AI 驱动的就业爆炸

来源: Clouded Judgement Substack
发布时间: 2026-04-24T13:04:49+00:00

每周我都会提供关于云软件公司最新趋势的更新。请关注以了解最新动态！

即将到来的就业爆炸

我是一个永远的乐观主义者。我很难通过其他任何视角来看待这个世界！有时候我很天真，但总的来说，我认为这是一种更好的生活方式（而且，通常情况下，很难押注人类的韧性会失败）。

关于 AI 的最大争论之一涉及到它将对就业产生的影响。一方（嘘，悲观主义者！）认为，随着 AI 夺走每个人的工作，我们将看到就业的崩溃。另一方则认为是某种形式的“杰文斯悖论 (Jevon’s paradox)”——伴随着巨大的积极经济效益。鉴于我的开场白，我想我站在哪一边已经很清楚了！

过去我用很多方式来阐述过这一点（我想我甚至在之前几周的专栏里写过）。但是，我最近听到黄仁勋 (Jensen) 更加雄辩地阐述了这一点（惊喜吧，他在框架的构建上比我强！）。他论点的核心（我全心全意地同意），是“AI 将夺走工作”这种构架是错误的。为了真正地辩论这个问题，你必须把“工作 (job)”和“任务 (task)”区分开来。这是什么意思？我们用一个例子来说明。软件工程师的工作是构建高质量的软件。而软件工程师的一项任务是在 IDE 中编写代码。AI 实际上可能会使一项工作的某个任务自动化（即自动编写代码，不再需要手动完成），但它不会取代这项工作——构建高质量的软件。因为一份工作远不止其中的一项任务那么简单。事实上，我反而认为 AI 将产生相反的影响！AI 将使完成任务变得容易得多，从而导致从事这项工作的人数爆炸式增长！这并不是什么新鲜事（人们常说 AI 工具将降低创建软件的门槛，从而导致大量软件被创建！）。但我还没听过像 Jensen 这样框架性地表达它——把工作和任务分开。

对此常见的反驳是什么？“那如果这项任务代表了工作中的很大一部分比例呢！说软件工程师是‘软件构建者’只不过是给猪涂口红！他们实际上就是写代码的！”我理解这种反驳，但我认为它忽略了一些重要的事情。作为一个软件工程师，最难的部分从来都不是打字。从来都不是语法。而是对问题有足够深刻的理解，知道要构建什么。是知道如何构建系统的架构，如何做出正确的权衡，如何在系统以常人难以预料的方式崩溃时对其进行调试。代码只是输出（不是工作本身）。听着，也许怀疑论者是对的，现在写代码确实占据了 60-70% 的时间。好吧！但这反而进一步证明了我的观点。如果你能压缩 70% 的时间，你并没有淘汰那个人……你是让那个人多产出了 3-4 倍。世界上每家公司想要什么？更多的软件。更多的工具。更多的内部应用程序。更多的自动化。更多的一切。对软件的需求远未饱和。我们一直受到供应的限制，而不是需求的限制。因此，当你使得供应软件变得容易得多时……你得到的不是更少的工程师。你得到了更多。软件工程师工作的性质将会改变（可能会改变很大！）。但工作本身呢？它变得更大了，而不是更小了。

我喜欢用一个假设的例子来说明。假设我们生活在汽车发明之前的世界。如果你想从家去杂货店，你要乘坐马车。我们把驾驶马车的人叫做车夫 (chauffeur)。然后，假设发生了一次极其迅速的技术创新，突然之间，汽车上路了（这个类比的关键部分是大写的那个词——这种变化发生得非常迅速，就像 AI 一样）。一个相当悲观的看法可能是：“啊！这太可怕了！想想所有会失业的车夫吧！”但是换个视角看世界就很容易了。成为一名车夫的意义保持不变（你帮助人们从 A 点到达 B 点）。车夫的任务曾经是驾驶马车（以及维护它，为它购买零件等）。现在，车夫的任务改变了！他们的工作仍然是帮助人们从 A 点到达 B 点。但是任务改变了——现在他们需要学习如何操作机动车辆（如何驾驶手动挡汽车），而不是如何使用缰绳来控制马匹导航。

在这个世界里会发生什么？我们拥有了更多的司机，因为交通瞬间变得高效得多（即减少了生产力的浪费）。与此同时，全新的工业诞生了，为汽车行业提供服务！汽车修理工、石油和天然气、汽车制造商等。

是的——驾驶马车的任务，或者制造马车本身的任务消失了。但是司机的工作需求激增（从而带来更多的就业），并由于“涓滴效应”在相邻行业创造了就业机会。

我深信我们会看到 AI 带来同样的变化，一场就业爆炸即将来临。并且我们确实有一些先例可以支持这一点！自动取款机（ATM）在 20 世纪 60 年代末面世。然而，从那个时间点到 80 年代中期，美国银行出纳员的数量翻了一番。出纳员从一台处理现金进/出的机器（任务），变成了向客户交叉销售金融产品的关系银行家（工作）。任务被自动化了，但工作变得更有价值了。与此同时，这项任务的成本大幅下降！据 Claude 说：“在 ATM 出现之前，您需要大约 21 名出纳员来为一个分行配备人员。在 ATM 达到饱和后，这个数字下降到了 13 人左右。因此，每家分行的成本有意义地下降了。”更便宜的分行导致了更多分行的开设。而更多分行导致了更多的出纳员（总计）。我让 Claude 绘制了一张美国银行出纳员数量的图表。你看到了什么，银行出纳员的数量在 ATM 出现的同一时期爆炸性增长）

