现在AI演示一个接一个,写代码、做视频、答题都挺像样,可很多人看完发布会,再低头看工资条,心里还是没啥波动。不是AI不聪明,而是从技术变强到工资上涨,中间隔着好多道关。企业省下的时间和钱,先落到谁口袋里,才是真问题。
先得把三种“成功”分开看。模型会考试、会写东西,算一种成功;企业在报表上多赚钱,是另一种;普通人工资、工时、福利变好,又是另一种。屏幕上赢了,不等于报表上赢了,更不等于工资条上赢了。
不少人以为AI一强,企业马上用,用了就涨工资。其实能力这一关就不好过。大模型擅长标准、清楚、能验证的任务,可每个行业都有隐性规矩、客户关系、责任链条,这些不是看几篇公开文档就能学会的。一个再聪明的通用工具,进了具体公司,也得先学会采购、报销、渠道、售后这些活。
到了真实场景,容错率又低。机器人表演投篮和在家里干活,不是一回事;医疗AI给参考意见可以,真进诊疗就得有人签字、能追溯、能解释。内容生产里有些环节确实省人了,但不能拿一个案例推所有行业。AI要在现实里变成生产力,得穿过环境、可靠性、责任和成本这几道窄门。
还有一道关常被忽略,局部提效会被全流程瓶颈吃掉。一个研发岗位真正写代码的时间可能只占三成,写码快十倍,不等于交付快十倍。需求澄清、评审、联调、验收、发布、售后,哪一步都要时间。个人体感是“我快了”,公司算的是“整条链快了多少”,两本账经常对不上。
再往后是分配。AI价值链上游先吃到钱,芯片、算力、云、平台、模型研发都更稀缺。企业用AI还要先投数据清洗、流程改造、培训和合规,当期支出不少。省下来的成本不一定变工资,可能变利润、股东回报、再投入,或者在价格战里让给消费者。消费者买到便宜服务是好事,但那不自动等于工资上涨。
议价这一关也很现实。AI先改任务,再改岗位;先改工作内容,再改招聘和薪酬。有时候不是突然没工作,而是工作还在,涨薪更难。高暴露岗位工资先承压,互补型岗位可能受益,就业结构一变,平均工资也会被拉低。相关不等于因果,早期证据也不能当最终结论。
最后是制度。技术只提供可能,红利到不到普通人手里,要看规则。普通人变富无非几条路:工资涨、服务降价、资产升值、税收社保和公共服务更好。AI省下的时间要变成休闲或福利,需要竞争政策、劳动议价、利润分享、培训、社保和工时制度一起配合。只把AI当裁员工具,省下的时间不会自己变成好日子。
反过来说,也不能把工资不涨全怪AI。全球化、行业周期、劳动份额变化、企业竞争,都在影响收入。AI也可能通过降价提高实际购买力,长期还可能造出新岗位,但短期调整的成本是真的。不同国家、行业、岗位差别很大,不能拿一个案例推全局。
所以企业别停在买账号、做演示。真要看AI有没有用,得看交付周期、客户留存、质量成本,而不是只看某个环节快了多少。流程、数据、责任链不改,AI再聪明也只是个玩具。
个人这边,别只练容易被标准化的活。跨部门协调、复杂判断、理解客户、承担责任、懂行业隐性知识,这些更难被编码。用AI放大自己可以,但完整报酬要看工资、工时、福利、股权和利润分享,不只看名义工资。
政策端也别只盯失业率。工资增长、劳动收入份额、社保和培训同样重要。算力、数据、平台如果太集中,红利就容易卡在少数环节。制度要做的,是把技术收益往公共福利和劳动者回报上引一点。
回到开头那个问题,AI不是不聪明,是红利传导链太长,闸门太多。工资是分配问题,不是智力问题。省下来的钱去哪了,谁掌握了瓶颈资源,企业成本变成了利润还是工资,劳动者议价能力有没有提高,制度有没有把收益分出来,这些比“AI会不会取代人”更贴近工资条。
判断AI,别只看考试分数和演示视频,要看它能不能稳定解决问题,更要看它创造的价值最后流向谁。这事不浪漫,但很实际。