：企业付出高于市场的工资，换来更低流失率、更强纪律、更稳定产出。

福特的效果很快显现。历史研究通常会提到，福特的流失率在1914年明显下降，1915年进一步降到很低水平。工厂门口还挤满了求职者，说明这份工资确实高到足以改变劳动力市场。

这套做法谈不上慈善。它是一套资本主义工厂里的冷冰冰算账。

2.2 福特意外证明了工资也是需求

1910年代的底特律，汽车制造业正在高速扩张。福特、Packard、Studebaker、General Motors这些公司都在抢工人，很多岗位技术门槛不高，工人在不同车厂之间流动并不困难。

在这样的行业里，福特把日薪抬到5美元，等于重设了汽车工人的工资参照系。它未必立刻让所有车厂跟着涨到同一水平，但它确实给整个行业制造了工资压力：工人知道福特愿意付更高工资，同行再想用原来的价格招人，就没那么容易了。

福特能这么做，靠的是流水线带来的生产效率。效率更高、利润空间更大的公司，先把一部分效率红利拿出来买稳定工人；效率更低、利润更薄的车厂，则被迫面对更高的用工成本和更难留住人的劳动力市场。

所以5美元日薪不只是福特一家公司的内部管理动作。它把汽车工业的竞争，从卖车价格和产量，推到了劳动力市场。此后整个行业都必须重新看待工人工资。

福特故事真正被记住，也不只因为他解决了流失率。更重要的是，这个决定把“工人”同时看成了“消费者”。

工业资本家很容易只从成本表里看工资。工资越低，成本越低，利润越高。对单个企业来说，这个逻辑经常成立。

可整个经济不能当成单个公司的损益表来算。所有企业都压工资，结果就是所有消费者都没钱。每家公司都想降低成本，最后大家一起把需求端压瘪。

福特把这个关系翻了出来。工人拿到更高工资，开始有能力购买工业时代生产出来的新商品。大规模生产降低价格，高工资扩大购买力，两者一配合，循环就启动了。

这也是1945年到1973年前后美国和西欧繁荣的底层机制之一。战后几十年，生产率上升，工人工资也大体跟着上升。工会、福利国家、累进税、住房金融、教育扩张，把生产力红利的一部分推回了中产家庭。

经济史上把那段时间称为“资本主义黄金时代”。这个名字有点浪漫，但数据上的确能看到：生产率和普通工人报酬在相当长时间里一起往上走。

2.3 这套循环有一个隐含契约

福特经济学的铁律可以写得更直白一点：生产力增长必须变成购买力增长。

这句话听起来像常识，但现代经济经常做不到。生产力可以增长在企业利润里，可以增长在股价里，可以增长在高管薪酬里，可以增长在少数技术岗位的工资里，也可以增长在更低的消费价格里。

只有当它比较广泛地进入普通劳动者收入时，需求端才会持续扩大。普通人拿到更多钱，才会买更多房子、汽车、家电、教育、旅游和服务。企业看到需求，才愿意继续投资和雇人。

这就是所谓“高工资、高消费、高生产”的循环。它的核心是宏观闭环，和道德劝说关系不大。

它也解释了为什么单个公司理性，整个社会可能失灵。每个老板都希望别人给工人涨工资，因为别人的工人会来买自己的产品。每个老板又希望自己少涨工资，因为成本由自己承担。

福特当年之所以能成为特殊案例，是因为他正处在一个大规模生产刚刚形成、产品价格快速下探、劳动力市场又相对本地化的时刻。涨工资既能解决工厂问题，又能被一个正在扩大的汽车市场消化。

这个窗口非常少见。后来的全球化把它关上了大半。

三、1970年代以后，生产率和工资脱钩了

3.1 黄金时代结束，不只因为石油危机

战后到1973年是美国资本主义的黄金时代。生产率每年涨百分之几，工人工资跟着涨百分之几，整整二十多年里两条线几乎贴着走。福特经济学描述的那个高工资带高消费的循环，在这二十多年里真实地跑起来过。

1970年代末以后，这条线断了。Economic Policy Institute更新到2026年的数据里，1979年第四季度到2025年第四季度，美国净生产率增长约92.4%，但普通生产和非管理岗位工人的小时报酬只增长约33.6%。生产率涨了报酬涨幅的2.7倍。这是四十多年的结构变化，超出任何周期波动能解释的范围。

教科书的常规解释是石油危机、滞胀、布雷顿森林体系瓦解、产业竞争加剧。这些事都对，但只解释了70年代头几年的减速，解释不了之后四十年生产率和工资为什么一直分着走。要看清这一层，必须找更深的结构原因。

最大的一条是全球化。资本可以跑，工人跑不了。工厂可以搬到墨西哥、中国、越南，底特律工人却不能跟着工资机会自由迁徙到全球各地。本国工人议价能力一旦下降，工资就涨不回来。

另一条很硬的力量是公司治理规则变了。1982年SEC把股票回购合法化，同时期“股东价值最大化”思想成为公司治理主流，CEO薪酬从工资改成股权，CEO跟普通工人的薪酬比从1965年的20比1涨到2020年的350比1。生产率涨出来的钱沿着回购和股权激励直接流给股东和顶层管理者，工人那头分不到多少。

剩下还有几条偏辅助的：工会力量下降让单个工人没有集体谈判工具，最低工资的实际购买力跟不上通胀，金融化抬头让短期利润压过长期投资。这些都是同一个方向上的力。叠加起来，就形成了过去四十年生产率和工资的脱钩。

