补偿力量不会自己出现，你得去找它

棉布变便宜了，人们多买衣服——直觉就能理解。银行开网点变便宜了，银行多开分店——也很直觉。这两个故事被反复用来论证”AI 不会消灭工作”：效率提升 → 成本下降 → 需求膨胀 → 就业增加。

但这里有一个被跳过的问题。

人需要衣服，这是一种明确的、可感知的需求。人需要方便的银行服务，这也是。你可以看到需求存在，只是以前太贵了满足不了。AI 让”写代码”变便宜了——然后呢？谁在多”买”代码？AI 让”写文章”变便宜了——谁在多”买”文章？这些需求的膨胀空间到底有多大？有没有上限？

经济学对这个问题有一个框架，叫 Jevons 悖论。但大多数引用它的人省略了一个关键细节：这个悖论有成立条件。不是所有效率提升都会触发需求暴涨。搞清楚条件是什么，才能判断 AI 到底会不会创造新就业。

更根本的问题是：即使新需求会出现，你怎么找到它？

经济学家预测不了的那一半

Jevons 悖论有三个必要条件： 1. 技术进步提高了效率 2. 效率提升转化为了消费者价格下降 3. 价格下降必须导致需求量大幅增加——即需求弹性必须足够高

第三个条件是整个辩论的关键。

需求弹性高意味着：价格降一点，购买量就涨很多。棉布就是高弹性商品——18 世纪的穷人不是不想穿棉布，是买不起。价格一跌，需求爆发。银行服务也是——偏远地区的人不是不想存钱，是没有网点。网点一开，客户涌入。

但不是所有东西的需求弹性都高。

一篇文章翻译一次就够了。你不会因为翻译变便宜就把同一篇文章翻译十遍。一个产品需要一套文案，不需要一千套。一个功能写一遍代码就够了。在这些场景里，效率提升带来的不是”需求暴涨”，而是”同样多的需求，用更少的人就搞定了”——也就是标准的劳动替代，Jevons 悖论不会触发。

所以问题变成了：AI 降低成本的那些领域里，到底是”本来就有但被压抑的巨大需求”更多，还是”需求基本饱和、效率提升直接变成人力缩减”更多？

MIT 的 Erik Brynjolfsson 认为放射科医生、翻译、程序员这些领域能满足三个条件——因为确实有大量”以前想做但太贵没做”的需求（以前不值得给每张 X 光片做双重检查，现在 AI 可以全做；以前不值得翻译的小语种文档，现在可以全翻）。Acemoglu 则认为只有约 5% 的任务真正满足条件，大部分场景的需求弹性没那么高。

谁对？诚实的答案是：没有人知道。

这不是回避。这是经济学的一个结构性盲区。

回顾历史。1882 年爱迪生建了第一座发电站的时候，没有任何经济学家预测”冰箱”会成为一种产品、”家电销售员”会成为一种职业。1995 年互联网商业化的时候，Newsweek 还在嘲笑互联网没有经济价值——没有人预测”搜索引擎优化师”或”App 开发者”会成为数百万人的饭碗。2020 年，”Prompt Engineer”这个词不存在于任何一本职业指南里。

Schumpeter 把这种不可预测性叫做”创造性破坏”。他的核心洞察是：新需求来自”新组合”（neue Kombinationen），不是对现有需求的线性延伸。你无法从”人们需要马车”推导出”人们将需要汽车”，更推导不出”人们将需要汽车保险、驾照考试、加油站、道路救援”。每一种新技术都会催生出一组在技术出现之前无法想象的全新需求。

经济学可以在事后优雅地解释为什么需求膨胀了。但在事前，它几乎无法告诉你”具体会膨胀到哪里”。

这既是坏消息也是好消息。坏消息是：没有人能给你一张”AI 将创造的未来岗位清单”，谁说能给你都是在骗你。好消息是：正因为它不可预测，每一个愿意去探索的人都有机会率先发现它。

供给无限时，需求还会跟着涨吗？

即使你接受”新需求会涌现”的大方向，还有一个更尖锐的质疑需要回答。

过去的效率提升有一个内置的刹车：供给扩张需要时间和资本。织布机再快，你也得建工厂、买棉花、雇工人、等船运。这种物理约束让供给是渐进释放的——需求的增长有时间跟上。

AI 时代的供给端几乎没有这种刹车。一篇文章，AI 十分钟写十篇。一个 logo，Midjourney 三分钟出一百个。一个 App，一个人加 Cursor 几天搞定。边际生产成本趋近于零，供给瞬间可以爆发到几乎无限。

