申银证券顾嘉时：AI红利会不会成为“K型分化”的新因素？

【文/观察者网专栏作者顾嘉时】

一段时间以来，全球AI和半导体板块持续受到全球市场追捧。尽管相关股价、指数上上下下，但英伟达、台积电、博通、美光等一众AI产业链核心公司的总体市值仍在不断推高。AI浪潮所催生的巨大红利，也让市场开始争论一个老问题：这轮由算力、芯片、存储和数据中心投资推动的AI行情，到底是不是泡沫？

市场的摇摆也许恰恰说明，AI行情并非没有真实的产业基础，但围绕AI的讨论不应只停留在“有没有泡沫”。更值得追问的是：当AI红利首先集中于少数产业链节点时，它会不会进一步强化企业、行业与劳动者之间的分化，并成为K型经济的新因素？

AI的能力天花板受限于使用者本人

AI是放大器，不是增高器。

总的来说，AI更擅长放大使用者已经存在的知识、经验和流程，对于问题定位不清、信息不足、流程模糊的复杂任务，AI工具再强，也很难替使用者补上关键的专业判断。所以AI的产出天花板，很大程度上限制在使用AI的人自己身上。

某龙头AI大模型提供商的一项基于约40万条AI交互会话的研究发现，按其模型推断为“专家”级的会话，每条提示平均触发约12次动作、生成约3200词；“新手”级会话约为5次动作、600词。它至少说明，在复杂编程代理任务中，用户经验与AI调用深度、任务复杂度和完成质量存在显著正相关性。

以搭一个实际项目为例，要让AI做出真正有用的东西，至少要满足三项条件。

第一，清晰界定需求。需求没想清楚，AI只能边猜边做，猜对是运气，猜偏可能是常态。

第二，提供充足的上下文。AI掌握的是通用知识，并不了解使用者的具体情境，如果不提供详细的背景资料、真实的业务数据，AI大概率只能产出看起来没什么错误、实际上几乎无用的成果。

第三，检查产出。AI做出来的东西，看起来像模像样，但是准不准、对不对，还得需要专业的人仔细核对，而核对本身非常需要专家的经验。

以上三个环节，AI可以参与协助，但在目前的实际应用中，最终判断和责任仍主要由人承担。

我们再从技术的角度看，现在的大模型，多采用一种叫作MoE（混合专家）的架构，我们可以把它理解成一所有很多专科的大医院：模型内部有大量分工不同的“专家”，每次回答问题，只激活其中最对口的科室出诊，而不是全院出动，从而控制成本、提高效率。

混合专家模型架构图 CSDN

而能否准确激活最对症的科室，则取决于使用者描述问题的质量。就像分诊台根据病人描述的症状自动分流：描述越精准，越能分到对症的科室，得到合适的治疗；描述含糊，可能被分到不太对症的科室，治疗效果也就差强人意。因此，如果使用者无法向AI问出高质量的问题，也就很难获得高质量的答案。

如果我们简单地将AI视为无所不能、无限赋能的工具，可能既高估了AI的能力边界，甚至带来对AI在真实商业场景中的使用价值和经济回报的盲目乐观。

提效却不一定更赚钱

前文讲到，AI的产出受限于使用者本身，但即便假设使用者的上限够高、使用AI的产出效率确实提升了，其效率并不一定等于效益。

以电商网店为例，现在网店普遍引入AI客服来承担售前咨询和售后服务，消费者打客服电话接听的往往是AI。AI经过合理训练，确实能胜任这份工作，客服效率是实打实提高了。但引入AI客服，不会必然带来新客户，也不会必然带来销售增长，客服效率提升可以改善转化、复购和服务体验，但未必足以带来与效率提升相匹配的新增收入。而AI客服则可能减少新增招聘、压缩外包需求，或让同等规模的客服团队承担更多工作量，省下的人力如果没有转岗，大概率会被裁员。

当各行各业都在引入AI提效，更大范围的人力资源释放也在同步发生。更关键的问题在于，被裁掉的人能往哪里去。过去的经验里，裁员并不一定等于失业，因为经济中有一个隐形的就业蓄水池，就是门槛不高、人力密集的中低端服务业。但AI替代的岗位，往往集中在这个蓄水池里。

国际商业研究与咨询机构Forrester预计，到2030年，美国当前客服岗位中约49%可能因AI应用而消失或被重构。希思罗机场部署的AI助手Hallie则披露，约90%的在线聊天问题无需转人工即可解决。翻译、内容审核、数据录入，这些规则化、可重复的岗位，往往是AI最先能够实现替代或显著压缩人力投入的领域。

知名未来学者伯纳德·马尔（Bernard Marr）（左）采访希思罗机场的相关工作人员，了解其AI助手Hallie的相关情况。视频截图

如果被裁掉的人没有找到合适的工作，收入大幅下降，则会进一步减少消费。一个行业的裁员，通过消费链条传导到其他行业，循环往复：AI提效有可能通过失业增加、收入预期走弱、消费减少等渠道，对总需求形成压力，这必须是提前防范的一种风险。

