需求弹性职业耐久过滤器

Elastic Demand Job Durability Filter · elastic-demand-job-durability-filter--brendan-foody

解决什么问题

面对"AI 时代我该学什么、进哪个行业"的问题,泛泛的"学 AI 相关技能"没有操作性。这个模型给出一个具体的筛选标准——不是看这个职业"现在值不值钱",而是看这个行业的"需求弹性",从而判断 AI 让人效提升后,这个领域的工作机会是会变多还是变少。

核心内容

核心问题不是"AI 会不会做这件事",而是"当这件事的生产力被 AI 提升 10 倍、100 倍之后,这个行业对这项工作的总需求会不会同比例增长"——即这个行业的需求弹性(elasticity of demand)如何。
低弹性行业例子:会计。作者判断"这个世界大概不需要 100 倍的会计工作"——生产力提升后,总需求不会等比例扩张,反而可能压缩这项工作的从业规模。
高弹性行业例子:软件开发。生产力提升后可以做出多 100 倍的功能、移动快 100 倍、造出更多产品,行业对软件开发的需求是近乎无限扩张的(作者引用 Marc Andreessen 的判断:软件是所有行业里弹性最强的)。产品经理同理:"当人效提升,能做的产品多了,好的 PM 会更加吃香",而不是被替代。
推广到运营、咨询等"可变成本"密集的价值链环节:如果我们能拥有 10 倍数量的麦肯锡顾问,能做的分析和研究本身也会随之扩张,这类环节同样具有弹性。
配套的人才判断标准:真正的分水岭不是某个具体技能(编程、设计),而是"能不能用 AI 把自己已经在做的日常工作做得更多、更好"——这条几乎适用于任何行业/职能,是比"选哪个专业"更本质的问题。
企业侧的推论:那些愿意主动给自己的业务做 eval、暴露"这部分工作可以被自动化"证据的企业,反而更可能在这个阶段胜出;而那些因为害怕暴露"我们的价值链正在被自动化"而抗拒做 eval 的企业(包括一些被公认成熟的《财富》500 强企业),反而会被落下。

适用边界

这个筛选标准判断的是"行业/职能层面的总需求走向",不直接预测某一个具体岗位、具体公司是否会消失——同一行业内部仍会有个体因跟不上 AI 应用而被淘汰。
作者自己承认这是他基于访谈、观察和自身业务视角得出的判断框架,不是严格的经济学模型验证结论。

关键引述 · 原话

Brendan Foody: "I would respond with a category of things that have very elastic demand are going to be super exciting. Because when we make people 10 times more productive, we'll build 10 times, if not 100 times as much software."

Brendan Foody: "I think it's totally spot on... AI won't replace you. People that are really good with AI will replace you."

— Brendan Foody

关联卡片

AI 原生人才评估

- 与 `ai-native-talent-assessment--brendan-foody` 相关:后者是筛选"谁能用好 AI"的具体面试方法,本卡是判断"哪些行业/职能值得投入"的宏观筛选器。

出处：Brendan Foody (Mercor 联合创始人兼 CEO) · 03-podcasts/brendan-foody.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2