AI凭什么替代你？说穿了就两个字......

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》。

它回答的，正是Amodei没展开的那个问题：作为人类历史上第四次技术革命的AI，到底通过什么机制实现对人类的替代？

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。