当供给无限而需求有限时会发生什么？价格跌到接近零。这在信息产品领域已经在发生——博客文章、AI 生成图片、短视频的”价格”已经是零（靠注意力和广告变现，而非直接收费）。

Herbert Simon 在 1971 年就指出了这个问题：”信息的丰富必然意味着注意力的匮乏。” 人每天只有 24 小时。AI 能生产无限的内容，但人类的消费能力有天花板。这是一种硬约束——它意味着 Jevons 悖论在”注意力密集型产品”上可能失效。

但这里有一个关键的区分。

注意力约束主要限制的是面向终端消费者的信息产品——文章、视频、图片、音乐。你不会因为内容变多就一天看 48 小时的视频。

但对于另一大类需求——生产力工具、B2B 服务、基础设施——约束不是注意力，而是预算和组织惯性。这类需求的弹性可能远高于人们直觉上的判断。

举个例子。以前一个中小企业做客户行为分析需要雇一个数据分析师（年薪 $60K+）。大部分中小企业因此根本不做。AI 把这件事的成本降到了 $200/月。全球有几千万家中小企业。这里的需求弹性极高——不是”原有客户买更多”，而是”几千万个之前完全不在市场里的买家突然进场了”。

类似的逻辑适用于： - 个性化教育（以前只有富人家的孩子有家教，AI 让每个学生都能有） - 法律服务（以前个体户负担不起律师，AI 法律工具让他们进场） - 心理咨询（以前因为费用和stigma不去，AI 让隐私和成本问题同时解决） - 多语言服务（12 亿人从未用母语享受过优质数字服务）

这些不是”更多人看更多文章”的注意力消耗型需求。这些是实质性改善生活和生产力的需求，它们的天花板远高于内容消费。

世界银行的数据显示：在新兴市场的 EdTech 企业中，86% 已经集成了 AI；AgTech（农业科技）70%；Fintech 54%。这些不是硅谷的玩具。这些是正在覆盖几十亿人的基础服务。

Jevons 悖论在 AI 时代是否成立，取决于你看的是哪类需求。 如果你盯着”AI 写文章”，你会看到供给过剩和价格崩塌。如果你看”AI 把以前只有富人用得起的服务变成人人可用”，你会看到一个几乎无限的需求池在等待被释放。

这两件事同时在发生。悲观派和乐观派看的是同一枚硬币的不同面。

三种补偿力量的发现方法

回到 Kedrosky 的那句话：”除非你能识别出具体的补偿力量，否则就业存活可能只是巧合，而非机制。”

历史上出现过四种补偿力量：市场地理扩张（殖民帝国、全球化）、新消费阶层崛起（中产阶级）、制度变革（银行业管制解除）、全新需求类别涌现（家电、App 经济）。

AI 时代，这四种力量都有可能重现。但关键不是等它们自己出现——而是主动去找到它们。以下是三种具体的方法。

方法一：全球化 × AI = 被压抑需求的释放

你的用户的判断是对的：全球化会加速补偿力量的出现。

逻辑很简单。全球有 12 亿人从未享受过个性化教育服务——不是不需要，是以前人力成本太高，没人做得起。AI 把服务的边际成本压到接近于零。剩下的问题是本地化：语言适配、文化调整、监管合规、渠道建设。这些”桥接层”的工作仍然需要人，而且需要大量懂当地市场的人。

非洲 AI 教育峰会（2025 年 11 月，内罗毕）聚集了 100+ 开发者和政策制定者，讨论的核心议题就是：如何让 AI 教育工具真正适应撒哈拉以南非洲的语言和教学场景。每一种语言的适配背后，都是一批做内容审核、教学设计、本地化测试的新岗位。

具体操作路径： - 选择一个”以前太贵做不了”的服务品类（教育、法律、健康、金融） - 选择一个”有需求但缺供给”的市场（东南亚、南亚、非洲、拉美的二三线城市） - 用 AI 把服务成本降到目标市场能接受的水平 - 你做的”人类工作”是：理解那个市场的真实需求、做本地化适配、建信任

这不是”用 AI 创业”的硅谷故事。这是”用 AI 进入以前进不去的市场”的全球化故事。3040 万美国 solopreneur 里，越来越多的人靠的不是做另一个面向英语用户的 SaaS，而是把 AI 工具包装成某个垂直市场的解决方案，服务一群以前完全没有选择的用户。