3.2 福特一个人能带动行业，现在没人愿意当福特

回到1914年福特那件事。福特一家公司涨工资，整个汽车业被带着走。这件事在今天为什么不会再发生？

1914年的底特律有几个特殊条件。汽车厂集中在底特律方圆几十英里里，工人也都在这片。谁涨工资谁就立刻把别家工人吸过去。Packard、Studebaker、GM这些同行不跟，第二天产线上就缺人。福特拿涨工资换来低流失率，同行被迫跟，整个行业的工资水位被推上去。

资本端也跑不掉。1914年的车厂搬不去墨西哥也搬不去上海，钢铁供应商、熟练技工、销售网络全钉在底特律。涨工资的成本只能在这片消化，跑也跑不掉。

更关键的是，福特工人涨工资以后买的车，多半还是底特律产的。福特工人去买GM，也是在给整个汽车业的总盘子做贡献。一个工人多挣的钱，跟同一个产业的需求挂钩。这是个高内化的循环，正反馈很快兑现。

今天这几个条件全部反过来了。工厂可以搬到越南，工人不能跟着搬。劳动力市场是全球的，一家美国企业涨工资，吸不到全球工人，但成本会立刻让自己在国际竞争里掉档。沃尔玛涨仓库工资，工人省下的钱可能花在亚马逊上，竞争对手白白受益。

每家公司都希望别人去涨工资。涨工资能撑起需求端、给整个经济发动机加油，这个好处大家都享受得到，但成本只由出钱涨工资的那一家承担。结果就是没人愿意当那一家。

每家单看都做了“理性”选择，加起来整个经济的需求端不断被压瘪。1914年福特一个人就能把行业带起来，是因为当时的结构让一家涨工资同时利己利他。今天的结构让涨工资变成纯利他，于是没人做。

消费没有立刻塌掉，是因为美国找到了另一种填法：债务。

信用卡、房贷、车贷、学生贷款，把“工资没有同步增长”的缺口暂时补上。美联储关于家庭债务和可支配收入的历史数据能看到，1980年代以后，美国家庭债务收入比一路上行，到2008年金融危机前达到高位。

这也是2008年危机的深层背景之一。家庭收入跟不上资产价格和消费欲望，金融系统把债务包装成看似安全的资产，最后泡沫破掉。

福特经济学的循环断掉以后，美国经济没有真的修复需求端，只是用债务把需求端往后拖了一段。

3.3 AI是新时代的流水线，但落点不一样

目前许多人都在说AI提效和AI自动化。从某种意义上，可以把AI看作新时代的流水线。

福特的流水线把汽车的生产工序拆成几百道，每道由专门工人重复完成；AI把白领工作里的写作、检索、客服、画图、写代码这些环节切下来，让一个人或者更少的人完成原来一整个团队的产出。两者本质都是自动化技术，把一种劳动组织方式重新切片。

但落点完全不一样了。

福特那条流水线落在一个把生产率溢价导回工人钱包的结构里：本地集中的劳动力市场、跑不掉的资本、同一个国内消费市场、稳定的雇佣关系。所以更高的生产率自动变成更高的工资，更高的工资自动变成更多的车销量。

AI这条流水线落在相反的结构里。资本可以全球流动，劳动力被全球切片，回购和股权激励把利润直接转给股东和顶层管理者，单个企业涨工资也得不到1914年那种正反馈。流水线没变，承接它的经济结构变了。

所以AI带来的生产率提升，没有自动变成大众购买力提升的管道。企业用了AI之后，第一反应通常是降本增效。董事会更关心“怎么用更少的人完成更多工作”，很少把问题问成“怎么给员工多发工资”。

企业道德只能解释很小一部分。更大的原因是当前激励结构会自然推着企业这么选。

如果一个客服团队原来需要一千人，现在AI可以让五百人完成同样工作，企业最容易兑现的收益就是少雇人、少扩编、少付外包费用。消费者也许会得到更便宜或更快的服务，但被挤出的工资收入不会自动回到经济循环里。

福特当年的高效率需要更多工人来生产更多车。AI的高效率经常意味着同样产出需要更少白领。两条流水线表面相似，结果相反。

这就是AI经济学和福特经济学最尖锐的分歧。

四、AI经济学的第一性问题

4.1 AI先冲击的是存量岗位

先把“存量岗位”和“增量岗位”分清楚。

存量岗位是指经济里已经存在的那一批工作：客服坐席、初级文案、初级程序员、入门法务、平面设计、翻译、运营专员、企业行政。这些岗位有的几十年前就有，有的伴随互联网成熟下来已经稳定了十几年。它们对应的是已经被市场承认、已经被定价、已经规模化招聘多年的劳动需求。

增量岗位是某项新技术开辟新市场之后才出现的工作。布变便宜以后，平民要买更多衣服，纺织厂女工、缝纫机操作工、成衣工、百货柜员、服装设计师、机器维修工这一整套岗位才被市场需要。汽车走进普通家庭之后，普通人要更好的出行，流水线工人、汽车销售、加油站工人、修理工、卡车司机、公路工程师、汽车旅馆服务员这一整批岗位才一起冒出来。增量岗位的前提是新市场已经从供给端跑到了需求端，有人真的愿意付钱。

AI这一波最先冲击的是存量。原因很直接：AI当前最擅长的能力是写作、画图、检索、总结、客服、初级编程，这些事在企业里已经有现成岗位、流程和预算。一家公司接入AI之后，最容易做的就是把对应人手往下减。

