当智能开始吞噬劳动力｜Vital Views

推荐语

AI正从工具转变为劳动力本身，这场变革将重构整个软件产业和劳动力市场。

核心内容：
1. AI如何从记录工作转向完成工作，吞噬劳动力市场
2. 资本转化为算力生成智能，形成新的劳动形态
3. 软件公司从卖工具到直接提供工作成果的商业模式转变

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

全球 SaaS 市场已经大约有 3000 亿美元的年规模，而美国的劳动力市场则高达 13 万亿美元，当前软件所瞄准的，就是争夺这块劳动力市场的大蛋糕。

过去，几乎每一家软件公司做的都是把文件柜变成一个数据库，但现在的变化在于：几乎整个工作流程，都已经能够以端到端的方式完成了。

我接下来要分享的是软件如何 “吞噬” 了劳动力。

大约十年前，Marc Andreessen 曾在 《华尔街日报》 上发表过一篇文章，标题是《软件吞噬世界》（Software Eats the World），劳动力市场当然也属于 “世界” 的一部分。

如果今天你只从这段话中记住了一个要点，那就是：劳动力市场的规模，远远超过软件市场，这一点几乎是显而易见的。全球 SaaS 市场的年规模大约为 3000 亿美元，而全球软件公司的市值总和大约是 2.2 万亿美元。相比之下，仅仅美国的劳动力市场就达到 13 万亿美元，体量远远更大。

当然，这并不意味着软件市场很快就会变成一个年产值 13 万亿美元的市场，但关键在于，软件当前真正瞄准的，就是这个劳动力市场。

在一场风险投资大会上，没有什么比以全球最著名的共产主义者开场更合适的了，没错就是 Karl Marx。如果你读过 《资本论》（我是在大学时读的），你可能还记得其中的核心观点：世界由两种要素构成，资本与劳动，而资本剥削劳动，两者是对立的。

而真正令人兴奋的是，现在几乎可以用一种 “化学反应” 的方式来描述今天的逻辑：投资人提供资本，我们把资本交给公司，公司用这笔钱去买 GPU、租用算力、雇佣工程师、采购咖啡，再把 GPU 和咖啡提供给工程师，最终写出可以替代劳动力的软件。

这几乎成了新的 “E = MC²” ：资本转化为代码，代码替代人工。

我们已经看到这种现象正在大量公司中发生，这些公司扩张得非常迅速，因为它们面对客户、也就是终端用户时，提出的真正承诺是：“我们不卖软件，而是直接帮你完成这项工作。” 这成为了他们新的销售逻辑。

当然这个概念本身并不新鲜，自动化早已存在。例如《缝纫女工》这幅画大概来自 16 世纪或 17 世纪，描绘了织布机取代手工缝纫的工作，但仍然需要有人来操作织布机。再比如蒸汽船，还有古腾堡发明的印刷机。

最后是流水线——这是巨大的革新，它替代了原来由工人逐件手工组装每一个部件的方式，虽然仍有大量工人参与在流水线中，但劳动效率提升了数倍。

所以说，这个模式并不新鲜：资本可以被用来制造机器，从而提升单位劳动力的效率。但今天真正的转变在于，从任务输入到结果产出的整个流程，现在几乎都可以端到端自动完成了。

我认为理解过去，是理解未来与可能性的最佳入口。

回顾一下软件市场的发展历程，我的核心观点是：几乎每一家软件公司，做的都是把文件柜变成数据库的事情。这正是我们今天所看到的 2.2 万亿美元市值的来源，也是每年 3000 亿美元软件收入的来源。

第一个我想提到的例子是总部在德克萨斯的希柏系统软件有限公司（Saber Systems），它最初是 American Airlines 和 IBM 联合发起的项目。

你能想象在 1959 年订一张机票，American Airlines 是怎么操作的么？他们可能有大量的文件柜，里面是像这样的一张张表格。比如 Betty Owens 打电话来说：“我要订一张在 4A 位置的机票” 跟某个接线员通话后，又说：“哦等下，我其实想取消我的行程。” 对方不得不把记录擦掉。最终她又说：“实际上我想坐 2C 的位置。” 又得擦掉重写。

文件柜承担了所有信息记录的任务，效率非常低下，需要很多人来操作，而且各办公室之间无法共享信息，一切都封存在各自的文件柜中。希柏系统改变了这一局面，它将所有信息集中到 IBM 主机上，并可以使用的瘦客户端 (Thin Client) 来远程访问，这就成为旅行行业发生根本性变化的起点。Galileo 为酒店行业做了类似的事，Amadeus 则服务于欧洲市场，很多大型公司都是从这类系统中诞生的。

