卫夕指北 2小时前
为什么AI反而让我们越来越忙?关于AI的3个悖论
index.html
../../../zaker_core/zaker_tpl_static/wap/tpl_keji1.html

 

先说个我自己的直观感受:

AI 写文章越来越牛逼,三分钟就能吐出一篇像模像样的稿子。

但要写出一篇走心的、大家愿意读的文章,一点也没有变得更容易。

我很多大厂的前同事也天天在用 AI,但很明显,老板的要求越来越高,很多产品经理都要求拿着能运行的 demo 去过评审会。

最终,AI 并没有给我们省时间,反而让我们越来越忙。

今天卫夕就着这个话题,聊三个悖论——考恩悖论、索洛悖论和杰文斯悖论。

分别讲一讲:

为什么给我们省提高效率的工具反而让我们越来越忙?

为什么 AI 在生产力上的产出并没有预期的那么高?

以及为什么模型价格降了很多倍,但我们在 AI 上的花费并木有降。

咱们直接开聊:

一

先从考恩悖论开始,它只解释一个问题:为什么洗衣机没有解放妈妈?

1983 年,美国技术史学者 Ruth Schwartz Cowan 出了本书,叫《More Work for Mother》,直译就是《妈妈的活儿更多了》。

作为一名当了妈妈的女性,Cowan 有个很实在的观察:

到了 70 年代,洗衣机、吸尘器、电炉灶一应俱全,但为什么自己比她妈那一辈人当年还要忙呢?

社会学家 Joann Vanek 在 1974 年给出了一组对比数据:

美国全职主妇每周花在家务上的时间,1924 年是 52 小时左右,到了 1966 年,反而到了 55 小时左右。

家具齐了,然而总工时不降反升,经济史学家 Joel Mokyr 把这个现象命名为考恩悖论(Cowan Paradox)。

那么问题来了:

省下的时间去哪了?

Cowan 理出了 3 条:

第一条是标准变了,以前一周洗一次衣服很正常,有了洗衣机,天天换洗成了很多家庭的标配。

第二条是帮手消失,按 Cowan 的说法,1950 年一个主妇干的活,1850 年需要三四个人配合,佣人、女儿、丈夫搭把手的那部分,全压到了她一个人身上。

第三条是新活儿冒出来了,开车去超市、接送孩子,这些在马车时代压根不存在。

这 3 条其实在 AI 时代基本上也在重演:

以前一个手工原型就行了,现在产品经理要做 demo,甚至还要搞个视频,以前可以给你招个实习生,现在这个预算也交给 AI 了。

二

这是有具体的数据做支撑的。

美国职业机构 Upwork 调查了 2500 人关于 AI 对工作的影响,结果显示:

用 AI 的员工里,77% 说工作量反而变大了,81% 的高管承认,过去一年给员工加了码。

2026 年 2 月,伯克利的 Aruna Ranganathan 和 Xingqi Maggie Ye 在《哈佛商业评论》发文,标题是《AI 没有减少工作,它让工作变得更密集》。

她们在一家约 200 人的科技公司蹲了八个月,发现产品经理开始写代码,研究员开始接工程活,很多人接下的活放在以前足够招一个新人。

知名开发者 Simon Willison 转发这篇文章说,这正是他的体验。

推文链接:https://x.com/simonw/status/2020901645597683870

三

AI 让人精疲力尽的另一件事,是返工。

2025 年 9 月,斯坦福社交媒体实验室造了个词,workslop,工作泔水:AI 快速生成、看着像模像样、实际推进不了任何事的产出。

他们调查了 1150 名美国全职员工,40% 的人过去一个月收到过这种东西,每处理一次平均要 116 分钟,每人每月隐性损失 186 美元。

这点我是有感触的,这两年,我收到的所有材料都变长了,看起来也更专业了,但我从这些材料中找重要信息的过程却更累了。

甚至有时候我不得不问 Claude 这个文档最核心的是想干嘛。

工程师 Siddhant Khare 在 2026 年 2 月写了篇《AI 疲劳是真的,只是没人说》,冲上 Hacker News 榜首。

这篇文章很长,很值得每个用 AI 的人细读(地址:https://siddhantkhare.com/writing/ai-fatigue-is-real)

他核心观点是:每个任务都变快了,所以你接了更多任务,可你的大脑没办法扩容。

四

1930 年,凯恩斯写了篇小文章叫《我们后代的经济前景》。

他算了一笔账:只要资本每年涨 2%,技术照常进步,到了 2030 年,人们每天干三小时、一周干十五小时就够了。

他甚至担心,那时候的人闲得发慌,不知道该干点神马。(凯老真是为我们操碎了心)