生成式AI的商业叙事很诱人。麦肯锡2023年的报告估算，生成式AI每年可能带来2.6万亿到4.4万亿美元的经济价值，主要集中在客服、营销销售、软件工程和研发等领域。

这个数字很大，也很容易被误读。麦肯锡说的是潜在经济价值，主要来自企业流程效率提升。换句话说，它首先描述的是企业端如何省钱、提速、提高产出。

高盛2023年的研究也给过一个被反复引用的判断：生成式AI可能影响全球主要经济体中相当于3亿个全职岗位的工作内容，同时有机会在十年尺度上提高全球GDP。这个判断同样有两面。

一面是生产率。另一面是岗位结构。

AI目前最成熟的能力，集中在写作、代码、客服、翻译、总结、检索、图片生成、数据分析这些脑力劳动环节。它并不需要先修铁路、建工厂、铺电网，就能直接进入办公室软件、聊天窗口、代码编辑器和企业流程。

所以这次冲击的速度会很快，入口也很低。一个公司不需要重建生产线，就可以先让客服、运营、销售、法务、市场、研发团队接入AI工具。

存量岗位里冲击最快的是入门带和中段重复带。

入门带是各行业的初级岗位：初级文案、初级程序员、初级paralegal、初级数据分析师。这批岗位的工作内容和大模型今天能力的重合度最高，过去靠"年轻人多 + 价格便宜"撑起来的入门金字塔，AI一来塔底直接被抽空。

比入门带稍向上，是流程里那些可数字化、低风险、高重复的中端工作：合同标准条款审查、客服一线应答、营销内容批量生成、报告摘要、客户清洗、初步设计稿。这批岗位过去靠"人多 + 流程"撑住效率，AI一来被压缩得比预想的快。

不容易被冲的，是反馈周期长、错误成本高、需要线下信任和肉体在场的岗位。资深医生、外科手术、谈判型销售、深度家政、护理、技工、上门维修、复杂诉讼律师、企业战略顾问，AI暂时顶不下来。

这种变化很像把办公桌上的一部分脑力劳动直接自动化。它对企业很友好，对劳动市场就复杂得多。

4.2 AI降低价格，但价格下降未必打开新市场

AI确实能让很多服务变便宜。写一篇营销文案，过去要人写；做一张图，过去要设计师；写一段代码，过去要程序员；翻译一份材料，过去要译员。这些任务的价格会下降，有些甚至接近免费。

问题是接近免费并不自动等于新市场。这个问题要拆成大公司和创业公司两层来看，结论是两边都没真正打开。

对于大公司层：OpenAI、Anthropic、Google、Microsoft这些大模型玩家做的事，主要是把已经存在的需求做便宜：搜索、办公、客服、写代码、写邮件。这些都是存量市场，做的事是把"原来由人做"换成"现在由AI做"，再从同行手里抢份额。福特时代那种"价格暴跌之后几亿人新增一个高频消费"的故事，到今天还没在大公司这一端出现。布、汽车、手机时代的开拓性需求，今天的大模型玩家还没真正复刻一个出来。

对于创业公司层：被两头夹住。一头是大厂的免费补贴：聊天、写作、图片生成、基础搜索做得越来越便宜，独立创业公司很难从里面赚钱。另一头是用户付费意愿：AI生成的边际成本接近零，用户的付费心理价格也跟着掉，独立产品很难做出高ARPU。零边际成本在消费端很迷人，在商业端很残酷。

很多AI产品到今天仍然停留在"提高现有岗位效率"的层面。设计公司少招初级设计师，内容团队少招文案，软件团队少招外包，客服中心减少人力压力。这些都是真实价值，但它们主要在存量市场里分配收益。

把两层合起来看：大公司在存量需求里换皮收割，创业公司在零边际成本的红海里被免费产品压平。两边都没有为整个经济创造一片过去不存在的新大陆。

布变便宜以后，人会买更多衣服。汽车变便宜以后，人会改变居住和出行方式。手机变便宜以后，人会在移动互联网上花掉大量时间和钱。那AI生成的文案、图片、总结、代码变便宜以后，普通人会新增什么高频消费？这个答案现在还不清楚。

要等到出现一种过去因为太贵、没人提供或者体验太差所以没人消费的服务，被AI变成大众日常消费品，AI的福特时刻才算到来。后面会专门讲这一层。

4.3 AI替代的是哪一种人

工业革命早期，机器替代了很多手工劳动，但同时创造了工厂岗位。农业人口流向制造业，制造业成熟后又有大量人流向服务业。

AI这一次更麻烦，因为它优先替代的是“受过教育的脑力任务”。这类人过去是服务业和知识经济的核心吸纳池。

程序员、数据分析师、初级律师、初级咨询顾问、设计助理、内容运营、客服主管、财务分析员，这些岗位都有一个共同点：工作成果可以被文字、表格、代码、图像或流程描述出来。只要工作输出能被数字化，AI就容易先介入。

它未必一次性消灭整个职业。更常见的路径是压缩初级岗位，提升单个高级员工的杠杆，让团队规模变小。

这对个人很残酷。过去一个行业会通过初级岗位培养新人，让新人做重复任务、积累经验、慢慢升级。AI把重复任务吃掉以后，行业还需要高手，却不一定愿意培养新手。

宏观上，这会带来一个新问题：被替代或被压缩的人去哪？

如果没有新的大行业吸收他们，AI带来的效率红利就很容易变成企业利润、少数高杠杆人才收入、平台估值和算力资本回报。普通劳动者得到的是更便宜的工具，但失去的是稳定收入和上升通道。