同样的事情也发生在销售领域。我记得昨天有人提到《推销员之死》（Glengarry Glen Ross）这部电影。你可能记得片中有很多名片，也就是所谓优质的客户线索，它们都是纸质的。对像我这样年纪稍大的观众来说，或许还记得 1980 年代的 Axe Systems，这是当时领先的 CRM 公司之一。GoldMine 在 1990 年诞生，Tom Siebel 则在 1993 年创办了希柏系统软件有限公司，这些公司所做的，都是把销售人员使用的文件柜系统先搬上主机。然后赛富时（Salesforce）在 1999 年出现，把文件柜放进了云端。你可以看到，在一部设定在 1950 年代的电影中，一个销售员查阅实体文件，而在 2010 年他可能查阅的是赛富时上的记录。

本质流程没变，只是媒介发生了变化。

制造与库存管理也是一个典型领域。想象你是一家制造商，你会问自己：我手头有多少个控件？我的库存是多少？销售情况如何？IBM 在这一领域也是先行者，后来许多仍然存在的公司如 SAP、Baan、JD Edwards 等都在做同样的事情：将传统的纸质记录系统数字化。

我最喜欢的说明这种模式的普遍性例子，就是图书馆的目录卡片系统。图书馆已经存在非常非常久了，杜威十进图书分类法（Dewey Decimal Classification）面世后，我小时候进图书馆都会查目录卡，根据字母顺序找书。后来有人创办了一个叫 OLC 的公司，发展成了一个颇具规模的企业，也就是后来更为创新的 Cersei Dynix，他们将这些目录卡片数字化，现在你在图书馆只需在电脑主机上查一下，就能知道书是否在架。

法律领域也是如此。1980 年代我去律所时，几乎整个办公室都被文件柜占满了。PC Law、LexisNexis、Reuters 等公司的收入很大一部分来自向律所销售服务，把原本占据第五大道高档办公室的资料变成数字文件。

我父母是会计师，我记得小时候去他们的办公室时，几乎没有地方可以给一个 5 岁小孩跑动，满屋子都是文件柜。后来 Intuit 推出 QuickBooks，将财务报表数字化，PeachTree 是 1970 年代的公司，MYOB 也是如此。说到底，核心仍然是文件柜，文件柜，还是文件柜。

最后还有 HR 和薪资系统。实际上，早在 Saber 之前，ADP（Automatic Data Processing）就已于 1949 年成立。那时候怎么记录员工考勤？靠的是时间条和打卡卡；怎么算预扣税？这一系列公司正是在解决这些问题，他们把纸质文件放进主机，然后像 Workday 这样的公司再把它们搬到云端。Workday 实际上就是当年 PeopleSoft 团队打造的新产品。

流程本身并没有改变，只是技术介质发生了转变。

1940 年和 2015 年查你的考勤卡的人，其实是同一批人，只不过媒介不再是纸张，也不再是大型主机，而是云端。我之所以强调这些，是因为整个过程其实并没有真正变得更高效，过去是人类阅读文件柜中的资料，现在则是人类阅读数字记录。就像一位女士无论她在做什么，比如正在处理一项客户支持请求，以前她可能是看着纸质文件在工作，现在她则是看着电脑屏幕。

理解这一点非常关键，因为整个软件的商业模式必须改变。

我把当前的这种模式称为对星巴克的一种致敬，也就是 SaaS 的 “小杯、中杯、大杯” 模型。如果你去任何一家 SaaS 公司的官方网站首页，大概率会看到类似的界面。Zendesk 几年前被普瑞米尔（Premier）和赫尔曼与弗里德曼公司（Hellman & Friedman）私有化，它是一家 ARR 为 20 亿美元的公司，商业模式是按 “座席” 出售。他们最受欢迎的服务，也就是 “大杯” 套餐，是每月 115 美元的 “专业座席（Suite Professional）”。

但正如我们这几天讨论的那样，现在人工智能已经可以非常有效地回答客户支持问题。那么问题来了：如果你的每一位客服人员的生产效率提升了 9,000 倍，你还需要多少个座席？

假设我有 1,000 名员工在客户支持呼叫中心，每个人的全成本是每年 75,000 美元，总人力成本是每年 7,500 万美元，那么软件成本是多少？是 1,000 乘以 115 再乘以 12，约等于每年 140 万美元。

