橡树资本霍华德·马克斯：AI从辅助工具到劳动力替代的投资逻辑，一场生产函数的静默革命

2026-03-09 00:00:00

文章转载自"北大纵横"

来源 | 大顺AI商业流量

作者 | Alex

2773字阅读时间6分钟

在旧金山湾区，一家中型律所一次性悄然裁撤了全部12名初级律师岗位，这在以往很难想象！

但在今天，一切都显得那么自然，因为AI的出现！

裁撤全部12名初级律师岗位取，而代之的，是一套效率更高、成本更低的由Harvey AI驱动的法律文书系统——

它能在两小时内完成过去需三人日才能产出的合规备忘录，错误率低于行业基准。

这一幕并非孤例：

在西雅图，某金融科技公司用Cognition Labs的Devin模型重构其后端开发团队，人力成本下降60%；

在深圳，跨境电商企业通过AI营销代理将内容团队从35人压缩至8人，同时点击转化率提升17%。

作为观察者，我们看到的不仅是技术迭代，更是一场静默却深刻的生产关系重构。

当AI从“提效工具”演变为“可计量、可部署、可替代的人力单元”，传统估值框架便面临根本性挑战。

AI投资的核心命题：

已从“软件是否好用”转向“劳动力是否被经济性替代”。

这是橡树资本联合创始人霍华德·马克斯在近期最新的备忘录《AI飞速发展》提到的一个关键性问题。

今天，我们就一起结合霍华德·马克斯的备忘录《AI飞速发展》，来深入探讨一个大家都在关心的问题：

当AI成为新型生产要素，投资者应如何构建一套基于“人力成本节约现值”与“岗位替代弹性”的估值新范式？

这不仅关乎技术判断，更涉及对生产函数、资本回报机制与宏观结构变迁的系统认知。

正如霍华德·马克斯在最新备忘录中引用Claude的一句断言：

“如果我能完成一名年薪20万美元研究助理的工作，那么我是否‘真正思考’根本无关紧要。”

一、范式跃迁：

从效率增强到要素替代

1.1 技术拐点：AI输出质量跨越“经济可行性阈值”

AI的劳动力属性并非源于功能堆砌，而在于其输出质量首次稳定达到“人类可接受阈值”（Human-Acceptable Threshold, HAT），且边际成本趋近于零。

以GitHub Copilot为例，其代码建议采纳率在2023年已达46%，在Python、JavaScript等主流语言中，生成代码的编译通过率超过92%。

这意味着：

对于标准化程度高的模块开发，AI已无需人工干预即可交付可用成果。

关键转折在于成本结构的颠覆。

据测算，当前大模型推理成本约为$0.0002/千token，处理一份标准财务报表的AI成本不足$0.5，而同等任务在美国雇佣一名初级会计师的小时成本为$35–$50。

当AI单位任务成本低于人类最低工资的1/10，且质量误差可控，经济替代便具备不可逆性！

1.2 能力边界：从任务自动化到角色代理

早期AI如智能客服仅能处理预设问答，属于“任务级自动化”；

而新一代Agent（如Devin、Harvey）则具备“角色级代理”能力——

它们能理解目标、调用工具、修正错误并交付完整工作流。

例如，Devin可自主完成从需求解析、环境搭建、编码、测试到部署的全周期开发，人类仅需设定初始目标。

这种跃迁依赖三大技术支柱：

上下文窗口扩展（128K+ tokens）使AI可处理整份项目文档；

Function Calling机制允许调用外部API（如数据库、编译器）；

长期记忆与反思能力（如Chain-of-Thought + Self-Correction）提升复杂任务成功率。

由此，AI不再局限于“辅助”，而是成为可独立承担责任的“数字员工”。

二、渗透路径：

行业替代的非均衡性与结构性机会

2.1 替代潜力的三重筛选标准并非所有岗位都同等可替代。

高替代潜力行业需同时满足三个条件：

1. 任务结构化程度高：规则明确、输入输出可定义（如会计分录、基础编程）；

2. 人力成本占比大：FTE（全职等效）成本占运营支出15%以上（如呼叫中心、法律文书）；

3. 产出可量化验证：存在客观指标衡量质量（如代码正确率、文案CTR）。

2.2 采纳动机：中小企业激进，大企业谨慎

有趣的是，中小企业反而成为AI劳动力替代的先锋。

原因有二：

资源约束倒逼：无力承担冗余人力，降本是生存刚需；

组织惯性小：无需协调复杂审批流程，可快速部署。

反观大型企业，虽具备数据与算力优势，却受制于合规风险、工会压力与内部政治，多采取“人机协作”过渡策略。

这导致一个悖论：

最具替代经济性的场景，往往最先在中小客户中验证，而非头部企业。

三、估值重构：

从SaaS指标到劳动力经济学

3.1 传统SaaS框架的失效

当前市场仍沿用ARR（年度经常性收入）、NDR（净收入留存率）等SaaS指标评估AI公司，但这严重低估其价值。

SaaS模型假设客户为“功能付费”，而AI劳动力模式下，客户实为“成本节约付费”。

以Scale AI为例，其标注业务ARR增长平稳，但若将其AI训练平台视为“替代数据标注员”，则潜在市场空间应按全球标注人力成本（约$120亿/年）计算，而非现有软件市场规模。

估值锚点应从“软件许可费”转向“人力成本节约现值”。

3.2 新估值框架：三要素模型

我们提出AI劳动力企业的估值应基于以下3要素：

1. 岗位替代弹性（Job Substitution Elasticity, JSE）：

JSE ：岗位替代弹性（Job Substitution Elasticity）； Cw ：被替代岗位年人均成本； Cai：AI年均使用成本；JSE > 3 即具强经济吸引力（如初级程序员JSE≈8.2）。

2. 替代乘数（Substitution Multiplier, SM）：

每1美元AI支出带来的总成本节约，包含直接人力节省、管理成本下降、错误损失减少等。

实证显示，SM在成熟场景可达4–6倍。

3. 渗透速率（Penetration Velocity, PV）：

受行业监管、组织惯性影响，PV在客服领域可达30%/年，而在医疗、教育则低于10%/年。

据此，企业内在价值可建模为：

V ：企业内在价值（Enterprise Intrinsic Value）；t ：第t 年； T ：预测期总年数 JSE； t ：第t 年岗位替代弹性（Job Substitution Elasticity）； SMt：可替代市场规模 / 渗透率（Substitution Market） Revenue t ：企业第t年营收； PVt：第t年渗透 / 替代增速（Penetration Velocity，受行业监管、组织惯性影响）； r ：折现率（Discount Rate）。

该模型揭示：

高JSE+高SM的垂直领域（如法律、编程）将率先出现估值跃升，而通用型AI平台若无法证明具体岗位替代能力，将面临“能力泛化、价值稀释”困境。

四、风险辨析：

替代悖论与结构性陷阱

4.1 技术可靠性：长尾失效与责任黑洞