五、理论上的AI增量市场，为什么还没起来

5.1 法律AI先服务大客户

最适合讲AI普惠故事的行业之一，是法律。

理论上，这片市场跟当年的衣服和汽车是同一种结构。普通人面对房东纠纷、劳动争议、小额合同、移民材料、离婚协议，本来都想请律师，但请不起。美国普通律师每小时收费两三百美元起，复杂一点的案子动辄几千几万。这跟19世纪以前买不起好衣服、20世纪初买不起汽车是同一种“愿望被价格挡住”的状态。需求一直在那里，只是没有被定价进得起的供给。

按“布变便宜→平民买衣服→整批新岗位被填满”那套逻辑，AI把法律咨询的边际成本压到接近零，理论上应该开出一个巨大的增量市场：普通人能买得起合同审查、能负担得起遗嘱起草、能用上随时在线的咨询律师。这就是法律行业的福特时刻。

但现实发展走向另一条路。法律AI里跑得最快的公司，主要服务大型律所和企业法务。

Harvey是典型案例。它成立于2022年，面向律师事务所和企业法务提供AI工具。TechCrunch报道，Harvey在2025年12月确认完成新融资，估值达到80亿美元；到2026年，相关报道又把Harvey放在110亿美元估值的法律AI头部位置。

Legora也是同一条线。它从瑞典起步，做律师协作和AI法律工作平台。2026年3月，Legora宣布5.5亿美元D轮融资，估值约55.5亿美元；4月底又获得英伟达旗下NVentures和Atlassian等参与的追加融资。

这些公司当然有价值。律师行业充满文档、检索、合同审查、尽调、案例研究，正适合大模型介入。但它们优先服务的是已经付得起高价的客户：大律所、企业法务、金融机构。

那么问题来了：理论上这么明显成立的增量市场，为什么迟迟做不起来？

最根本的一条是资本永远先扑向已经能付高价的客户。大律所每年法律预算几千万到几亿美元，做一单顶面向消费者一万单。账算下来，VC自然先投Harvey、Legora这条线，没人愿意先投“五十美元给穷人的法律咨询”。

再加一层，做“普通人的口袋律师”要承担专业责任。模型给错建议可能让公司被起诉、被监管处罚、被用户索赔。大律所有自己的法务团队对冲这种风险，普通人没有，面向消费者的法律AI一旦出事，公司直接背锅。下一节DoNotPay的故事就是这条线上栽的。

还有一层是商业模式。普通人对法律服务的支付习惯本来就稀疏，一年遇不到几次法律问题，做不出SaaS那种月费续订的现金流。给穷人做法律AI在技术上做得出来，但商业上跑不出VC想看的增长曲线。

资本的第一选择很清楚：先去存量市场里能马上付高价的客户，再说低价普惠。这条选择本身没问题。但它解释了为什么AI把价格打下来这件事，没自动等于增量市场被打开。福特时刻要等价格、责任、商业模式三层一起跑通，少一层就启动不了。

5.2 把法律AI做给普通人，被阻击

上一节谈的是资本不愿意主动去做普通人的法律AI。但即便有公司硬上，下场也未必好。

DoNotPay走的就是这条路。它2015年成立，最早从帮人处理停车罚单开始，慢慢扩展到退款、投诉、合同协商、移民材料生成。创始人Joshua Browder把公司定位成“世界上第一个机器人律师”，目标很直接：把请律师的价格从每小时三百美元打到几乎免费。

这个方向直接对应衣服和汽车的故事：现成的需求一直在那儿，价格挡住了，AI把门推开。如果DoNotPay跑通，普通人遇到房东合同问题、停车罚单、退款投诉，订阅一个二三十美元的服务就能解决，不用付几千美元给律所。这就是法律行业的福特时刻该有的样子。

但它没跑通。2024年，FTC对DoNotPay展开调查，认定它对“AI律师”能力的宣传缺乏证据。2025年2月，FTC最终命令DoNotPay停止相关误导性宣传，支付19.3万美元，并通知2021年到2023年的订阅用户。这是消费者法律AI第一个被监管机构正面打掉的案例。

看起来是宣传问题，底下其实是结构性的阻击。美国大部分州有Unauthorized Practice of Law（UPL）法案，规定只有持牌律师可以给法律建议。州律师协会是这条法的主要执行者，任何号称给普通人提供法律咨询的产品，只要不在持牌律师监督下做，就有被认定为非法行医的风险。律师协会维持这条门槛的动机很充分：律师每小时三百美元的定价就建立在这条门槛上。

这个阻击模式在工业革命里其实反复出现过。

第一次工业革命里，1811到1816年英国有Luddite运动，纺织工人砸机器、烧工厂，理由是机器抢工人饭碗、做出来的布质量差。议会一开始倾向手工业行会，立法禁止某些机器投入使用。后来政府转向，派军队镇压Luddite，机器才进了工厂。

第二次工业革命里更典型。汽车1880年代刚出现的时候，英国通过了Locomotive Acts，要求每辆汽车前面必须有人走在前头举红旗示警，市内限速4英里每小时，乡下2英里每小时。这条“红旗法案”由马车行业、铁路公司游说推动，理由全部是“安全”，实际效果是把汽车在英国压制了30年，直到1896年才废除。美国早期一些城市也有类似规定，“汽车太危险，让汽车滚出城市”几乎是当时的口号。

这两段历史有同一个套路。新技术理论上能打开一个增量市场，但既有高价位玩家有组织、有钱、有政治影响力，他们用“安全”“质量”“专业”“标准”这些理由游说政府立法限制，新技术只能在管制空隙里跑。