人力成本远远高于软件成本。

而对于像 Zendesk 这样的公司来说，接下来可能出现两种截然不同的局面。如果人工智能能回答所有问题，那你还需要多少座席？

是零。

你一个座席都不再需要，人工智能可以处理一切。而 Zendesk 是按座席收费的，那么它的收入就会从 140 万美元变成零，这当然是一个非常糟糕的结果。

但情况也可能反过来。我们来看看数据：如果每位人类客服每年回答 2,000 个问题，那么一家使用 Zendesk 作为客户支持系统的公司，你的单位答复成本大约是 37 美元的人力成本，加上 0.69 美元的软件成本，也就是说，每次答复成本是 38 美元左右。

这是一个粗略的示例，或许 Zendesk 可以转而收取每年 500 万美元的费用，就像是说： “你不需要再为客服支出 7,500 万美元了，只要每年付我们 500 万美元就够了，别再给我们 140 万，给我们 500 万，你还能节省 7,000 万。” 所以 Zendesk 现在正处于一个临界点：它的收入可能降为零，也可能是现在的三倍。

到底会怎样？我不知道，他们也不知道。我最近在和他们的首席执行官交流，他们正在新西兰试点一种基于结果计费的模式，所以我们拭目以待。

这又是一个例子，说明劳动力或准劳动力市场的规模到底有多大。

我们之前提到的 13 万亿美元的工资市场，相比之下远远超过软件市场，而软件收入只是其中很小的一部分。如果我们只看一个类别，一个具体的职业，比如护士（之所以选这个例子，是因为我们在这个领域有一家被投公司）。

在美国，护士每年的总收入大约为 6,500 亿美元，全国大约有 450 万名注册护士，这一项职业的市场规模就已经超过了整个全球软件市场。当然，这并不意味着软件会 “吃下” 整个护理相关的软件市场。但这意味着，这才是真正与你竞争的池子。

我之所以从文件柜讲起，是因为未来的发展方向将从 “记录” 转向 “结果”。软件将不再只是扮演一个文件柜的角色，而是要开始在文件柜的内容上 “执行操作”。

这意味着什么？比如说旅行，如果我有一个旅行文件柜，那软件就不只是存储航班信息，而是可以帮我重新预订机票。假设我想为我儿子的高中安排 75 个学生的一次旅行，以前我需要联系一位旅行社代理，现在我不需要再和代理交谈了，我直接和 United Airlines 的人工智能系统交互，它就能帮我完成整个预订流程。销售领域、制造领域也一样。

图书馆目录卡片，这个例子听起来可能有些离奇，但如果我有一本书逾期未还，不应该是图书管理员打电话来提醒我，而是图书馆系统公司打电话来说：“该还书了，或者补订几本吧，因为这本书太受欢迎了。” 比如说 Ben 写的书卖得很好，那就应该主动提醒：“赶紧多进一些。”

一名人工智能护士无法做心肺复苏，也无法处理枪伤病人，但它完全可以打电话给像我这样的四十多岁患者，说：“你感觉怎么样？有没有什么我们可以帮忙的？”、“你发烧了吗？那你现在应该立刻去医院。” 之类的，这就是结果导向的服务。如果你拥有我的医疗记录，那你就可以基于此开展主动服务，然后收费，比如说每通外呼电话收费 20 美元。

人力资源与薪资管理也是一样。怎么做背景调查？如何验证你简历上写的三家公司是否真的工作过？其实 Workday 完全可以主动打电话给那三家公司问一句：“Alex 真的曾在你们公司工作过吗？” 它还可以解释福利政策、协助员工完成报名。如果它开始做这些事，Workday 的收入可能会增长三倍，因为它已经是人力资源的系统记录来源了。

如果你了解 Airbnb 的故事，你会知道 Airbnb 的起点是靠爬取 Craigslist 起家的。Craigslist 是一个来自 1990 年代中期、至今几乎毫无变化的网站，上面有很多公寓出租信息。但当你点进去看的时候，一半是骗局，另一半要么已经被预订了，要么每天被重复发布。他们所做的就是把这些信息放进一个更好的界面里，然后叫它 Airbnb，这就是他们的起点。

这也是我们现在看到的一种非常令人兴奋的趋势。由于我跟腱受伤，有了很多空闲时间经常刷 Craigslist，当然不是为了自己找工作，然后发现了一条 Craigslist 上真实的招聘广告。比如这是一家叫 Plaza Lane Optometry 的眼科诊所，他们在招聘一名前台接待，他们这个职位已经空缺了 6 个月，一直挂在那里。