你可以对 70 年代、80 年代和 90 年代律师数量的增长提出类似的论点。律师的工作是保护并推进客户的利益，其中一些任务包括研究判例法和起草文件。在 PC 之前，律师的一大部分时间都花在即将被技术自动化的任务上。过去的法律研究意味着亲自去法律图书馆，从书架上拿下案例书，阅读索引，手工交叉引用。那可能会耗费几天或几周的时间。然后 Westlaw（1975）和 LexisNexis（70年代末）出现了，将其压缩到几个小时。后来，全文搜索使其变得更快。

文件起草也是类似的。合同、简报、动议——全都是手写出来的，或者是口授给秘书打字。每一次修改都意味着要重新打字。文字处理器（以及后来装有 WordPerfect / Word 的 PC）使得一名律师的文件输出量能达到原来的 5-10 倍。那么自动化律师“任务”的事物（PC、互联网、LexisNexis、文字处理器等）是否导致了律师工作岗位的减少？这里有一张来自 Claude 的图表：

我觉得我还可以举出很多其他的例子。放射科医生（这是 Jensen 使用的一个例子）。在 2016 年，Geoffrey Hinton（深度学习教父！）预测放射科医生将会因为 AI 而消失。结果发生了什么？放射科医生的工作是护理患者。任务是阅读和解释扫描结果。AI 变得非常擅长这项任务。但这项工作并没有萎缩（它增长了！）。由于对影像的需求爆炸性增长（更多的扫描类型、更多的疾病筛查、人口老龄化），放射科医生提供患者护理的工作演变为更复杂的解释性工作、介入程序和临床咨询。

贯穿始终的逻辑是一样的：自动化一项任务不等同于自动化一项工作。很多时候，它导致的是这项工作需求的增加，而不是减少。我预计 AI 也不会例外。

季度报告摘要

前 10 名 EV / NTM 收入倍数

前 10 名周股价变动

倍数更新

SaaS 企业通常根据其收入的倍数进行估值——在大多数情况下是未来 12 个月的预计收入 (NTM revenue)。收入倍数是一种简写估值框架。鉴于大多数软件公司不盈利，或者没有产生有意义的自由现金流 (FCF)，这是用来比较整个行业的唯一指标。即使是 DCF (折现现金流模型) 也充斥着长期的假设。SaaS 的承诺是，早年的增长将带来成熟期的利润。如下所示的倍数是通过计算企业价值（市值 + 债务 – 现金）/ NTM 收入得出的。

整体数据:
* 整体中位数: 3.0x
* 前 5 名中位数: 18.4x
* 10 年期收益率: 4.3%

按增长率分组。在下面的组别中，我认为高增长是指 >22% 的预期 NTM 增长率，中等增长是 15%-22%，低增长是 <15%。我不得不调整“高增长”的截止线。如果 22% 感觉有些武断，因为它的确是……我只是选了一个截止线，使得正好有大约 10 家公司被分在高增长组，这样样本量才更有统计意义。

高增长组中位数: 10.6x
中等增长组中位数: 4.9x
低增长组中位数: 2.2x

EV / NTM 收入 / NTM 增长率

下图显示了 EV / NTM 收入倍数除以 NTM 的共识增长预期。因此，一家市盈率为 20 倍 NTM 收入且预计增长 100% 的公司，其交易市盈率为 0.2x。这张图的目的是显示每只股票相对于其增长预期的便宜或昂贵程度。

EV / NTM 自由现金流 (FCF)

折线图显示了所有 FCF 倍数 >0x 且 <100x 的公司的中位数。我创建了这个子集以展示 FCF 作为一个相关估值指标的公司。

图表上未列出 NTM FCF 为负的公司。

EV / NTM 收入倍数与 NTM 收入增长的散点图

增长与估值倍数的相关性有多强？

运营指标

预期 NTM 增长率中位数：13%
历史 LTM 增长率中位数：15%
毛利率中位数：76%
营业利润率中位数：0%
FCF 利润率中位数：21%
净留存率中位数：109%
CAC 投资回收期中位数：33个月
销售和营销 (S&M) 占收入的百分比中位数：35%
研发 (R&D) 占收入的百分比中位数：23%
一般及行政支出 (G&A) 占收入的百分比中位数：14%

可比公司 (Comps) 产出

40法则显示收入增长 + FCF 利润率（对于增长 + 利润率，既有 LTM 也有 NTM）。FCF 计算方式为经营活动现金流 – 资本支出。

调整后的毛利率投资回收期计算公式为：（上一季度的销售和营销支出）/（本季度的新增净 ARR x 毛利率）x 12。它显示了一家 SaaS 企业在毛利润基础上收回其完全负担的 CAC 需要的月数。大多数上市公司不披露新增净 ARR，所以我采用了一个隐含的 ARR 指标（季度订阅收入 x 4）。新增净 ARR 就是本季度的 ARR 减去上一季度的 ARR。未披露订阅收入的公司已被排除在分析之外，并列为 NA。