历史经验告诉我们，从电力到互联网，任何通用技术的爆发，与宏观经济真正实现全要素生产率的提升之间，都存在着巨大的时间差。今天，企业对待 AI 的焦虑，正是这种阵痛的缩影。

大家都想弄清楚一件事：怎么才能把少数几个极客的效率神话，变成整个组织乃至实体经济里实打实的利润？

这就是从2月就开始的Tokenmaxxing（狂刷 Token）。因为FOMO，各大公司开始先不管三七二十一，让全员用起来。似乎把 Token 消耗量拉满，量变就能引起质变，自动催生出新的工作流和生产力。

但它只经过了三个月就失败了。超过 80% 的新 AI 项目最终都黄了，失败率是传统 IT 项目的两倍多。

那几个「超级用户」确实产出高、Token 用得多，但普通员工根本不知道怎么把同样的投入变成实际产出。

既然光烧 Token 没用，企业到底该看什么指标？真正的规模化AI运用，应该是什么样的？还差哪几步？到底会如何影响我们的组织、就业和生活？

带着这些问题，沸腾之下和约翰·李斯特聊了近一个小时。作为 Uber 前首席经济学家、现任沃尔玛首席经济学家和 Anthropic 经济顾问委员会成员，他绝对是回答这些问题的最佳人选。

他一直在研究「规模化」。在他的新书《势能效应》里，一整本书都在解释为什么一个好点子在小范围测试时惊为天人，一推广到大范围就立马拉胯（他管这叫「势能损耗」）。

而且他不仅懂全要素生产率这些宏观理论，更是个在真实商业世界里摔打过的实战派。

在 Uber，他见过市场是如何盲目乐观地以为自动驾驶马上就能干掉人类司机的；而在与克莱斯勒的合作中，他也亲眼见证了那些二十年前被认为「绝对不可能被机器取代」的工序，如今是怎么被自动化全面接管的。

在他看来，现在的 AI 就像一堆顶级的「食材」，但企业缺的是知道怎么把它们做成大餐的「厨师」，即管理者。千万别把用量当成「结果，也别指望把两三个超级员工的经验直接套用给所有人。

未来，Agent 确实会把一些能力从「厨师」手里抢走，固化到「食材」里，但真正卡脖子的其实不是技术，而是人类对机器的信任、员工的能动性，以及老板们对失控的恐惧。

至于企业现在该怎么办？

约翰·李斯特的建议是别停下来等实验结果，要在日常运营中边跑边测。不是大干特上，而是有科学依据的实验和测试。

这样才能趁着时代的窗口还没关上，尽早发现自己是不是跑错了方向。

以下是我们的对话。

01 Tokenmaxxing的失败，原因是领导力的缺位

腾讯科技：我们先从最近受到广泛讨论的「Tokenmaxxing」说起。企业希望员工尽可能多地使用 AI。您怎么看这种做法？它会带来什么问题？

John List：问题在于企业把目标对准了错误的东西。

经济学有一条基本原则：你应当直接衡量并激励自己真正想改变的指标。

Token 是生产过程中的投入，通常不应该把投入最大化。在经济模型里，我们反而会在产出固定的条件下尽量减少投入。

我完全理解企业为什么这样做。Token 用量容易测量，横截面数据又显示，生产率最高的人往往也使用了最多的 Token，于是管理者容易得出结论：应该鼓励所有人尽可能多地使用 Token。

但这里会落入古德哈特定律的陷阱：一旦一个代理指标变成目标，它就不再是一个好的代理指标。Tokenmaxxing正是如此。

真正该测的是结果，比如全要素生产率、边际员工的生产率。

我们应当问：AI 是否让边际员工显著提高了生产率？提高了多少？新增收益能否覆盖额外成本？未来的收益流是否足够好？

如果目标是某个产出水平，正确的做法应当是固定产出，再尽量减少 Token，而不是把 Token 本身当作目标。

腾讯科技：不过，很多企业现阶段的目的，是让所有员工先学会使用 AI，把它变成普遍可用的工作工具。考虑到技术仍在早期，这种大规模使用是否有合理性？

John List：我不反对让所有人尝试。

技术要改变世界，需要创新，也需要扩散。只有创新、没有扩散，技术不会真正产生影响。

让大家先用起来可以是一个起点，但真正的瓶颈不是员工愿不愿意用 Claude 或 ChatGPT，而是怎样把 AI 放进既有工作流，让人们几乎意识不到自己正在使用它。