现在加州法律要求公布薪资范围，他们写的是年薪 45,000 美元。从供需角度来看，如果他们把年薪开到 100,000 美元，可能早就招到人了，但他们需要控制在 45,000 美元左右，可能是出于成本结构的考量。

如果你看这份工作的职责内容，第一项是开关门、锁门，这当然是人工智能做不到的。但其他很多职责，人工智能完全可以胜任，比如与保险公司沟通、在病人预约前一天打电话确认，防止爽约。

如果你现在看眼科这个市场，会认为它完全不是一个 “好” 的软件市场。因为这个公司一年可能只花 500 美元用于软件，他们可能只是买了一个 Microsoft Office 授权，再弄了一个 Squarespace 或 Wix 网站，就没了。所以他们的软件支出是 500 美元左右。

但在这个新世界中，我们看到越来越多的公司在做这样的事情。他们浏览 Craigslist，寻找岗位招聘信息，然后主动联系说：“Plaza Lane Optometry，我想申请这个职位。” 眼科诊所的回应可能是：“好的，告诉我你的资历，你以前在哪工作？” 这时 “申请人” 说：“我知道这听起来很疯狂，但我其实是一家软件公司，我不能帮你锁门，但其他八项工作我都能做。可以给你演示一下吗？”

一开始眼科诊所可能会拒绝，但随后又说：“好吧，那我试试看。” 而且，这个服务每年只要 20,000 美元，远远低于他们原本为一个人类员工准备的 45,000 美元年薪，况且这个人类员工他们现在根本也招不到。

这就是现实中正在发生的事，而这些行业原本软件支出非常低，但劳动力支出极高，这种不平衡正在被打破，催生出一个庞大而快速增长的新市场，尤其是在那些看起来 “冷门” 的垂直行业里。

我想这次不讲概念，而是直接给你们一个例子。

这是我们的一家被投企业 Happy Robot，服务于货运和卡车运输领域。下面你将听到的是一个电话谈判的片段，是人工智能与一位潜在客户之间的通话：

“伊利诺伊州朱丽叶，今天早上 6 点到下午 2 点之间发货，星期一早上 6 点到下午 4 点送达。这单我这边是 700 美元，你要订这趟货运吗？”

“嗯，我这边需要 800 美元。”

“我这边可以查一下。”

“我们现在无法接受 800，有没有可能靠近当前平台的报价？”

“我可以做到 775，这是我最低的报价。”

“我明白。那有没有可能再便宜一点？”

“750 怎么样？”

“我看看。”

“好了，我这边给你拿到了 735。”

“735？可以。”

这就是一次完整的交易，不过现在问题来了：谁是机器人，谁是人类？这简直成了新的图灵测试。

再举一个例子，这是另一家公司 Salient 专做催收服务。如果你是贷款机构，比如汽车贷款公司，你需要定期催收还款，而 Salient 服务的就是大量此类贷款机构。下面是一段他们的通话片段：

“您的账户已逾期 51 天，欠款金额为 825.35 美元。您今天能付款吗？”

有意思的是，Salient 支持几十种语言，包括他加禄语、越南语、普通话等，这一点非常关键。很多人都理解错了，以为人工智能取代人类仅仅是因为人太贵、人工智能更便宜。其实不只是成本，人工智能能做的事情很多，比如处理间歇性需求，这就是一个重要场景。

想象你是一家零售商，“黑色星期五” 期间销量大增，你需要雇大量收银员；如果你是线上零售商，就要雇很多客服人员来处理问题。那么请问：等到 1 月 1 日你该怎么办？全部解雇？等到 11 月再重新雇一轮？但你其实得从 9 月开始雇人，因为还得培训，这非常麻烦。

还有很多行业都有类似的间歇性需求问题。比如 United Airlines，如果芝加哥遭遇恶劣天气，他们不可能在一夜之间雇佣并培训 10,000 人。

人工智能在这类场景中的表现非常非常好。

还有一个例子是，现实中有很多令人沮丧的工作。

什么是令人沮丧的工作？比如说催收就是其中一种，你要打电话给客户说：“你已经逾期了。” 在我听过的一些录音中，大约一半的通话都会遇到对方爆粗口。这绝对不是一份让人愉快的工作，人类做久了自然会感到厌烦。

