杰文斯悖论推理法

解决什么问题

没有这个方法时，人们通常犯的错：

1. 正向思维陷阱：问"AI能做什么？"然后找场景——这导致所有机会都指向模型层，最终被更好的模型抹平
2. 替代焦虑：认为AI变强=某些工作消失=需求减少——忽略了杰文斯悖论：效率提升反而激发更多需求
3. 技术驱动幻觉：把机会锚定在技术本身（"我有AI能力"），而不是锚定在"因智能稀缺而被压抑的需求"

核心问题：当你面对一个AI时代的机会判断时，用这个方法检验它到底是"船"（会随AI变强而膨胀）还是"木桩"（会随AI变强而萎缩）。

---

核心框架

第一性原理：结论是被动的

每一次革命中，最大的机会从来不是"用新资源做旧事"，而是因新资源的丰裕，第一次具备实现可能的事。

杰文斯悖论的核心：蒸汽机出现并未减少对动力的需求，反而让人们发现上千种需要动力的事，是过去根本无力开展的。

同理：AI不会降低人类对智能服务的需求，它只会揭示——在人类文明进程中，绝大多数人从未获得过足够的智能服务。

两个框架的分工

flowchart LR
    A["杰文斯悖论<br/>选方向"] -->|哪些领域的需求会膨胀？| B["船vs木桩<br/>验产品"]
    B -->|你的产品会不会被淹没？| C["完整判断"]

• 杰文斯悖论（宏观）：哪些领域因智能丰裕而需求爆发？→ 选对战场
• 船vs木桩（微观）：你做的具体产品，价值随模型变强是增加还是缩减？→ 选对形态
• 两个都通过 → 结构性机会（"水涨船高"）
• 只有杰文斯通过 → 方向对但产品可能是木桩（"方向对但沉了"）
• 只有船通过 → 产品能活但市场不够大（"船很结实但海很小"）
• 都不通过 → 不值得做

四步推理框架

flowchart TD
    A["Step 1: 压抑扫描<br/>什么需求因智能稀缺被持续压抑？"] --> B["Step 2: 杰文斯检验<br/>AI越强，这个领域的需求越大还是越小？"]
    B -->|需求增加| C["Step 3: 船vs木桩<br/>你的产品/方案，价值随模型变强是增加还是缩减？"]
    B -->|需求减少| F["❌ 木桩领域"]
    C -->|价值增加| D["Step 4: 壁垒定位<br/>你的独特资产在哪里？"]
    C -->|价值缩减| E["❌ 木桩产品——方向对但形态错了"]
    D --> G["✅ 结构性机会"]

检验矩阵

---

怎么用

Step 1：压抑扫描

输入：一个行业/领域/需求

操作：问一个问题——"在智能长期稀缺的时代，这个领域里什么是被压抑的？"

判断标准：

• 被压抑的特征：大多数人"并非不需要，而是无力承担"
• 量化信号：全球X亿人从未获得过合格的Y服务；专家时薪$300+意味着只有少数人能负担
• 输出：一句"压抑陈述"——"在这个领域，因为智能稀缺，XX需求被压缩到只有顶层N%的人能获得"

示例：

• 专业服务：全球约50亿人从未获得过合格的医疗诊断——不是不需要，是承担不起
• 信任体系：AI越强，"这是真的吗"越难回答——真实性从默认变成稀缺资源
• 物理产品：从想法到实物需要12-18个月+数十万成本——创意被制造门槛压抑

Step 2：杰文斯检验

输入：Step 1的压抑陈述

操作：做一次思想实验——"假设AI能力再提升10倍，这个需求会变大还是变小？"

判断标准：

• 如果变大 → 通过检验（"船"）
• 如果变小 → 不通过（"木桩"）
• 如果不变 → 中性，需要结合其他维度判断

关键追问：

• "当AI能把这件事做到90分，人类对这件事的需求是增加还是减少？"
• 历史参照：当电力变得便宜，用电的设备不是变少了，是变多了——因为人们发现上千种过去"无力用电"的事

示例：

• ✅ AI诊断能力越强 → 人们发现有更多健康问题值得咨询 → 需求增加
• ✅ AI内容生成越强 → "这是AI写的还是人写的？"越难回答 → 信任需求增加
• ❌ AI提示词能力越强 → 用户不再需要学习Prompt工程 → 需求减少

Step 3：船vs木桩检验

输入：通过Step 2检验的领域

操作：问——"18个月后，大模型能力再翻一倍，这个产品还有存在的必要吗？"

核心判断：木桩和船的区别不在于做什么，而在于价值从哪里来。

船的三个标志：

1. 锁定用户：用户养成使用习惯、沉淀数据资产、构建社交关系，形成迁移成本
2. 沉淀场景知识：积累特定业务场景的实操经验、行业数据、最佳实践，这是大模型不具备的专属资产
3. 搭建生态：形成用户互动、内容积累、网络效应的社区生态

判断标准：

• "套壳不是问题，套在桩上才是问题。套在船上，就是战略。"
• 淘宝是物流与支付基础设施上的壳，微信是通信基础设施上的壳——壳内的用户关系、交易数据、网络效应无法被带走
• AI时代同样：大模型是基础设施，能积累独特资产的"壳"才是持久价值

示例：

• ❌ 木桩：AI翻译App——核心价值是"帮翻译通顺"，模型内置翻译后失去存在价值
• ✅ 船：AI翻译App——核心价值是"沉淀了你的翻译风格和专业术语库"，模型越强越好用
• ❌ 木桩：AI客服——"解答常见问题"，大模型零配置即可实现
• ✅ 船：AI客服——"沉淀了深层需求理解，能预判问题、推荐产品、形成用户洞察"