最终破局靠的是消费者用脚投票叠加市场规模逼迫。当工厂布的价格压到行会布的十分之一，机器就被默认接受。当汽车便宜到普通中产能买得起，城市开始重新规划道路，红旗法案就被废除。但中间的缓冲期都是20到30年。

普通人的法律AI现在卡在同一个位置。DoNotPay被打掉之后，新一批产品很谨慎，要么把自己定位成“信息工具，不构成法律建议”，要么挂在持牌律师下面做辅助。增量市场没被打开，被原地按住。

这次阻击会持续多久不好说。汽车有马车行业当对手，但很快有几百万买得起T型车的中产家庭从下面顶上来。法律AI的对手是高度组织化、强游说能力的律师协会，下面顶上来的"普通人"却是分散的、没人代表的。这种力量对比下，法律AI普惠化的破局可能会更慢，也更曲折。

5.3 教育、医疗、养老：每条战线都有自己的阻击者

法律之外，教育、医疗、养老也都是理论上的福特式增量市场。每一个都有同样的逻辑：需求一直在那里，价格挡住普通人，AI能把成本拉下来，理论上应该开出新大陆。每一条战线也都有自己的阻击者，套路跟上一节几乎一样。

教育是其中最该打开的一条。每个人都想要好老师，但一对一辅导一小时五十到两百美元，普通家庭吃不消。AI如果能把个性化老师做到几美元一小时，对应的就是新时代的T型车。

工具已经在路上。Khan Academy 2023年推出Khanmigo，给中小学生一对一答疑；Duolingo Max用GPT给语言学习者做对话练习；OpenAI和Anthropic都推出了面向教育市场的版本。底层能力够用了。

但这片市场被两堵墙挡住。一堵是公立教育系统：美国教师工会NEA和AFT加起来超过500万会员，课程标准由各州教育部门定，教材由Pearson、McGraw-Hill、Houghton Mifflin几家垄断。一个AI工具想真正进入课堂改变教学方式，要绕过工会、教育部门、教材出版商三道关。NYC公校2023年初一上来就把ChatGPT在校园网络里禁掉，半年才解禁。

另一堵是学术诚信。大学和高中越是看重期末考、毕业论文、SAT/ACT这些考核，越要把AI当作弊工具防。Turnitin、GPTZero这些检测产品和反作弊政策把“AI能辅助学习”这条故事线压进了“AI是作弊工具”的框架。结果就是AI在课外补习市场跑得快，主流教育系统里走得慢。

医疗的增量逻辑更明显。一次普通就诊在美国常见200到500美元，特殊检查上千。如果AI能给“先问问看”级别的建议、慢病管理、药物互动检查，普通人本来很愿意付二三十美元一年。

Babylon Health是失败的样本。这家英国公司曾经是消费者远程问诊加AI分诊的明星，2021年纳斯达克借壳上市估值42亿美元。但到2023年8月，美国子公司申请破产、整体资产清算。它的核心问题是英美两套医疗体系都不让消费者直接付费给AI看病，钱必须走保险、走医生、走持牌机构。Babylon想做“普通人的口袋医生”，发现没人付得起这条管道的费用。

阻击点比法律AI更密：州医师执照、FDA对医疗软件（SaMD）的审批、AMA主导的CPT报销编码、HIPAA隐私规定、医院系统的转诊垄断，加上美国医生平均年薪三十多万美元这条强游说基线。Hippocratic AI、Nabla、Glass Health这些新公司都把自己定位在“辅助医生工作流”，没人敢直接做“AI看病”的故事。

养老的市场结构最尴尬。美国65岁以上人口超过5800万，每年护理支出几千亿美元，理论上是巨大的增量空间。AI陪伴、远程监测、慢病管理、跌倒预警、药物提醒这些场景都成立。ElliQ做面向独居老人的AI陪伴桌面机器人，单台600美元加月费30美元；Papa把家庭陪伴加健康跟踪做成订阅服务。有用，但都没跑出大规模商业化。

阻击点是付费链条断裂。老人本人通常没什么可支配收入，付钱的是子女或者保险（Medicare/Medicaid）。Medicare对什么算“医疗必要”卡得很紧，AI陪伴这种“软”服务不在报销目录里。子女愿意付，但家家情况不同，做不出SaaS那种续订率。需求在那里，但买家和付钱方分离，没人统一签字。州级的家庭护理执照又给上门服务加了一道门槛。

把这三条放在一起，结构跟前面提到的法律AI一模一样。每条战线都有真实需求被价格挡住，AI都能在技术上把成本拉下来，但每条战线都站着一组高度组织化的既得利益者：教师工会加教育部门加教材出版商；医师协会加FDA加保险公司；Medicare加家庭护理监管加养老院产业。每一组的游说能力都远强于“想要便宜服务的普通消费者”这一边。

里面还有一层更深的张力：AI最容易做的部分，往往最难收钱；AI最值钱的部分，又被责任和监管锁住。聊天、写作、画图这些低风险的信息服务可以免费，但收不到钱；法律、医疗、教育这些高价值的专业服务能收钱，但走不通监管。两边正好错位。