但人工智能不会被这些影响，对于这类令人沮丧的工作，它非常适合。

另一个优势是监管可控性更强，以公司 The Firm 为例，我们每个季度都会接受 UDAP（“对消费者的不公平、欺骗性和压迫性行为” 规范）培训，有很多法规规定了你在与客户沟通时可以说什么、不能说什么。假设你打电话告诉客户：“你欠我钱。” 对方说：“去你的。” 而你的员工当天心情不好，很容易回一句：“去你的，客户。” 这下问题就大了。

如果你可以将整个通话流程完整地交由机器人执行，并进行有效编程，那么你就能获得比人类更高的合规性与可控性。

我最喜欢的一个例子是语言能力，我自己会说俄语、日语，还有一点西班牙语，也花了太多时间学语言。这是一个事实问题，如果我只说波斯语，斯坦福医院有谁能打电话来用波斯语问我疼痛等级？如果我只说蒙古语，他们有会蒙古语的护士吗？现在有了，人工智能护士、人工智能催收员、人工智能谈判者，所有这些角色现在都可以立刻用几十种语言执行任务。你不可能在爱荷华州临时找到一个会塞尔维亚语、愿意做一份令人沮丧工作的兼职员工，但人工智能完全可以。而且人工智能还能即时响应、按需使用、不中断、不情绪化。

这就是为什么我一开始要讲文件柜的故事，因为过去并没有所谓的 “合规” 软件公司。这是一个来自美国劳工统计局的真实数据：美国增长最快的职业是美甲师，这当然不是人工智能可以做的工作；而第二快增长的职业是合规官。

对于合规的岗位，你过去并不需要专门的软件，如果你是花旗银行，你的选择只是雇更多的人。没有哪家公司真正做出了一套有效的合规软件，因为市场太小，而人力市场非常大。但现在你可以直接去找花旗说：“我可以为你提供端到端的合规服务，作为一套软件方案，每年付我 1,000 万美元，我就是你们的合规系统，负责全流程追踪。” 以前他们所做的可能只是再多买几份 Microsoft Office 授权。

在催收领域，也没有所谓的软件公司，只有公司雇佣的催收人员。但现在，你可以从 “语音” 这个切入点进入这个市场。我们知道这一部分很快会被商品化，但你可以逐步建立起一家真正的软件公司，拥有真实的软件收入、软件毛利、软件续约率。

还有一类情况是，我们现在开始关注一些原本不是人工智能公司的业务，它们因为人工智能的存在变得可行了。比如我因为这次受伤无法骑车了，我本来是个重度骑行者，车库里现在放着很多暂时用不了的自行车，我希望未来还能重新骑它们。那么问题来了：为什么没有人做一个 “自行车版 Airbnb”？

答案是：因为这是一个非常糟糕的商业点子，所以没人做它。

为什么糟糕？因为最基本的原则不成立。无论是不是人工智能、是 2000 年还是公元前 2000 年都一样：如果你的获客成本加上销售成本高于用户生命周期价值，那这根本不是一门生意。

但现在有了人工智能，情况变了。假设我真的想做一个 “共享自行车 Airbnb”，那我该怎么找到那些车库里放着闲置自行车的人？我要雇一群昂贵的斯坦福学生吗？他们要在 Palo Alto 办公，还得配上 20 种口味的椰子水、满足各种千禧一代的工作喜好，才能让他们愿意做销售吗？当然不是。

我会让人工智能去联系每个人，每位人工智能销售代表一年的成本是几百美元，不是 10 万美元，不需要椰子水。那如果发生了紧急情况怎么办？现在你可以设置一个 1-800 客服电话，背后就是一名人工智能代表，它可以完成所有任务，包括报警、处理突发事件。

还有一个问题，比如我怎么筛选这个人、做背景调查、自行车的状况怎么样、是不是偷来的…不管你需要哪些流程来支撑这个看起来荒谬的商业模式，人工智能都可以做得到。所以这就催生出了一整个新的业务类别：那些原本因为 “麻烦的获客成本” 或 “麻烦的销售成本” 而失败的生意，现在可以重新成立了。

当然，在这个时代你也可以通过 “AI prompt 编程” 快速进入这类业务。

人工智能基础设施带来的结果就是：非人工智能市场的整体规模被极大扩展了。现在你可以让获客成本下降，让销售成本下降。虽然所有公司都将很快采用这些工具，最后可能变成 “人太多反而没人来了” 这种悖论，但眼下我们看到的是，许多公司正在重新尝试那些在 5 年前根本行不通的想法，它们现在正在稳步推进当中。

‍‍