AI 就业转型（三）：工作变便宜，岗位不一定减少

AI 就业转型 · 3/6

常见的自动化叙事只看到生产率的一面：如果 AI 让一个人的产出翻倍，公司完成原有业务只需要一半的人。

这个判断成立的前提，是业务量保持不变。

当产品变得更便宜、更快、更容易定制，也更容易获得时，人们通常会购买更多。AI 既可能减少每单位产出所需的人力，也可能同时扩大市场需求。岗位最终增加还是减少，取决于哪一种力量更强。

这就是为什么需求弹性应该成为 AI 就业分析的核心变量。

生产率同时带来人力节省和规模扩张

假设一家设计公司需要十名设计师，每年交付 1,000 个项目。AI 让每名设计师的产出翻倍，公司完成原有业务只需要五个人。

但如果更快的交付和更低的价格把年度需求扩大到 3,000 个项目，公司按新的生产率反而需要十五名设计师。每个项目使用的人力减少了，总就业却增加了。

前一种力量是直接的人力节省，后一种是需求扩张带来的规模效应。

很多自动化预测只计算第一种力量，默认总产出不变。分析固定的内部工作量时，这样做或许可行；当 AI 改变一种市场服务的价格、质量、速度和可及性时，这个前提就不再成立。

价格下降后，购买量明显增加，说明需求弹性较高；购买量变化很小，说明需求弹性较低。

有些工作由事件而不是价格决定。消防服务变便宜，不会制造更多火灾。部分医疗需求受到疾病发生率、保险支付、人员配置规则和公共预算限制。生产率提高可以改善服务，但新增业务量未必足以保住所有岗位。

另一些市场则积累了大量未被满足的需求。许多小企业因为价格过高，长期推迟定制软件、设计、分析、法律咨询和营销服务。AI 降低交付成本后，这些客户可能进入市场；原有客户也可能购买更频繁的分析、更多版本或更个性化的服务。

这也是就业框架背后隐藏的创业机会。最值得进入的 AI 市场，未必是能够减少最多人工的地方，而可能是降本后能够释放最多新增需求的地方。

价格只是其中一部分。AI 还会改变等待时间、稳定性、定制程度和单位价格对应的服务质量。

一项医疗服务变快后，可以服务过去因为排队太久而放弃的人。一项法律服务更容易获得后，可以处理过去不值得付费的小额纠纷。软件定制成本下降后，每家企业都可能拥有贴合自身流程的系统，而不只是购买同一套通用工具。

即使标价不变，这些变化也相当于降低了有效价格：客户用同样的钱获得了更多价值。

对创业者来说，只围绕降本设计产品是不够的。如果公司保持原有服务不变，只用更少的人完成交付，上限仍然受旧市场约束。围绕新的使用频率、新客户群和新的质量水平重新设计产品，才可能把生产率转化成增长。

OpenAI 报告使用 GPT 模型，根据 O*NET 职业描述估算需求弹性：如果某个职业所提供服务的价格下降 10%，未来两三年客户会多购买多少？

这个数字只是结构化的先验判断，不是因果证据。一个职业未必只有一种清晰的产出和市场价格，保险、牌照、固定预算和互补环节的瓶颈，也可能阻止理论需求转化成真实购买。

企业可以用更直接的问题验证这个机制：

这些答案比一句“市场很大”更有价值。

即使总需求增加，收益也未必流向同一批劳动者。新增业务可能被新公司拿走，资深员工可能转向监督 Agent，初级岗位却继续减少；就业人数增加时，工资和议价能力也可能下降。

需求弹性只解释产出是否扩张到足以抵消人力节省。它不能告诉我们谁获得生产率收益、哪些技能变得更值钱，以及工作质量如何变化。

因此，这套框架应该用于制定策略，而不是制造安慰。劳动者需要判断常规生产变便宜后，人类判断会转移到哪里；企业需要判断能否用降本打开更大的市场，而不只是围绕减少编制竞争。

AI 会让供给变得充足。最终的经济结果，取决于是否有人重新设计产品、价格和分发方式，让需求真正承接这些新增产能。

Alex Martin Richmond, The AI Jobs Transition Framework, OpenAI Economic Research, April 2026.