迈克·麦克莱里以前花几周时间寻找供应商。现在他在几分钟内获得报价——看着自己的制造成本从每件17美元降到2.5美元。
这个85%的降幅，正是让经济学家们坐立难安的那种数字。它证明了一些事情正在2026年当下真实发生，不是AI"抢走工作"的假设未来。麦克莱里在伊利诺伊州的客厅里经营他的户外品牌。他把Guardian LTE手电筒——一款2017年停产的爆款——重新上架，因为顾客一直在发邮件询问哪里能买到。去年决定复产时，他没有花几天时间翻阅供应商列表。他打开了Accio，阿里巴巴的AI采购工具，描述了原始设计，几秒内就收到了修订建议：更小的机身、改为电池供电、找到宁波一家制造商愿意以每件2.5美元的成本生产。新版Guardian手电筒在一个月内上架亚马逊。
"这些工具让以前没有渠道的人也能做采购了，"麦克莱里说。
Accio于2024年推出，2026年3月月活用户突破1000万——约每五个阿里巴巴用户就有一个在使用AI查询产品。传统采购流程需要几天甚至几周：比较工厂、谈判最小订单量、索要样品。而现在AI处理匹配环节，人类做机器还做不到的事：维护关系和最终谈判。
这是发生在基层的颠覆，用真金白银和真实决策衡量。然而研究AI对劳动力影响的经济学家说，他们连测量的基本工具都缺乏。
亚历克斯·伊马斯是芝加哥大学的研究员，花了数年时间完善对自动化经济影响的预测。他的判断是：该领域的标准模型"相当糟糕"。美国政府自1998年开始编制数以千计的个人工作任务目录，OpenAI和Anthropic的研究人员用这个分类来排名不同工作被AI"暴露"的程度。但伊马斯认为这个框架具有误导性。"单纯的暴露程度对预测替代程度毫无意义，"他表示。知道AI*能够*做一项任务，并不意味着它*将会*替代——或者成本更低。
张力显而易见。麦克莱里的85%成本削减是可以衡量、不可否认、正在发生的。与此同时，经济学家无法就多少人将失业、何时失业、哪些人失业达成共识。他们能统计AI工具有1000万用户，却无法告诉你这对就业意味着什么。
伊马斯认为，需要的是任务级就业数据——追踪不仅是雇佣人数，还包括他们执行的具体任务如何演变。缺少这些数据，政策制定者只能在黑暗中摸索。而麦克莱里的案例里，他们只能看到一个数据点：他的成本在一个产品周期内下降了85%。
两个事实同时成立。颠覆是真实的。测量却跟不上。