第一次工业革命的纺织行会、第二次工业革命的马车业，最后都没拦住技术普及，但它们拦了20到30年。AI在专业服务领域的普惠化，大概率也要走完一个类似长度的缓冲期。

六、AI经济学可能走向哪里

6.1 第一条路：继续做企业降本工具

最现实的路径，是AI继续成为企业降本增效工具。

这条路已经在发生。客服、销售、代码、法务、财务、HR、运营、设计、数据分析都能接AI。公司不一定大规模裁员，但会放慢招聘，用更少的人承担更多任务。Klarna 2024年初宣布AI客服顶替了相当于700个全职岗位、处理两百多万次对话；Salesforce 2025年裁掉数千名客服，CEO Marc Benioff公开把原因归到AI agent上线；微软2025年的多轮裁员涉及上万人，公开理由都跟AI重组直接挂钩。

从企业利润角度看，这条路非常顺。麦肯锡2026年的企业AI实践研究里也提到，一些执行较好的公司已经能看到AI投入带来的财务回报。企业端ROI一旦跑通，AI会像云计算和SaaS一样进入年度预算，按部门拆分采购。

为什么这是默认路径，因为它对企业的激励结构友好。董事会要的是EBITDA、毛利率、人均产出三个数字。AI能直接动这三个数字，而且不需要新建工厂，不需要重做产品，不需要等市场验证。任何CFO都看得懂。

但这条路对劳动市场的影响是双向的。表面上，公司未必裁员，看起来风平浪静。底下，校招收紧、初级岗位冻结、外包合同砍半。最先被吃掉的是新人的入门通道。这种压制更隐蔽，但累积效应更大：一个行业五年没招新人，五年后就失去了中坚培养机制。

宏观上，这条路如果一直跑下去，会强化1970年代以后那条老逻辑：生产率继续涨，工资端继续承压。AI红利主要体现为利润率提升、股价上涨、管理层奖金和少数AI人才高薪。普通人能感受到的是工具变便宜，但岗位更卷、议价能力更弱。债务驱动消费的老法子还会继续用一段时间，直到撑不住为止。

6.2 第二条路：被既得利益者阻击的福特时刻

另一条路，是AI做出自己的T型车时刻：用低价把过去普通人请不起的专业服务变成日常消费品，开出一片真实增量市场。

这件事需要满足几个条件。价格要低到普通人高频使用，质量要好到能形成习惯，风险要低到监管能接受，商业模式还要撑得住。可能的方向仍然在教育、健康、法律、小企业经营、个人财务、老人陪伴、职业训练这些领域。它们都有一个共同点：普通人过去就想要，只是请不起真人专家。

但前面第五章已经讲过，每一个候选战线都站着一组高度组织化的既得利益者。法律AI撞上律师协会和UPL法案；教育AI撞上教师工会和教材寡头；医疗AI撞上医师协会、FDA、保险公司；养老AI撞上Medicare报销规则。每一组的游说能力都远强于"想要便宜服务的普通消费者"这一边。

历史上这种阻击不是新鲜事。1811到1816的Luddite运动、1865英国的红旗法案、20世纪初美国一些城市禁汽车，都是同一种结构。新技术理论上能开新市场，旧专业用安全、质量、专业、标准这些理由游说政府立法限制。这种阻击平均能维持20到30年。

跟过去几次工业革命相比，AI这次有两个不利因素。一是专业服务的责任成本远高于布和汽车，模型给错医疗或法律建议可能直接出人命，这条门槛真实存在，不全是行业保护。二是消费者一边没有组织化代言人。当年汽车背后有几百万买得起T型车的中产从下面顶上来，今天想要便宜法律咨询、便宜全科医生、便宜个性化老师的普通人，是分散的、没人代表的。

还是有几个细分场景可能率先跑通，共同点是既得利益较弱：小企业经营助手（小老板自己付钱、没有行业协会拦着）、个人财务规划（普通消费者付费意愿 + 银行业愿意配合）、自学和职业再培训（不依赖学位认证的领域）、宠物医疗咨询（监管比人医疗松）。这些场景一旦跑通，会形成示范效应，让监管和既得利益者承受更大压力。

这条路如果真的走通，AI经济学才有机会从"企业效率工具"走向"大众消费基础设施"。它需要的不只是技术够好，还要制度松动、消费者用脚投票、至少一两个领域率先示范，三件事一件都缺不了。

6.3 第三条路：政府托底和制度重分配

第三条路更政治，也更难讲：AI生产力红利未必靠市场自动流回普通人手里，可能需要政府介入。

历史上这种转折反复出现过。第一次工业革命的劳动者过了几十年苦日子，机器砸了又砸，工人罢工又罢工，直到19世纪末英国才有Factory Acts限制童工和工时，20世纪初美国才有反垄断法。第二次工业革命的高峰是1929大萧条，逼出了罗斯福新政：1935年的Social Security Act、Wagner Act给了工会法律地位、累进所得税大幅提高、1944年GI Bill让退伍军人能上大学买房。战后三十年的福特黄金时代，背后是这一整套政策框架在撑，市场本身只是其中一部分。

AI时代如果雇佣关系本身被压缩，靠工资分配收入这条管道会越来越细。要让红利继续流到普通人手里，制度需要重新设计。

可选的工具菜单已经在桌面上。基本收入（UBI）：Andrew Yang 2020年大选打过这条牌，Sam Altman主导的OpenResearch做过为期三年的UBI实验，2024年公布初步结果。数据红利：Jaron Lanier提过"data dignity"，让训练AI的数据贡献者从模型收入里分一份。算力公共投资：日本、新加坡、英国都在搞国家级AI基础设施，希望让小企业和个人不被几家大模型公司锁住。加强反垄断：Khan时代的FTC开始用反托拉斯工具盯AI巨头。教育和再培训补贴。AI普惠基础设施，类似公共图书馆但是AI版本。