人很难主动迁移到一套全新的工作方式，所以企业应当把 AI 无缝嵌入员工已经使用的系统，而不是把「使用量最大化」设成目标。

电子邮件就是一个入口。每个人都要处理邮件。AI 可以直接帮助判断一封邮件应当怎样理解，结合用户掌握的信息给出几种回应。

这样的使用方式几乎不增加操作负担，适合用来启动扩散。

腾讯科技：我两年前采访过一家企业，当时他们就在开发类似系统，但至今也没有完全成熟。很多公司因此认为，与其等待成熟工作流，不如让员工先广泛使用 AI，在实践中把工作流做出来。

John List：企业可以奖励员工尝试，但还要把他们引向下一项任务。

如果 AI 只是让我们把邮件写得更好，那它可能是世界上性价比最差的技术，成本太高了。员工需要看到，从邮件之后还能怎样进入下一项任务、再进入下一项任务。现在缺少的正是这种清晰的路径。

这也需要合适的领导力。数据显示，超过 80% 的新 AI 项目失败，失败率是传统 IT 项目的两倍以上。

很多项目并不是因为算法本身错误或无法扩展，而是因为管理者和员工问错了问题。

可以用我在书中第三章的比喻来理解：问题出在厨师，还是原料？今天的「原料」很好，我们有优秀的算法和技术知识。

真正造成势能损耗的，往往是领导者没有正确引导 AI 的使用。大规模尝试当然可以，但仍需要管理者告诉员工往哪里走。

所谓「让一千朵花自由开放」在一定程度上没有问题，可员工也可能沿着错误方向走得太远。如果没有及时停止，就会浪费大量时间、Token 和企业资源。

领导者自己也未必知道正确方向，这时就要做实验。经济学里有一个「多臂老虎机问题」：不知道哪条路径最好时，应当同时探索几条路径。一旦发现明显更好的路径，再让更多人转过去。管理者的任务，是在市场用破产宣判某条路走不通之前，更快完成这种转向。

目前真正的势能损耗，主要出现在管理和技术使用方式上，而不只是技术缺陷。当然，技术也会失灵。例如 GPT-4 在律师资格考试中表现很好，但把它扩展到某些研究场景时，频繁的幻觉可能让它无法使用。这是另一种势能效应。

可在组织内部，更常见的问题仍然是：AI 应当用在哪里，怎样以最合适的方式扩散。

腾讯科技：前沿 AI 公司看到「超级用户」同时具有很高的生产率和 Token 用量，其他企业才会模仿。但超级用户目前往往只擅长少数任务，例如编程，并不知道怎样把 AI 用于日常管理等所有工作。企业也缺少能够教授这些用法的人。

John List：超级用户之所以是超级用户，是因为他们已经理解自己的生产函数，知道怎样把 Token 变成有效产出。多数人并不知道。

如果激励机制只是要求 Token 最大化，人们完全可以把它用在没有意义的任务上。让员工积累经验是好事，但企业能否在这个过程中提供更多指导，让经验更快转化为生产率？

超级用户各自掌握的可能只是狭窄领域。如果能汇集一批超级用户，把不同用法连接起来，再教给下一代用户，就会形成一个使用方法或想法的市场。

再往前一步，是让我的智能体与你的智能体沟通，自动组合这些专业知识并提出方案。到那时，也许不再需要传统意义上的超级用户，因为专业知识已经被装进智能体，多个「超级智能体」可以直接协作。

我同意，这可能是下一阶段，但 Tokenmaxxing本身还没有把我们带到那里。

02 AI的规模化，还有几个坎儿

腾讯科技：HAI 的数据称，截至 2025 年底，全球只有约 3% 的用户为 AI 付费。如果把 AI 看作一种产品，它还需要具备哪些条件，才能实现更广泛的规模化？

John List：经济学家会同时看需求侧和供给侧。

需求侧的 3% 与另外 97% 很不一样。那 97% 对价格非常敏感，因为他们还不知道怎样使用 AI；已经付费的 3% 对价格变化没有那么敏感。

需求定律告诉我们，要理解价格怎样影响那 97%。价格降得越多，采用量才可能越大。这是问题的一半。

另一半是供给侧，也就是用户怎样借助 AI 提高生产率，并确认这项投入值得。现在多数人打开 AI，只会问一些零散问题，比如「老板给我发了这封邮件，我该怎么回」，或者「中国参加过几次世界杯」。