方法二：从 Jobs to Be Done 出发，而非从技术出发

大部分”AI 创业失败”的案例有一个共同特征：创始人先拿到了 AI 的锤子，然后四处找钉子。他们的起点是”AI 能做什么”，而不是”人们需要什么”。

Clayton Christensen 的 Jobs to Be Done 框架提供了一个反向思路：

不要问”AI 能做什么”，问”人们在什么情境下想完成什么任务、遇到了什么障碍”。

具体方法： 1. 观察而非问卷。去看人们在做什么，在哪里卡住了，用了什么笨办法绕过去。Reddit、知乎、行业论坛里充满了这种”痛苦的变通方案”。 2. 定义 Job（任务）。格式：”当我处于 [某个情境] 时，我想 [完成某个任务]，以便 [获得某个结果]。” 比如：”当我是一个非英语母语的小企业主，想给海外客户写一封得体的商务邮件，以便不因为语言问题丢掉订单。” 3. 评估 AI 是否能大幅降低这个 Job 的成本。如果能，你找到了一个潜在的高弹性需求。 4. 验证规模：有多少人面临同样的情境？他们目前在为变通方案花多少钱/时间？

这个方法的优势是：Jobs 相对稳定，技术在变。”想给海外客户写得体邮件”这个 Job 不会因为技术变化而消失。它存在了几十年，只是完成的方式在变。围绕稳定的 Job 构建的服务，比围绕热门 AI 技术构建的产品更抗风险。

PwC 报告里说”设计能力已超越纯技术能力成为雇主最需要的技能”。这里的”设计能力”本质上就是 JTBD 的能力：理解用户在什么情境下想做什么，然后规划一条从当前状态到目标状态的路径。

方法三：用 AI 本身来发现需求

这是你直觉中”用 AI 去挖掘”的具体展开。

AI 不擅长判断”什么值得做”，但它极其擅长”大规模扫描信号”。这两件事组合起来，就是一个高效的需求发现引擎：

第一步：AI 做信号扫描。 - 用 AI 批量爬取目标行业的论坛、社区、产品评论、社交媒体。 - 让 AI 做情感分析和痛点聚类：”这个行业的用户最频繁抱怨的三件事是什么？他们用了什么不满意的变通方案？” - 一个人 + AI 可以在 48 小时内完成传统市场研究公司两周的初步扫描。

第二步：人类做判断。 - AI 给你一百个”信号”。你的工作是从中筛出三到五个”真正值得解决的问题”。 - 判断标准：问题是否频繁出现？用户目前为变通方案付出了什么代价（时间/金钱/情绪）？AI 是否能把解决成本降低一个数量级？ - 这一步是 AI 做不了的。它需要行业经验、商业直觉和对人的理解。

第三步：AI 做快速验证。 - 选定一个方向后，用 AI 在 48 小时内做出最小可行产品（MVP）。 - 放到目标用户面前。不需要完美——只需要”够用到让用户愿意试用并给出反馈”。 - 用户反馈决定下一步是加倍投入还是换方向。成本极低，试错次数可以很多。

这个循环——AI 扫描 → 人类判断 → AI 验证 → 用户反馈 → 迭代——是 AI 时代”发现补偿力量”的核心操作系统。它不依赖运气或天赋，它依赖纪律和重复。

全球化到底能释放多大的需求池？

全球化是补偿力量的最大候选来源。但它不是无限的。

正面信号很强。印度 EdTech 市场从 2020 年的 $2B 涨到 2023 年的 $6B，预计 2030 年 $30B+。非洲移动金融用户从 2012 年的几百万涨到 2024 年的数亿。拉美 SaaS 同比增长 35%+。东南亚 AI 应用正在覆盖从农业到医疗的各个领域。

这些市场的共同特征是：巨大的人口 × 长期被压抑的需求 × AI 正在把服务成本降到可承受水平。仅印度和非洲，就有超过 20 亿人从未享受过发达国家视为理所当然的基础知识服务（个性化教育、初级法律咨询、心理健康支持、财务规划）。

但反面约束也很真实。

地缘政治碎片化正在让全球化变得更难。数据主权法规（GDPR、中国数据出境管理）限制了 AI 服务跨境运营的效率。语言和文化壁垒比技术壁垒更难逾越。监管碎片化让同一个产品进入不同市场的成本大幅上升。

净判断是：全球化能释放的需求池确实巨大，但不会像互联网时代那样”一个产品打全球”。更可能的模式是：每个区域市场都需要深度本地化的解决方案。这反而是好消息——因为”本地化适配”是一种高度依赖人类判断力的工作，AI 本身做不好。

对个人来说，策略很明确： - 如果你掌握某个非英语市场的语言和文化理解，你拥有一种 AI 暂时无法替代的优势。 - 用 AI 做产品和技术层，用人类判断力做市场选择和本地化层。 - 竞争最激烈的永远是英语市场。越是小众、越是垂直、越是需要文化理解的市场，AI 工具+本地知识的组合越有杠杆。