AI 越能干，人为什么反而更多了？
有两个“本来应该发生”、却没有发生的故事。
第一个发生在搜索。ChatGPT 出现以后，最自然的预测是：既然 AI 可以直接给答案，搜索量应该暴跌。GWI 的跨国调查却显示，搜索引擎月度使用率在 ChatGPT 发布后一路升至 2024 年第二季度，随后到 2025 年第四季度才从 82.4% 降至 79.3%。这是 3.1 个百分点的下降，却不是坍塌。来源 Google 自己的对照实验甚至显示，在美国和印度、会触发 AI Overviews 的那部分查询中，看到 AI 摘要的用户后来搜索得更多，增幅超过 10%。这只是内部数据，不能外推为全球趋势，但足以说明“AI 答案越多，搜索必然越少”不是定律。来源
第二个发生在放射科。医学影像很早就被认为是最适合 AI 的领域。照固定的技术替代逻辑，放射科医生应该首先减少。现实却是，一项基于美国 Medicare 登记数据的研究显示，2014—2023 年放射科医生从 30,723 人增至 36,024 人，增长 17.3%。美国放射学会同时报告，影像量增长得比医生人数更快，机构正在用 AI 降低任务负担。这些事实只能证明自动化与增员并存，不能证明 AI 促成了增员。研究｜行业资料
这两个故事指向同一个问题：为什么单位工作量下降了，总岗位却没有同步下降？
覆盖率低当然会延缓替代，却解释不了已经深度数字化的银行、会计和影像领域为何仍有阶段性增员。更重要的原因是，我们用了一个错误的经济模型。
一、固定蛋糕谬误
我们通常把工作想成一块固定的蛋糕。假设社会每年只需要读一亿张片子，AI 让一位医生的效率翻倍，那么医生当然只需要原来的一半。
但现实中的工作量不是常数。一个更有用的粗略公式是：
岗位数 ≈ 总需求 ÷ 人均产出
自动化提高了人均产出，这是公式的分母；但它也可能通过降价、提速、提高质量，把总需求这个分子放大。究竟增员还是减员，取决于哪个变化更快。
19 世纪，以动力织布机为代表的机械化过程把织一码布所需的人工累计减少了约 98%，工厂织工人数却继续增加。布变便宜以后，普通人买得起更多衣服、窗帘和家具面料，需求增长超过了单位人工的下降。来源
ATM 让美国平均每家城市分行所需的柜员从 20 人降到 13 人，却因 1988—2004 年城市分行增长 43% 而没有消灭总岗位；柜员工作也转向客户关系。来源
二、机器替代任务，市场重写职业
机器接管的是原有任务，不是整份职业；成本下降会扩大产量，新流程还会生出新任务。最终就业是这些力量的净结果，而不是“机器能做什么”的能力清单。论文
电子表格消灭了大量手工加总和抄录。与 1980 年相比，美国少了约 40 万名簿记员和会计文员，却多了 60 多万名专业会计。不能把所有变化都归因于电子表格，但方向非常清楚：低阶记录工作收缩，分析、审计和解释工作扩张。来源
我把这种现象称为“瓶颈迁移”。机器没有让稀缺性消失，而是把它推到了下一层。
搜索把“找到网页”变得廉价，稀缺性便转向提出好问题、判断来源、综合冲突信息和采取行动。影像 AI 把部分模式识别变得廉价，瓶颈便转向结合病史、处理疑难病例、与临床科室沟通，以及为诊断承担责任。
三、增长可能只是前半场
但需求扩张不会永远跑赢效率。Bessen 的模型把美国纺织就业在 20 世纪中叶的转折主要解释为需求逐渐饱和；此后的贸易变化也加重了就业损失。研究者在纺织、钢铁和汽车业都观察到过类似的就业“倒 U 型”：先扩张，后饱和，再收缩。研究
需求天花板更低的农业走得更远：1948—2017 年，美国农场就业减少 81%，劳动时数减少 83%。机械化并非唯一原因，非农机会和农场结构变化也很重要。美国农业部
传统搜索没有出现预言中的坍塌、放射科医生仍在增加，至多说明需求扩张暂时跑赢了效率提升，并不能证明这种关系永远不反转。
搜索还存在口径错位：结果页、外链点击与 AI 的后台检索不是同一个指标。消失的可能是搜索框，不一定是搜索能力。
四、人数不是最重要的指标
即使一个职业人数增加，从业者也未必过得更好。
自动化可能压低单项服务价格，提高工作节奏，把收益更多分配给平台和大型机构。总量上的新增，也不能补偿具体个体的失业、降薪和转型成本。
还有一个更隐蔽的风险：职业训练阶梯可能被掏空。专家通常是在大量初级任务中形成直觉的。如果 AI 首先接管基础阅片、简单编码和资料检索，资深者短期会更高效，但新人从哪里获得成为资深者所需的练习？这目前更像一个需要验证的风险，而不是已经确定的结论，却可能比职业总人数更早暴露问题。
所以真正值得问的，不是“AI 会不会抢走我的职业”，而是：它把旧能力变成廉价品之后，哪一种新稀缺会变贵，而我能否迁移过去？