AI的利润去哪儿了？

据业内测算，2026年全球AI净利润池规模约6370亿美元。这个数字说明，AI的利润是真实存在的，但分布高度不均衡，集中在产业链的特定位置。

要理解这种集中，先了解一下AI产业链的划分。AI产业链可以粗略分三层：最上游主要是提供算力芯片、先进存储和晶圆制造能力的企业，中游则是提供基础模型、云服务和行业应用解决方案的企业，下游是将AI嵌入自身产品、业务流程和客户服务中的各类应用企业。它们既是AI的需求方，也是前文所说试图借助AI提升效率的使用者。

上游环节占据了更大的利润份额。英伟达等算力芯片企业、SK海力士和三星等先进存储企业，以及台积电这样的晶圆制造企业，处在当前AI投资周期中最先受益的位置。它们提供的是发展AI不可或缺的基础设施，因而能够较早地将算力需求、模型训练和数据中心扩张转化为收入和利润。

相比之下，中游的基础模型、云服务和行业解决方案企业，虽然也在快速成长，但商业模式、竞争格局和盈利能力仍在分化；下游应用企业则更多承担采购算力、接入工具、改造流程和组织调整的成本。对它们而言，AI投入能否转化为收入增长和利润改善，还取决于产品竞争力、市场需求和行业格局，不能简单视为投入就必然产生回报。

因此，AI带来的并不是均匀扩散的普惠收益，而是一种高度结构化的收益分配，广大的处于下游的AI应用企业和普通劳动者，能否分享到技术进步带来的收益，AI的利润如何从少数节点向更广泛的企业、就业和消费外溢，才是下一阶段更值得研究的问题。

从AI的视角看K型分化

这种“上游收益先兑现、下游回报待观察”的错位，并不等同于AI行情没有基本面支撑，却意味着技术红利在产业链上的传导并不均匀。它也为理解当前市场与实体经济之间日益显著的结构性分化，提供了一个独有的视角。

这种分化发生在两个层面。

第一层是企业经营基本面的分化：AI产业链上游和部分硬件出口龙头，已率先承接订单并实现利润改善；更多处于应用端的企业，则仍在承担算力成本。

第二层是资本市场定价的分化：市场对AI产业链相关资产给予更高的估值溢价和融资便利，而传统行业的估值修复相对缓慢。两层分化相互交织、互相强化。

先看可能向下传导的那条线。在部分竞争充分、需求增长有限的行业中，AI提效未必能同步转化为新增收入，企业就可能通过减少新增招聘、压缩外包或调整岗位配置来释放人力。若被影响的劳动者不能及时转入新的岗位，收入预期走弱便可能抑制消费，并通过需求收缩进一步影响更多行业。

再看向上的那条线。它由两个力量支撑。第一个力量来自第一层，AI产业链上游的企业确实在赚钱，利润真实存在，基本面改善为资金涌入提供了正当理由。第二个力量来自第二层，也更隐蔽：市场对AI能力边界、应用端变现速度和长期商业回报的判断，可能存在过度乐观的部分。真实利润与高预期并存，共同抬升了AI板块的估值中枢。

关键在于，向下的线和向上的线并不是互不相干的，向下的线伴随着实体经济走弱，实体经济越弱，资金越不愿意留在传统板块，越被AI板块虹吸；而资本市场对AI资产的偏好，会提高相关企业的融资能力和估值弹性，也可能强化资源向少数高景气赛道集中的趋势。

当然，K型分化还有其他成因，本文所讨论的，只是其中一个角度，分化已经形成，更重要的问题是，AI创造的红利，能不能惠及更广泛的群体。

如何让AI红利惠及更多人？

为更好地缓解AI所带来的K型分化问题，政策目标就不能只停留在培育AI龙头，而要进一步打通从产业利润到就业、居民收入和消费的传导链条。

第一个方向，是做强硬件出口和产业链配套。中国企业在光模块、服务器、网络设备及部分制造配套环节已具备较强竞争力。下一步不只是争取更多出口订单，更要推动龙头企业与本土供应链和产业工人形成更紧密的连接，让订单增长能够带动更多中小企业、更多就业岗位和更广泛的本地消费。

2026年6月4日，在位于内蒙古呼和浩特市和林格尔新区的内蒙古中科超算科技有限公司，工作人员巡检算力设备。新华社

第二个方向，是让居民更多以长期、分散的方式参与产业资本增值。AI板块的高估值和高收益，不应只限于少数机构和少数投资者。政策重点并不是鼓励个人追逐热点，而在于完善长期资金入市和指数化投资等制度安排，降低普通居民以公平、分散、长期的方式分享产业成长收益的门槛。

第三个方向，是把就业和技能培育放在更重要的位置。AI确实可能压缩一部分规则明确、流程清晰、内容重复性较强的岗位，但也会催生数据治理、模型运维、AI产品设计、流程重构、安全合规等新职业。问题在于，新岗位对知识结构、数字技能和行业经验的要求通常更高，与被替代岗位之间存在错配，政策需要更早介入，将AI通识教育、职业技能培训、企业内部转岗和公共就业服务结合起来，帮助劳动者从被动承受技术冲击，转向进入新的岗位体系。

只有当技术红利能够从产业链的少数节点，逐步传导到更多企业、劳动者和家庭，AI才真正可能成为推动经济增长的普惠力量。