这些问题带来的边际收益不高，自然支撑不了很高的价格。

我看到的方向不是让人不断输入提示词，而是把智能体放到后台。以沃尔玛为例，智能体不必等你提问。它可以主动说：「我知道你下个月要参加婚礼，我找到了一条合适、价格也不错的礼服。」在工作中，它也可以发现你下周有一个截止日期，需要为广告做个性化处理，然后直接分析数据，告诉你现在该做什么。

这样的变化会大幅改变 AI 的价值主张。

如果每个人都能拥有一个很好的后台助理，它不仅回答问题，还能预见下一个问题，价值就会扩展到所有人。它可以提醒演唱会门票，或者按授权进行交易。Robinhood 现在已经允许用户设定一笔资金，让机器代为交易。人们对此有兴趣，但仍会因为信任和能动性问题而犹豫。这两点必须计入 AI 的扩散过程。

企业端的扩展会更快进入下一步。沃尔玛有 4 亿个 SKU、70 万家供应商和 210 万名员工，是全球最大的私营雇主。它的任务从供应商采购、物流，到库存和用工管理，种类非常多。

如果每类任务都有一个智能体，这些智能体还能彼此沟通，系统就能持续提出下一步行动。为防止越界，人仍要进行监督、设定护栏；但这种智能体网络可能是企业采用 AI 的真正突破口。之后，它们还会与银行和金融机构连接，直接处理更多业务。

走到那一步，技术可能接近全面扩散。

短期内仍有两个问题要解决：价格依然很高；用户还要熟悉那些边际收益高于边际成本的用例。

腾讯科技：您描述的已经不只是一个需要用户自己探索的智能体，而是一套完成产品化的流程。人们像使用普通应用一样使用它。是否到了这一步，AI 才算具备大规模、高效率应用的条件？

John List：如果只停在Tokenmaxxing阶段这里，对人类来说是很大的损失。

我讲的不只是产品本身，也包括企业怎样引入技术。员工在工作中得到后台智能体的帮助，逐渐建立信任，之后才更可能把它带进个人生活，用来安排日历、计划和购物。

普通人自己搭建工作流或技能的成本确实很高，要反复尝试。但这个成本会大幅下降，因为未来会有智能体和 API 替用户完成搭建，大公司也会开发可普遍交付的工作流。很多问题先在工作场所得到解决，解决方案的功能再迁移到个人生活。

互联网搜索就是一个例子。过去人们要花很多时间找信息，互联网降低了搜索成本，消费者更容易找到更低的价格或更好的质量，企业也难以索取过高价格。

AI 的潜力远不止搜索。它不仅高效查找信息，还会理解个人偏好。你不必每次告诉它喜欢什么颜色的车、什么款式的衬衫，或者怎样安排时间。只要工作场所率先完成创新，这些节省时间的能力就会自然进入个人生活，也会有许多公司把它商业化。

最重要的创新，往往就是节省时间、改善生活，AI 有机会做到这一点。

腾讯科技：但技术采用往往受制于最薄弱的一环。一套流程中，有些步骤可以由 AI 完成，有些仍需要人参与。只要人的环节仍是瓶颈，AI 带来的效率就未必能顺利转化为实际产出。我们现在是否正处于这种状态？

John List：是的。人的本性决定了 AI 很难彻底取代人。能动性对人很重要，生活和工作的意义也很重要，再加上信任问题，人们会问：我是否相信机器能按我的意图完成工作？损失厌恶、现状偏好、对失去控制的担忧，都会构成瓶颈。

我认为关键限制不会一直来自技术本身，更多会来自人。

扩散的第一步，仍然是把用例嵌入人们已有的日常行为。至于让一个智能体替一个人「生活」，我不认为人类会完全接受。人有太强的自尊和自主需要。

企业可能不同。企业有明确的生产函数和成本函数，经济激励会发挥更强的作用，很多企业可以主要由智能体运行。

腾讯科技：如果把范围从个人生活转回生产环节，智能体有没有可能接管整条生产线，让企业完全自动运行，只留下人类监督？

John List：完全可能。

我大约二十年前与汽车制造商克莱斯勒做研究，去工厂时还有很多人安装轮胎、给汽车喷漆。大约一年前，我再次去了同一家工厂，发现这些工作已经全部由机器完成，只留下人监督整套系统。二十年前，他们还告诉我，机器永远无法取代这些工人。我看不出其他行业为什么不会发生类似变化。