距离 2030 年,还剩不到四年,我们来看看数据:

按几位瑞士和西班牙经济学家在 2024 年的测算,美国人均年工时从 1929 年的 2316 小时,降到了 2019 年的 1765 小时,90 年缩了 23.8%。

凯恩斯的目标折成年工时,大约是 780 小时。

所以结论很明显:凯恩斯错了。

Sam Altman 在今年夏天公开说过,历史上每次技术革命都有人许诺更多休闲,但整个社会从来没真正过上少干活的日子。

他也不认为 AI 会改变这一点,因为人天生爱竞争。

我举一个更简单的例子:

以前骆驼祥子拉人力车,每天工作时长很长,假如祥子那时候有一辆出租车,而其他人还是拉人力车。

那么祥子开两个小时就能赚其他人一天的钱,可问题是:祥子会只开两个小时吗?

很显然不会。

而且更残酷现实是,和祥子竞争的每人都有一辆出租车,而且买出租车的钱并不低。

这就是今天的出租车市场,事实上也是今天的 AI 市场。

五

考恩悖论解释了个体为什么忙,那么人在忙,产出会体现在经济数据里吗?

这就轮到索洛登场了。

1987 年 7 月,经济学家索洛在《纽约时报》书评里留下一句名言:

" 计算机时代的生产力随处可见,唯独在统计数据里看不到。"

同年 10 月,他拿到了诺贝尔经济学奖。

我们看具体数据:

美国非农部门劳动生产率,1948 到 1973 年年均增速 3.19%。

1974 到 1995 年,正是电脑铺满美国企业的二十年,增速反而跌到 1.53%。

1996 年后互联网爆发,回到 3.15%,2004 年后又掉回 1.39%。

一个人可以更忙且产出更多,也可以更忙而产出不变,后一种就是索洛担心的。

那么 AI 会不会把索洛悖论再演一遍?

六

把索洛那句话里的计算机换成 AI,放到 2025 年几乎一字不用改。

微观上,芝加哥大学的 Anders Humlum 教授,把丹麦 2.5 万名员工的调查和官方税务、就业档案连在一起进行了分析。

结论是用 AI 的人平均只省了 2.8% 的时间,对收入和工时没有显著影响。

企业层面,MIT 去年年 7 月发布《GenAI 鸿沟》报告:企业在生成式 AI 上投了 300 亿到 400 亿美元,95% 的机构没看到可衡量的回报。

宏观上,2026 年 2 月,《经济学人》的 Callum Williams 贴了一张美国生产率曲线。

配文只有一句:美国数据里依然看不到 AI 带来的生产率提升。

Indeed 招聘实验室还指出,扣掉堆投资之后,美国的全要素生产率 2025 年反而从 1.5% 放缓到了 0.8%。

七

那么问题来了:一项明显很牛逼的技术,为什么迟迟没有体现在经济数据中?

斯坦福经济学家 Paul David 给出了一个很多人都认可的解释:电力也曾经是一个索洛悖论。

1881 年就有了发电站,但到 1900 年,工厂里几乎找不到电力提效的证据。

直到一代人之后,工厂按物料流动重排生产线,每个工人配一台小电机。

到 20 世纪 20 年代,美国制造业生产率增速才冲到每年 5% 以上,距电力商业化已过去四十年。

这就是著名的生产率 J 曲线:新技术刚落地,企业先要改流程、培训人,生产率要经历一个先降后升的过程。

所以,按照这个解释,今天的 AI 就卡在 J 曲线底部。

Workday 的研究发现,89% 的机构里只有不到一半的岗位按 AI 能力重新设计过。

也就是说,我们现在大部分人还走在 AI 的后边。

乐观派的旗手是美国经济学家 Erik Brynjolfsson。

他也是有数据支撑的,2026 年 3 月美国劳工统计局公布,2025 年生产率增长 2.8%,疫情前十年平均只有 1.2%。

他发推说,还很难确定有多少是 AI 的功劳,但索洛悖论可能该退休了。

但也有悲观派,比如 MIT 经济学家的阿西莫格鲁,也是 2024 年诺贝尔经济学奖得主。

他在论文《AI 的简单宏观经济学》(The Simple Macroeconomics of AI)中计算:

AI 未来十年对全要素生产率的拉动不超过 0.66%,十年加起来还不如一个普通年份。

两派分歧在于曲线什么时候拐头、能拐多高。

我个人认为,AI 在宏观上还是偏乐观的,只是对于微观的个体而言,情况差异可能会非常大。

九

最后聊一聊谈到 AI 经常会说的:杰文斯悖论。

1865 年,英国经济学家杰文斯写了本《煤炭问题》。

当时蒸汽机越来越省煤,杰文斯却断言:效率一高,用得起蒸汽机的工厂更多,煤只会烧得更快。

后来的事实完全如他所言。

这就是杰文斯悖论:资源的使用效率提高,往往让总消耗量增加。

前提是需求对价格足够敏感,便宜一点就能解锁一大片新用途。

2025 年初,DeepSeek 把大模型成本打下来,市场担心以后用不了那么多芯片。

1 月 27 日,英伟达一天蒸发约 5930 亿美元市值,创下美股单日纪录。

当时微软 CEO 纳德拉发了条推,只有一句:杰文斯悖论又来了,AI 越高效越便宜,用量就会暴增。

纳德拉说对了吗?

数据证实了纳德拉的说法。

Epoch AI 是专门追踪 AI 发展的独立研究机构。它 2026 年 9 月 22 日发布的报告《智能的价格在暴跌》测算:

自 2023 年以来,在同等表现水平下,AI 的成本每季度下降约 47%,相当于每年降 13 倍。

报告里有个很好用的例子:

同样是在 GPQA Diamond 测试上拿到 75% 的成绩,2025 年 1 月用 OpenAI 的 o3 每题约 30 美分,不到 18 个月后用 GPT-5.6 Luna 每题约 0.0004 美元,便宜了 725 倍。

报告还拿历史做了对比:

AI 推理降价的速度大约是 DNA 测序的 4 倍、计算机算力的 6 倍、电池的 18 倍、电力的 54 倍。

用量端,谷歌每月处理的 token,2024 年 4 月是 9.7 万亿,到 2026 年 I/O 大会已是 3200 万亿。

OpenRouter 是开发者调用各家大模型的中转平台,可以看成全球开发者用量的晴雨表。

它的每周 token 用量从 2025 年 1 月 13 日那周的 0.5 万亿,涨到 2026 年 9 月 14 日那周的 128.4 万亿,20 个月涨了大约 250 倍。

到 10 月,OpenRouter 在截至 10 月 26 日的一周里处理了大约 194 万亿 token,这一周的量超过了平台此前约 39 个月的累计总和。

国际能源署测算,全球数据中心用电将从 2024 年的 415 太瓦时翻倍到 2030 年的约 945 太瓦时,比日本今天一年的用电还多。

单个 token 的电耗年年下降,杰文斯悖论中的煤换成了电。

十

2016 年,Hinton 说现在就该停止培养放射科医生,五年内深度学习就会做得比他们好。

十年过去,梅奥诊所的放射科医生从约 260 人增加到 400 多人,美国放射科医生 2025 年平均年薪达到 57.1 万美元。

这背后的原因是,AI 让影像检查更便宜更快,做的人更多了。

Karpathy 转发的一篇分析就把杰文斯列为原因之一。

更早的版本是 ATM。

经济学家 James Bessen 发现,ATM 让一个城市网点的柜员从 20 人降到 13 人。

可网点成本降了,银行拼命开新网点,美国柜员总数反而从 1990 年的约 50 万涨到 2010 年的近 60 万。

所以杰文斯悖论能成立得有个条件:需求得有弹性,就是价格下降了,需求的确会变多。

从目前大家想尽办法都要搞定 Claude 的 KYC 验证来看,智能需求的确存在极大的弹性。

十一

2026 年 10 月,亚马逊的贝索斯在福克斯新闻的采访里说,AI 会让一些人一周工作三天就能养家。

听起来很美,和凯恩斯九十多年前说的几乎一模一样。

2025 年 12 月 26 日,OpenAI 创始成员 Andrej Karpathy 发了条长推,开头就是:作为程序员,我从没觉得自己这么落后过,这条推文浏览量超过了 1710 万。

他是全世界最会用 AI 的人之一,按理说最该先闲下来,但他感受到的是精疲力尽。

这不,他后边也从 Anthropic 辞职不干了嘛!

所以,效率是技术给的,闲暇得靠自己争取。

我的建议只有一条:作为 AI 时代的祥子,要争取比别人更早地弄到一辆牛逼的车。

不说了,我要去蹬我放在加拿大温伯格 Mac Mini 里的 Claude 了。

毕竟周二它就重置了!

—— End ——

评论
大家都在看