如果现在必须给这波狂热的 AI 浪潮定一个倒计时，我的预判是：大概还有 3 到 5 年，泡沫就会见底，狂欢将走向终结。

这不是看衰技术，而是商业和人性的必然。媒体天然的局限性强烈地放大了 AI 的能力，满屏皆是“颠覆”与“取代”。大家都在狂热地解构 AI 的“能力”，却极少有人停下来审视——无论是企业还是个体，我们承接这波浪潮的“组织能力”与“认知边界”究竟在哪里？

当巨大的算力和资金投入迟迟砸不出预期的水花，或者无法在财务报表上兑现预期时，狂热就会退潮。民众和资本会开始集体冷静，并重新审视 AI 带来的真实改变。

“神话版”背后的算计

如果你仔细去读最近那些关于 Sam Altman 身边人的访谈，其实能读出一层非常直白的信息：大模型公司在有意无意地夸大 AI 的神性。从商业逻辑看，保持这种“神话感”利大于弊——它能稳住估值，也能持续虹吸全球最稀缺的资源。

但抛开这些滤镜，技术的现实骨感得很。

以这两年被奉为圭臬的 RAG（检索增强生成）为例，它曾被视为终结幻觉的杀手锏。但真正下场带过队的人都知道，它的实际能力还远远不够完善，现在业内的热度已经肉眼可见地降了下来。再说被寄予厚望的 Agent（智能体），现状更是“大脑发达，四肢瘫痪”。

在执行端，Agent 面临着天然的商业壁垒。以 C 端点餐为例，你指望大模型直接帮你闭环交易？美团或饿了么这类拥有极深护城河的巨头，绝不可能将核心履约接口毫无保留地开放给模型公司。这种数据与利益的孤岛，注定了 C 端 Agent 在执行层面步履维艰。即便通过 RPA 或系统级模拟去强行驱动，也不过是穿新鞋走老路，是效率妥协的产物。

消失的门槛，激增的需求

面对效率跃迁，大众的第一反应往往是“工作要消失了”。但经济学上的“杰文斯悖论”（Jevons Paradox）给出了相反的预示：技术的跨代升级不仅不会减少工作总量，反而会诱发需求的激增。

ATM 机普及之初，社会普遍哀叹银行柜员即将失业。结果却是银行运营成本下降，接着开设了更多网点，柜员总数反而激增。只是他们的职能从机械的“点钞”跃迁成了复杂的“理财咨询”。

打字机的普及亦然，它没有消灭文职，反而创造了庞大的现代办公族。现在的 Agent 浪潮正处于类似的时刻：它让代码生成、文档撰写的“边际执行成本”趋近于零。因为廉价，以前那些“不值得投入人力”的长尾需求将被海量释放。我们不仅不会无事可做，反而要面对呈指数级增长的、对低成本产出进行管理、筛选与创意整合的需求。

当然，杰文斯悖论也残酷地揭示了技能需求的更迭：平庸的执行者会被淘汰，而能驾驭这种“廉价生产力”的指挥官将被无限放大。

停留在马车时代的“组织能力”

那么 B 端呢？因为数据和流程都是企业自己的，按理说自定义 Agent 的执行端应该很顺畅。但这里恰恰暴露了刚才提到的核心痛点：商业组织的系统性能力。

引入 AI 从来不是单纯的 IT 工具采购，而是对企业原有业务流、协作模式甚至认知体系的重塑。给马车夫强塞一辆现代化汽车，他大概率只会在杯托的位置插马鞭。

业内有一个非常生动的佐证：某公司上线了相对完善的 ChatBI（对话式商业智能），这本是传统 BI 融合 AI 曾被短暂寄予厚望的标杆场景。部署之后，系统查询量确实增加了，但有意思的是——新增的“高级业务需求”依然少得可怜。从结果上看，用户只是把“在系统里一层层点开报表”的动作，换成了“用嘴让 Chat 查报表”。