不过，这一轮技术与以往有所不同。美国有一个关于「钢轨工约翰·亨利」的故事：他靠铁锤铺设铁路，后来机器出现，他一次次与机器竞争，最后总是机器获胜。轧棉机和农业技术也一样，主要替代蓝领工作，却让白领从生产率提升中获益。

AI 是第一种在大规模应用中直接冲击白领工作的技术。白领通常拥有更大的政治影响力，能够影响监管以及利润怎样分配，所以这一轮变化会带来不同的政治反应。

我们正在经历人类历史上一次很大的自然实验。除了创新和扩散，还有监管者这个参与者。监管者会允许技术以什么方式运行，又会在多大程度上允许 AI 进入个人生活，都会影响最终结果。

随之而来的问题，是怎样为被替代的劳动者找到其他工作。

总体上，当生产率和财富大幅增长时，经济通常会出现新岗位。一百年前，如果在美国问人们未来会做什么，很多人会回答「务农」。今天一座普通城市里的宠物治疗师可能比农民还多。当社会变得更富裕，人们会产生新的需求，也就会创造过去想不到的工作。

03 就业影响是个不可测问题，Dario说的也不准

腾讯科技：监管者现在似乎也没有清晰答案。Anthropic 首席执行官 Dario Amodei 曾判断，两年内可能有约 50% 的初级白领岗位被 AI 取代。您是 Anthropic 的顾问，怎么看这个预测？

John List：监管者当然还不确定，因为不确定性太大。

AI 的进步很像一个带有正向漂移的随机游走，因此长期方向向上，但我们不知道下一步会落在哪里。

随机游走本来就难预测，更不用说由它产生的三阶结果。

我们可以写很多论文讨论 AI 怎样影响生活和劳动市场，可如果连六个月后的技术形态都很难预测，又怎么能对它六个月后怎样影响生活和就业有很大把握？

在模型中当然可以得到「50% 岗位消失」这个结果，也可以得到另一个结果：AI 增强劳动者，使劳动生产率上升，企业反而雇用更多人。我们既不知道企业会怎样使用技术，也不知道技术届时会是什么样子。

Dario 的说法已经相当谨慎，他也诚实地承认这种不确定性。

腾讯科技：但现实中，一些技术虽然提高了生产率，并没有创造更多岗位，而是直接替代了人。您刚才又提到企业可能完全由智能体运行，这是否意味着替代会成为主要结果？

John List：我说的是「某些企业可能完全由 AI 智能体运行」，不是所有企业，更不是整个经济。

金融公司或对冲基金是容易想象的例子，智能体可以围绕利润函数运行整家公司。服务业和需要人与人互动的工作则更难替代。

我 2017 年担任 Uber 首席经济学家时，很多人都说到 2025 年，所有人类司机都会被自动驾驶出租车取代。结果并没有发生。

技术和监管都会减慢变化。有些市场最终会走到那一步，有些市场则不会，因为技术可行性或经济账并不成立。

水管工、电工等工作很难直接被 AI 取代。机器人也许可以，但那又是一个新的产业。

即使替代发生，技术也会释放时间并创造更多财富，新的行业随之出现。人们过去不会想到「宠物治疗师」会成为一个行业，也不会想到人与人之间的心理治疗需求会不断扩大。生活压力、AI 带来的压力，以及 Facebook、Instagram、TikTok 等社交媒体引发的焦虑，都催生了新的治疗需求。

我们才刚刚触及 AI 能力和新产业的表面。它也许会增加网络安全岗位、计算机科学岗位，或者让批判性思维更重要，进而增加对人文学科教育的需求。

即便受影响的行业没有增加岗位，技术也通常会通过我在书中所说的「一般均衡效应」，在其他行业创造需求。

人们因生产率提高而变得更富裕，也更有能力购买这些新商品和服务。

腾讯科技：创意市场可能是一个反例。中国已经有人用 AI 制作短剧并投入市场，但人的观看时间有限，内容供给增加不一定能带来利润。需求会不会受制于生理时间等硬约束，使创意行业无法继续扩张？