Step 4：壁垒定位

输入：通过Step 2检验的机会

操作：问——"当更好的AI模型出现时，这个机会会被抹平吗？"

判断标准（壁垒必须在模型层之外）：

输出：明确指出壁垒在哪一层，以及为什么更好的模型无法抹平它。

---

诊断分级

---

案例

案例1：评估"AI教育辅导"这个机会

Step 1：压抑扫描

• 一对一高质量教育辅导只有富人能负担（私教时薪$50-200）
• 全球数十亿学生从未获得过个性化辅导
• 压抑陈述："个性化教育辅导被压缩到只有顶层5%的学生能获得"

Step 2：杰文斯检验

• AI辅导能力提升10倍 → 更多学生发现"原来我可以这样学" → 需求增加 ✅

Step 3：船vs木桩

• ❌ 木桩型AI辅导："帮学生解答题目"——模型变强后直接能做，不需要专用工具
• ✅ 船型AI辅导："沉淀了学生的学习路径数据、知识薄弱点图谱、个性化学习风格"——模型越强，数据资产的杠杆越大

Step 4：壁垒定位

• 壁垒在：交付架构 / 数据积累（学习行为数据→个性化路径→飞轮）/ 文化深度 ✅

结论：S级机会。但必须做成"船"——价值在数据积累和个性化路径，不在AI辅导本身。

案例2：评估一个AI设计工具

Step 1：压抑扫描

• 专业设计服务只有大企业负担得起（设计公司时薪$200+）
• 中小企业和个人几乎无法获得专业设计

Step 2：杰文斯检验

• AI设计能力越强 → 更多人发现自己需要设计 → 需求增加 ✅

Step 3：船vs木桩

• ❌ 木桩型：核心价值是"AI生成好看的设计图"——模型更新后原生就能生成
• ✅ 船型：核心价值是"从AI生成到实体商品按需定制到独立店铺到48小时供应链交付"——模型越强，生成质量越好，整条链路价值越大
• 关键洞察：产能是溢出的（一天能生成1000张图但客户一年只推几十款），真正的价值不在生产端，在商业化链路

Step 4：壁垒定位

• 壁垒在：供应链协调网络 / 用户社区 / 商业化链路设计 ✅

结论：方向对但必须做成船——价值在壳内的用户/数据/供应链，不在AI生成本身。

---

常见陷阱

陷阱1：把"模型层能力"当成壁垒

表现："我们有独家的AI模型，所以有壁垒" 问题：模型层终将商品化，独家模型的优势是暂时的 正确做法：问"当所有人都有同样强的模型时，你的壁垒在哪？"

陷阱2：忽略"压抑量"的大小

表现：发现了一个"AI能做得更好"的场景，就认为是机会 问题：不是所有被压抑的需求都有足够大的市场——有些需求被压抑是因为"本来就小众" 正确做法：量化压抑——"全球有多少人从未获得过这个服务？"

陷阱3：混淆"杰文斯受益"和"杰文斯替代"

表现："AI能做X了，所以X的需求会爆发" 问题：需要区分——是"X的需求爆发"还是"对X的需求转移到了别处"？ 正确做法：问"AI做了X之后，人类会发现更多需要X的场景（受益），还是不再需要X了（替代）？"

---

方法关系

• 前置：CG02（第一性原理分析）——先用第一性原理拆解行业，再用杰文斯推理法检验机会
• 后续：ST03（护城河迁移理论）——识别出机会后，进一步分析壁垒如何迁移
• 后续：ST06（蓝海战略）——确定机会后，设计价值创新路径
• 并行：CG15（未来雷达图）——多维度扫描时，杰文斯推理法可以作为一个独立维度

---

深度理解

"结论是被动的"的哲学含义

这句话的深层含义是：你不决定机会在哪，是被压抑的需求决定机会在哪。

大多数人的思维方式是主动的——"我想做什么"、"我能做什么"。但杰文斯悖论告诉我们，真正的大机会是被动发现的——你只需要问"什么东西因为太贵/太少而被压抑了"，然后等成本降到临界点，需求就会自然爆发。

你的工作不是创造需求，而是识别压抑，然后在临界点到来时站在那里。

历史验证

每一次革命中，最大机会都不是"用新资源做旧事"（电力革命不是"更快的马"），而是"因新资源的丰裕，第一次具备实现可能的事"。

船vs木桩的本质区别

木桩和船的区别，不在于产业链层级，而在于产品价值随基础模型能力增长是提升还是缩减。

木桩的价值来自填补模型能力缺口：缺口被填补，价值便消失。就像在河里打木桩——水位不断上涨（模型能力持续增长），一旦漫过桩顶，木桩便被淹没。并非木桩变差了，而是水位抬升了。

船的价值来自模型之上的独特资产积累：模型越强，资产杠杆越大。壳内的用户、数据、生态无法被带走——淘宝是物流基础设施上的壳，微信是通信基础设施上的壳，没人指责它们是"套壳"，因为壳内沉淀了无法复制的核心资产。

关键洞察：产能是溢出的。AI在生产端的效率提升，远高于需求端的消化速度。技术再优秀，下游无法承接，产能就是浪费。所以真正的价值不在"AI能生成什么"，而在"AI生成之后的商业化链路"。

木桩也能赚钱，但赚的是时间差的钱。船赚的是积累的钱。 在水位每三个月涨一次的时代，可怕的不是做了木桩，而是做了木桩却误以为自己造的是船。