AI的能力在快速提升,但技术进步、企业增长和个人受益之间,并没有一条自动接通的路。
文 | 浩叔 ,20年一级市场经验,经历10年自动驾驶产业周期,momenta/九识智能早期投资人
2026年10月24日,在“程序员之夜”一周年纪念活动上,浩叔分享了带来《内卷时代的AI经济学》主题。这场活动由苏州卓越高校校友联盟主办。
钱从哪里来?谁在为效率付费?过去的经验还有什么价值?当所有人都开始使用AI,真正的差别又会出现在哪里?
从产业看投资,也要从产业变化里,看清个人的位置。
01技术创造了价值,谁能把价值留下?
讨论AI,很容易被一个不断增长的数字吸引:收入、用户、token,或是资本开支。在浩叔看来,增长的规模之外,还有一笔更值得拆的账:这笔收入对应谁的支出,它解决了什么问题,又能持续多久?
一家企业收入增加,既可能是新需求出现,也可能是旧预算转移。两种增长都可能形成生意,但对客户、竞争者和产业链的影响不同,投资人需要追问的问题也不同。
浩叔用“四个口袋”,解释AI产业里的钱从哪里来。
纯增量,是以前没有的商品和服务。原本因为能力或成本限制无法完成的事情,现在可以做了,新需求因此出现。值得进一步观察的是,尝鲜之后,有多少客户会持续使用和付费。
纯转移,是从旧行业切过来的预算。翻译、客服、内容制作和某些传统软件服务,可能被新的AI方案承接。对使用者而言是降本,对原有服务方而言却可能是订单流失。新方案能否长期占住这笔预算,还要看质量、交付和客户关系。
效率回收,是把省下来的部分成本变成新的支出。企业用AI减少重复劳动、缩短流程,再把其中一部分节省支付给工具供应商。这样的生意,最终要回到可验证的效果:到底省了什么,新增的检查和返工又花了多少?
资本循环,则需要把融资、采购和最终需求分开看。投资方、算力供应商和客户可能相互交叉。交叉关系本身不等于业务没有价值,但融资的现金流与客户购买服务形成的收入不能混为一谈,最终仍要看需求是否真实、付费能否持续。
技术改变了生产方式,利润却要经过商业模式、竞争格局和客户选择,才会落到某一家企业身上。
02K型分化,分的不只是技术能力
浩叔观察产业变化,也关注技术人员在产业中的去向。
在他熟悉的几位工程师身上,十年间出现了不同的路径:有人留在原来的岗位,有人从熟悉的技术与客户出发创业,也有人随着自动驾驶、机器人等产业的发展调整方向。
这些经历不是谁比谁更成功的证明,而是提示了一个现实:相近的起点和努力,放进不同的产业环境里,可能得到不同的反馈。
K型分化,不能简单理解成“懂AI的人向上,不懂AI的人向下”。更重要的区别是,既有能力能否接上新的需求,以及一个人的投入,究竟是在积累可迁移的经验,还是越来越依赖某个单一岗位。
多学一个工具当然有用,但如果工作仍然只是重复执行,客户、流程和判断都没有进入自己的能力范围,工具熟练度未必足以支撑下一次转身。
反过来,理解业务、熟悉客户、能够处理复杂现场的人,也需要找到新的表达方式。过去被藏在岗位里的经验,要变成别人看得见、用得上、能够验证的成果,才能继续发挥价值。
03四笔账,决定投入能不能变成回报
对企业来说,AI是一项资源配置。对个人来说,同样如此。
面对不断出现的新工具,浩叔借用机会成本、成本效益、沉没成本和相对位置四个经济学判断,讨论了一种更具体的选择方法。
第一笔是机会成本:选择这里,也意味着放弃别处。
每天刷半小时AI资讯,得到的是信息更新;同样的半小时,也可能用来跑通一段自动化、深入理解一个问题。机会成本不是把所有没做的事加总,而是原先被放弃的、最有价值的替代选择。
第二笔是成本效益:额外收益,要能够覆盖额外成本。
一个AI订阅值不值,不能只看价格,也不能只看功能清单。要看它相对于原来的工作方式,多带来了什么,又增加了多少学习、核验和返工。
如果工具缩短了交付周期,减少了重复劳动,或者让原本做不了的任务成为可能,就有了评估价值的基础。若只是因为担心落后而购买,订阅费再低,也可能只是多了一项闲置支出。
免费产品同样有这笔账。价格为零,不代表时间投入、迁移成本和后续付费也为零。浩叔用“花生米和酒”作比方——免费的花生米,它不是送你的,它是让你口渴的。
第三笔是沉没成本:继续做,需要有未来的理由。
电影已经看了二十分钟,发现不喜欢,接下来应该比较的是继续看与离开的价值,已经付出的票钱不会因为留下来而回来。
企业部署AI系统、个人购买课程或订阅工具,都可能遇到类似处境。已经投入很多,并不能单独构成继续投入的依据。真正值得判断的是,从今天开始,调整后还有没有回报,替代方案又需要付出什么成本。
第四笔是相对位置:别人都在加码,不代表自己获得了更多实际价值。
前排观众站起来,后排为了看见也跟着站,最后全场更累,却没有因此一起看得更清楚。AI竞争中,也可能出现这样的局面:所有人都增加投入,原先的效率差别又逐渐缩小。
但相对优势仍然重要,商业竞争也不会消失。
工具会更新,经验要进入真实业务
沉没成本的判断,容易被误读成对过去的否定。花掉的时间无法收回,过去形成的能力,却仍然可能为未来服务。
资深工程师的经验,不只体现在写过多少代码。系统异常时知道先查哪里,客户说“很简单”时能听出尚未说清的约束,演示方案进入真实环境前能预见风险,这些判断都来自长期工作的反馈。
这类能力的难点,是不容易被外部直接看见。它们如果只停留在个人脑中,就很难进入团队协作,也很难被客户和市场评价。
随着AI生成内容和代码的成本降低,提出恰当的问题、核验结果、理解场景并承担交付责任,仍然是人与工具协作中必须完成的工作。把经验用在这些环节,比反复证明自己会多少工具,更容易形成有说服力的成果。
技术红利的终点,是更大的选择空间
企业需要判断,技术改善能否变成客户愿意支付的价值,收入又能否留下来。个人也需要判断,新增的工具和投入,是否带来了可迁移的能力、可验证的成果,以及更大的选择空间。
这也是“从产业,看投资”落到个体的意义。关注一个赛道的热度之外,还要理解自己能参与哪一环,凭什么创造价值,以及这种价值能否持续。
看懂技术创造了什么,看清价值如何留下。是理解AI经济学的起点,也是做投资始终要算清的一笔账。
— END —
关注浩数投资视点,
在产业变化中检验投资判断。