John List：需求确实有物理边界，市场只能为真实存在的需求提供供给。

但更高的生产率也可能创造更多财富，产生对新型创意和新型岗位的需求。

注意力市场也是如此。如果工作效率提高，我拥有更多闲暇，就能把更多注意力分配给其他内容。未来的工作日可能从八小时变成四小时，也可能从一周五天变成四天。假如每个人的可支配时间增加一倍，注意力经济的需求也可能相应扩大。

这里有很多因素同时变化，正因如此，技术影响很难预测。

人们的选择归根结底取决于偏好、信念和约束。AI 正在大幅缓解一些约束：它让个人和企业在工作中更高效，也在化学、生物学、物理学和经济学中打开新的科学路径。

这些进展可能延长寿命、改善生活，带来很大的社会福利。我们前面主要讨论了就业，只看到了其中一部分，我对 AI 在科学领域的作用很乐观。

但始终不能忽略人的因素。最终衡量 AI 的标准，应当是它是否让生活变得更好。如果生产率提高了，人却变得更焦虑、更抑郁，那么生活反而可能更差。这就需要监管者设置护栏。

我愿意加入 Anthropic 的经济顾问委员会，一个原因正是它承诺以更安全的方式部署 AI。在技术快速推进时，这一点很重要。

04 在Anthropic，我们衡量经济影响的手段还太少

腾讯科技：Anthropic 发布了 Economic Index 等研究。您认为，应当怎样衡量 AI 对工作场所、宏观经济乃至全球的影响？

John List：Anthropic 掌握的数据范围有限，主要看到人们向 Claude 提出什么请求，以及用户在多大程度上使用它。这些是投入数据，我们希望它们能够对应真正关心的产出。

第一个应当衡量的产出，是全要素生产率。

据我所知，Anthropic 现在还没有足够的数据来计算：使用 AI 或 Claude 后，一个人在工作中的全要素生产率发生了怎样的变化。

我自己的研究会观察不同投入怎样映射为产出，分析劳动和资本怎样形成更高的生产率。但 Anthropic 看不到企业完整的生产函数和最终产出，只能看到较为汇总的使用情况。

今天 AI 无处不在，唯独还没有清楚地出现在宏观统计中。这有点像索洛谈计算机时所说的：计算机随处可见，唯独在生产率统计中看不见。部分原因是我们还没有在相应层级测量全要素生产率。

第二个问题更重要：AI 是否让人的生活变得更好？这才是我们最终关心的结果，而且还要问，它是否让每个人的生活都变得更好。也许它只改善了埃隆·马斯克的生活，收益高度集中；那就可能需要通过税收和再分配等监管行动，让更多人受益。

全要素生产率比较容易测量，生活满意度则更难。但后者才是最终指标。AI 可能给很多人带来巨大的收益，也可能只让极少数人获得巨额收益。我们必须认真处理这种分配差异。

腾讯科技：另一个问题是集中度。AI 基础设施目前掌握在少数几家公司手里，这种权力会不会让收益也集中在少数参与者手中？

John List：要把两个市场分开看。

基础设施需要大规模投入，存在显著的规模经济，所以很可能只剩少数参与者，这一层不会完全民主化。

另一层是具体应用和执行，它更分散，也更容易民主化。基础设施一侧可能是 Colossus 等少数大型系统，应用一侧则可以是只有三个人、利用同类模型创业的小团队。

经济学的判断是：掌握稀缺资源的一方更可能获得超额回报。

不过，参与者少并不必然等于竞争弱。美国网约车市场主要是 Uber 和 Lyft，但竞争非常激烈。

我在 Uber 工作时，我们在中国与滴滴竞争，每个季度亏损 7.5 亿美元。所有权集中只是问题的一部分，还要看竞争实际上怎样发生。

产业组织经济学不会仅凭参与者数量判断利润一定集中。只有一家、又没有替代品时，接近垄断；但两个参与者也可能形成非常激烈的竞争环境。

腾讯科技：您还提到，AI 与很多旧技术不同：如果算力或 Token 价格突然大幅上涨，用户被迫减少使用，结果可能不只是回到使用 AI 之前的状态。为什么？

John List：假设一个人先使用了一段时间 AI，后来 Token 价格高到无法继续使用。与 AI 出现之前相比，他可能反而变得更糟，因为此前已经把写作和思考等任务外包给了机器，思维能力随之退化，失去了写作和批判性思考能力。