为什么？因为企业的“组织能力”没有跟上。查询通道和效率确实优化了，但业务团队本身的数据思维和分析模型并没有跃迁，他们根本不知道该向 AI 索要怎样的高阶洞察，价值需求自然无法被激发。

提问者与沉默者

手搓过大模型源码的同学应该很清楚：剥开大模型看似神奇的外壳，它的基本原理依然是统计模型。只是参数规模大到了“大力出奇迹”的地步。这就解释了为什么它在 Python 这种语料库极其丰饶的语言上无所不能，但如果你换成 Unlambda 这种小众语言，它立刻就原形毕露。

大模型其实是一面照妖镜，它逼迫我们重新审视个人的能力边界。

从某种意义上看，大模型和早年的搜索引擎没有本质区别。以前的搜索时代，会提问的人能借助工具无限放大自己的能力边界，不会提问的人依然在原地踏步。但大模型的出现制造了一个更残酷的现实：它极大地加速了信息的整合速度和密度。这意味着，“会提问的人”和“不会提问的人”之间的鸿沟，正在以指数级的速度被拉大。

平心而论，作为防杠声明，我必须承认这波技术对个人能力的放大是震撼的。比如前阵子我用 Cursor 和 Claude 跑通个人网站的开发。作为一个常年和数据打交道、前端能力“仅限于微调 CSS”的开发者，现在只需要给出清晰的意图，AI 就能帮我搞定那些繁琐的工程实现。

但在实际协作中，一个残酷的断层正在显现：

• 老员工往往拥有深厚的业务理解，却难以适应“指挥官”角色，不知道如何精准驱动 Agent；
• 新员工习惯了直接管 Agent，却缺乏底层细节的历练，难以判断 Agent 输出逻辑的真伪。

在未来的职场，你不仅是在和人竞争，也在和别人的“Agent 军团”竞争。参见 github 上各种蒸馏项目：同事.skill，张雪峰.skill，反蒸馏.skill）。

拿程序开发举例：软件工程中，真正耗时的从来不是敲键盘，而是“弄清楚我们要解决什么问题”。可以做一个大胆的预判：未来对程序员的整体需求非但不会降低，反而会被进一步激发。当开发门槛和代码实现成本大幅降低时，那些原本支撑不起高昂软件开发费用的垂直长尾行业，将成为这波技术红利的最大受益者。

新时代的“SEO”与稀缺性

当既有知识的获取与生成变得廉价，我们该往哪里走？

答案是：专注于没有类比的未知领域，以及那些在互联网上根本不存在的知识领地。这也是我在写第二本书《AI 时代的计算增长》时反复思考的命题。

现在，我个人博客被 AI 爬虫扫描的频率已远超搜索引擎。以前的企业靠 SEO 去提升排名、获取流量；而在 AI 时代，如何将企业独特的商业 know-how，或者个人的深度思考有效整合，并“正确地投喂”给大模型，已经成了一个全新的课题。Karpathy 这两天放出的那个关于“如何用 LLM 构建个人知识库”的 Gist，敏锐地捕捉到的正是这个趋势。

你设想一下，一家企业或个人散落在互联网上的信息，实际上就是供大模型读取的“外挂知识库”。在这个语境下，如何对抗有效信息的失真？如何确保你的核心优势被 AI 正确理解并传递给用户？这绝对是下一代商业必须要面临的拷问。

面对这样的未来，我们大可不必陷入“终结者”式的恐慌。

AI 很难在瞬间消灭某个职业，但它绝对会像手术刀一样，切除职业中那些重复性的、标准化的赘肉。当计算和内容生成变得无比廉价时，决定你能力边界的，不再是你掌握了多少具体技能，而是人类身上那些无法被量化的特质——意图、责任和审美。这些反而会成为这个时代最稀缺的硬通货。

当廉价的算力剥离了为了生存而被迫重复的劳作，我们或许终于有时间去直面那个最难、也最根本的问题：

既然已经拥有了如此强大的杠杆，我到底想创造点什么？