单看每一项都不够，加在一起才有可能让红利再分配跑通。

中美在这条路上有结构性差异。中国治理传统倾向直接干预，产业政策、国家队、央地配合，AI红利可能通过政府主导的产业升级和公共服务体系部分回流。美国传统更偏私部门和市场，转向需要更长的政治周期和更尖锐的危机才能推动。无论哪种模式，零政策的"放任市场自动调节"都很难自动产生新的福特循环。

现实困难也很清楚。政治分裂、税收抵制、监管能力跟不上技术变化、数据隐私和效率的拉扯。任何一项政策都会触动一组既得利益。但经济结构一旦变了，分配机制迟早要被重新讨论。问题在于讨论得太晚还是稍微早一点。

6.4 第四条路：AI没有变成工业革命

还有一种可能要摆在桌面上：AI非常重要，但它的经济形态和工业革命不同。

它可能更像一种通用效率层，嵌入所有软件、流程、设备和组织里。它会让很多公司更赚钱，让很多工作方式改变，让很多岗位重组，但永远没能创造一个足以吸收海量劳动者的新产业。这种结果并不等于AI失败。互联网就是这样的先例：它造出了FAANG这种超级公司，没让所有人都变富，制造了大量平台垄断和零工经济低薪劳动。技术可以很强，分配可以很差，两件事能同时成立。

如果AI最终没有变成工业革命，几条线索可以追溯。

最直接的一条是需求端始终打不开。第五章讲的所有阻击如果一直没破，AI就一直停在"提高存量岗位效率"那一档，不开新市场，自然也吸收不了被替代的人。

再底下一层是能耗瓶颈卡死大众化。前沿模型推理一次的电费成本在2026年仍然不低，把高质量AI服务做到普通人能高频消费的价位，需要算力效率再上一个数量级。如果这条曲线慢下来，免费聊天可以普及，但深度个性化的医生、老师、律师式服务可能一直停在"小众高价"那一档。

更深一层是能力曲线遇到天花板。当前模型在长链推理、跨工具规划、肉身在场任务、需要长期记忆的关系性服务上仍然不稳。如果scaling红利衰减得比预期快，AI的"全能助理"故事会停在PPT上。

外部还有地缘政治这条线。芯片管制、模型权重出口限制、数据本地化要求、安全审查继续加码。一个分裂的全球供应链让AI的边际成本上升、迭代速度下降。

最不容易翻盘的一条是政治容错空间。1929之后还能搞罗斯福新政，是因为社会有共识"必须做点什么"。今天的政治分裂下，类似量级的再分配方案可能根本通不过。技术红利继续涨，但政治端没法把它转化成大众福利。

历史上有类似先例。核能1950年代曾被认为会改变一切，"electricity too cheap to meter"，但安全事故、监管、舆论合力之下，民用核能没普及到原本想象的程度。Concorde把民用航空推到了超音速，1976年通航，2003年停飞，技术做出来了但商业化失败。每一个被预言要"改变一切"的技术，都需要供给端、需求端、监管端、政治端一起松绑才能真正落地。少一环，就停在中间。

AI现在的状态在外行看来是巨大成功：估值、能力、铺开速度都创历史。但用工业革命的标尺去量，需求端那一关还远没过。如果几年内还过不了，AI可能会沿着"能力强但分配差"的路径走下去：更高的效率，更少的岗位，更集中的利润，更焦虑的中产。叫不叫工业革命已经不重要了，重要的是普通人能不能从里面分到一份。

七、判断AI经济学，看三件事

7.1 看它打开了什么新增消费

以后观察AI经济学，我会先看一个指标：有没有新消费。

别只看又出了多少大模型，也别只看某家公司又把客服成本降了多少。更值得看的是，普通人是否开始为一种过去消费不起的服务持续付钱。

如果AI教育让普通家庭真正获得接近一对一名师的效果，如果AI法律让普通人低成本处理常见纠纷，如果AI健康管理让普通人提前发现和控制慢病，如果小企业AI助手让夫妻店也拥有过去大公司才有的运营能力，这才接近新市场。

这些场景一旦跑通，会带来新的支付、新的岗位、新的服务组织方式。它们才有机会形成AI版本的高生产、高消费循环。

7.2 看红利流向工资，还是流向资本

第二个指标，是AI红利最后去哪。

如果AI让公司利润提高，但工资中位数继续停滞，劳动参与率下降，年轻人的入门岗位变少，那么AI经济学就会强化1970年代以后的老问题。

如果AI让更多普通人收入提高，比如一个人能低成本创业，小企业能扩张，普通劳动者能借助AI做过去接不到的高价值工作，那么AI才有机会修复购买力。

这两种路径表面都叫“生产率提升”，社会后果完全不同。

今天的AI创业叙事很喜欢讲“一人公司”“超级个体”“十倍员工”。这当然很诱人。我也相信AI会让少数人的杠杆变得非常高。

但宏观经济不能只靠少数超级个体。一个经济体需要大量普通人有稳定收入和消费预期。只有少数人变强，大多数人变脆弱，结果会更接近平台经济的极端版本，和福特经济学相距很远。

7.3 看社会有没有给AI红利设计管道

第三个指标，是制度有没有跟上。

福特时代的工资管道有工厂、工会、长期雇佣和大众制造业。AI时代这些管道弱了很多。一个模型可以服务全球用户，一家公司可以用很少员工创造很高收入，云和API可以把生产能力集中到少数平台手里。