如果能够把时间拨回 AI 出现之前，他当时的状态可能更好。我很难想到另一种同等规模的技术，会有这么大的可能让人在失去技术后比采用技术前更差。

05 一家企业，需要厨师

腾讯科技：回到您提到的「厨师与原料」问题。有些业务依赖能力很强的「厨师」，因此不适合规模化；但 AI 又能提供标准化操作系统，看起来天然可以扩展到各种业务。AI 究竟适合全面规模化，还是在当前形态下仍受制于「厨师」？

John List：以当前使用方式看，AI 仍有明显的「厨师问题」：扩展过程中，需要一个独特的人提供领导力，决定 AI 应当往哪里走。

等 AI 发展为智能体化系统，后台有多个智能体协作时，可复制的能力会更多落在「原料」一侧，不再那么依赖某个独特的厨师，规模化的机会就会更大。

AI 行业里有许多聪明人。如果他们理解规模化问题，就能从设计之初处理这些瓶颈，而不是等扩展失败后再补救。

我在书的第一至第五章讨论了这些规模化瓶颈。按这些约束来设计，技术大规模改变世界的概率会高得多。AI 自己也能帮助解决瓶颈。

我有时会问 Claude：「如果用 John List 的势能效应来分析这个想法，我应该看什么？」它会列出五项要点，告诉我在大规模扩展前应当检查什么。

也就是说，AI 正在帮助我思考书中记录的问题，AI 本身也会帮助 AI 规模化。正因如此，我对未来更乐观；但如果不朝智能体协作和前置解决瓶颈的方向发展，我仍会悲观，因为「厨师问题」还在那里。

腾讯科技：刚才您提了应用端更分散的可能，但如您想象，厨师不再重要，如果一家大公司掌握了能够完成几乎所有任务的「原料」，它会不会一路扩张，最终让小团队失去空间？

John List：我希望市场上仍有数百万人提出不同用例。

大家可能获得类似的前沿智能体，但沃尔玛和亚马逊会以完全不同的方式使用它们。两家公司虽然处于同一市场，生产函数不同，供应链和配送中心也不同。

同一种技术进入不同环节，会形成不同的竞争优势；企业并存和竞争还会继续提高效率、压低价格。技术本身也可以足够个性化，让「原料」随场景变化。

我不认为最后只会剩一家公司控制一切。规模扩大后，劳动和资本都会出现规模不经济，专业化则会带来收益。

回到亚当·斯密 1776 年的《国富论》，比较优势和专业化不仅存在于企业内部，也存在于企业之间。即使各家使用同样的资本投入，人和其他技术仍会让它们具有不同的比较优势。

专业化带来的收益不会消失。

腾讯科技：在中国，规模化尤其重要。但科学地研究规模化很复杂，企业的机会窗口又短，似乎没有足够时间做实验。怎样兼顾速度与实验？

John List：不要把实验理解为放慢速度。我 2015 年开始在硅谷研究规模化时，那里流行三句话：「快速行动，打破常规」「先假装成功，直到真的成功」「把意大利面扔到墙上，粘住哪根就煮哪根」。

当时的规模化更像艺术，缺少科学。我并不反对艺术，但政府、AI 公司或制造企业不应当仅凭艺术直觉决定一个想法是否值得扩展。我的书要做的，就是把科学引入规模化。

实验可以直接嵌入现有运营。打开 Uber 或滴滴的应用，用户会得到价格和预计到达时间。企业本来就要给出这些信息，完全可以用实验方式给出，并从结果中学习。我不是让公司停下来等研究完成，而是让它沿着正确方向快速前进。

Uber 在应用里引入小费功能时，我的团队负责具体工作。Travis Kalanick 要求尽快上线。我告诉他，我们会满足时间要求，但上线方式必须让团队能够同时了解小费机制怎样起作用。

这才是需要改变的文化：不要错过机会窗口，也不要把实验视为额外负担；要在当前运营中获得数据，从已经在做的事情里学习。这样不是减速，而是避免创业者沿错误方向跑得更快。