红利如果自然流不回去，就要有人设计新的回流管道。

这可以是教育系统让普通人更快掌握AI工具，也可以是税收和公共服务重新兜底，还可以是小企业和个人创业基础设施变便宜。具体方案可以争论，但方向不能回避。

否则AI越强，社会越可能出现一种奇怪局面：生产能力过剩，普通人购买力不足；工具越来越便宜，生活越来越焦虑；公司越来越高效，人越来越没有安全感。

这已经进入现实经济问题的范围。它其实就是1970年代以来工资和生产率脱钩问题的下一集。

八、结语：AI还没有走到福特时刻

整篇文章从1914年福特那个5美元日薪开始，本质上只问一个问题：AI能不能像汽车、布、电、智能手机那样，把生产力变成大众的购买力？

到2026年这个时间点，答案是还没有。

供给端的革命已经在跑。代码生成更快，内容生产更便宜，客服响应自动化，企业流程提效，账面上的数字很漂亮。但需求端的革命还没出现：普通人没有因为AI普遍变得更有购买力，也没有大规模消费到过去完全买不起的高价值服务。法律、医疗、教育、养老这几条最该开出新大陆的战线，每一条都被既得利益按在原地。

这跟AI能力本身关系不大。福特那条流水线落在一个把生产率溢价导回工人钱包的结构里：本地化的劳动力市场、跑不掉的资本、内化的国内消费循环。AI这条流水线落在反过来的结构里：全球化的资本、切片的劳动力、回购和股权激励直接把利润转给股东。流水线没变，承接它的经济结构变了。

所以福特经济学留给我们的是一把尺子。这把尺子量出来的结果挺尴尬：AI已经证明自己是一台强大的生产力机器，还没有证明自己是一场让多数人受益的产业革命。两件事不会自动合并。

接下来几年，模型参数大了多少、Demo又秀了什么、估值又破了哪个纪录，这些都只是表层。真正该看的是：AI有没有让普通人买到过去买不起的服务，有没有让被替代的人找到新的收入位置，有没有让生产率红利流出少数公司的资产负债表。如果这三件事都没动，AI仍然会改变世界，但改变方式会很冷：更高的效率，更少的岗位，更集中的利润，更焦虑的中产。

历史上每一次新技术从"小众惊艳"变成"大众基础设施"，中间都隔着一段不舒服的缓冲期。Luddite砸机器砸了几十年才安静，红旗法案压住汽车30年才废除，电力从1880年代发明到战后才真正普惠。AI大概在1900年的位置：技术已经被证明，分配机制还没跟上，缓冲期才刚开始。

走出这个缓冲期需要三件事同时发生：消费者用脚投票把价格曲线压下来，至少一两个领域率先跑通示范，政策端开始设计新的红利回流管道。三件事一件都缺不了。

到那一天，AI才会迎来自己的5美元日薪时刻。在那之前，福特这把尺子还会一直挂在那儿，提醒我们：供给端的革命和大众的福特时刻是两件事，不会自动合并。

作者其它文章

• 数学照妖镜：AI能发现新的数学定理吗？

• 手把手教你分析：你会被AI取代吗?

• 一篇文章讲清大语言模型发展史

• 气吞万里如虎：回顾十九世纪的数学英豪们

• Vibe Reading：AI时代读书的系统化方法

• 长篇分析：Manus案折射出的中国AI创业生态

• 别再被AI新词绕晕了：Prompt、Context、Agent背后的工程主线

• 两万字科普：AI为什么会编程——原理、历史与未来

• 兄弟们，真·Vibe Writing时代到来了

• 全网最详细的AI学习路线图

• 每个人都应该使用的三个最有用的Claude Skill

• SpaceX立志传（一）：赌上全部的最后一次发射

• 估值290亿美元的套壳公司，正在被自己的房东杀死

• 黄仁勋和主持人吵红了脸：芯片封锁中国，美国到底能不能打赢？

• AI将如何颠覆教育，普通人又应该如何抢夺教育新的生态位

• 学物理的八方英雄们，物理学已死，请转行搞AI

• 不会编程、没有融资、没有员工，他怎么一个人做到年入2000万

• 兄弟们想清楚：究竟是你为X打工，还是X为你打工？

• 一人公司盈利四亿美元：是骗子，还是可复制的红利？

• 2026第一季度大裁员，AI是背锅侠吗？

• 重返星辰大海：这次绕月飞行有意义吗？

• 张雪峰在美国为什么无法成功

• 2026企业尸检报告：不用AI，你的公司能活过今年吗？

• 兄弟们，我创业失败了，人生完整了

本文参考文献

• Ford’s Five-Dollar Day - The Henry Ford

• Ford’s Five-Dollar Day: Efficiency Wages in Practice - Macroeconomics Course Materials

• Alert-Judgment: Ford’s Entrepreneurial Five-Dollar Day - Nathaniel W. Smith

• The Model T - The Journal of Economic History

• Ford Model T Original Prices - FordModelT.net

• The Productivity–Pay Gap - Economic Policy Institute

• Household Debt-to-Income Ratios in the Enhanced Financial Accounts - Federal Reserve

• The economic potential of generative AI - McKinsey Global Institute

• Generative AI set to affect 300 million jobs across major economies - Ars Technica / Financial Times

• Legal AI startup Harvey confirms $8B valuation - TechCrunch

• Legal AI startup Legora hits $5.6B valuation - TechCrunch

• FTC Finalizes Order with DoNotPay - Federal Trade Commission

• Your Next Therapist Could Be an AI Chatbot, But Should They Be? - Prevention