戴雨森：AI 的「回报问题」没有被解决，只是被推迟了

——这是 2026 年最被回避，也最致命的一个问题

2026 年上半年，所有数字都像在欢呼。 Anthropic 年化收入冲到 1000 亿美金。 AI 硬件全年利润 7000 亿美金，存储厂商利润接近英伟达。 Hyperscaler 集体举债建数据中心，资本流入一日千里。

但真格基金管理合伙人戴雨森，在张小珺第 142 期播客里抛出了一个所有人都不愿正面回答的问题——

“这些钱，最终会变成什么？”

听完那一段，我反复回放了三遍。这不是看空，也不是泼冷水。这是一个早期投资人，在所有人都在加杠杆的时刻，把骨子里那个最该问的问题拎出来摆到桌上。

这篇文章，我想专门把这一段拆给你听。

01 │ 回报问题不是”AI 能不能赚钱”——而是钱要从哪一关流出来

很多人讨论 AI 回报，是在问”OpenAI/Anthropic 这些模型公司能不能赚钱”。

戴雨森说，这个问题本身就问偏了。

他构建了一个三段链条来重新定义这件事：

┌──────────┐    ┌──────────┐    ┌──────────┐
│  投入    │ →  │   产出   │ →  │   结果   │
│ (Input)  │    │ (Output) │    │ (Return) │
└──────────┘    └──────────┘    └──────────┘
客户购买 Token   AI 烧出的软件     真实利润
                                增收 或 降本

按这个链条看 2026 上半年：

Anthropic 收入 = 它客户的「投入」
客户用 token 烧出来的 AI 软件 / Agent / Coding 产出 = 这条链的「产出」
这些软件能不能真的让客户赚到钱（多卖产品或真减成本） = 终极「结果」

当下所有”AI 兑现了”的叙事，其实只兑现到了第一格——「投入」。

模型公司收入暴涨，是因为客户在抢着把钱掏出来。但客户掏出来的这些 token，最后是不是真的转换成了利润——这第二关到第三关的转换率，几乎没人敢正面回答。

戴雨森的话很狠：

“回报问题没有被解决，它只是从模型公司转移到了它的客户身上。”

这就是为什么我说，回报问题不是”AI 能不能赚钱”，而是”钱要从哪一关流出来才算数”。

02 │ “增效”这条路：为什么把效率提升 10 倍≠收入增长 10 倍

很多人为”回报问题”提供的答案是：AI 让人效率提升 10 倍，所以利润自然 10 倍。

戴雨森一针见血地拆穿了这条逻辑。

“创新的瓶颈从来不是编程能力，而是『不知道该做什么』。”

他抛出一个特别朴素的思想实验：

假设一家公司明天突然多出 10 倍的工程师，它的收入会涨 10 倍吗？

不会。因为一家公司收入增长的卡点从来不是”代码写得不够快”，而是”产品经理找不到下一个真正值得做的新方向”。

我们都听到太多人说，“我用 Cloud Code 之后效率提升 10 倍”。但你低头看，过去半年硅谷的大公司，有几家因此推出了 10 倍数量的新产品？多卖给了 10 倍的新用户？产生了 10 倍的新收入？

答案是几乎没有。

戴雨森观察到一个反直觉信号——硅谷正在内卷加剧：

“Lovable 原来是做网站的，现在做 PPT；Gamma 原来是做 PPT 的，现在做网站。因为大家都有了便宜的编程能力，但又不知道做什么新东西。第一反应就是把别人做的东西复制一遍。”

这就是没有”结果”出口时，产能过剩会发生的事——所有人都在产能内卷，没有人真正在为终端用户创造新增价值。

Token 烧出来了软件，软件却没能烧出新的市场。

新产品的诞生，不是工程师数量的函数，而是认知、洞察、需求挖掘的函数。这两个函数的速率有数量级差距——这就是回报问题在「增效」路径上的根本漏洞。

03 │ “降本”这条路：裁员是一次性收益，结构性回报很有限

另一条经常被搬出来回答回报问题的逻辑是：AI 让 80% 的程序员失业，公司省下了人力成本。

戴雨森给这条逻辑做了三层拆解，每一层都让”靠裁员兑现 AI 回报”这个故事变得不那么牢固。

第一层：裁员是一次性收益，不是结构性增长。

你只能把一个人裁一次。今年裁完 15%，明年再裁也只能从基数上剥一层皮。但 token 的消耗是持续性的——你今年烧 1000 亿，明年要烧 2000 亿。用一次性的成本节约去对冲持续性的投入，账本无法长期平衡。

第二层：程序员的工作 80% 可被替代，但剩下 20% 卡得很死。

戴雨森的观察很细：

“程序员可能 80%-90% 的工作是编程，但还有 10%-20% 是沟通协调、人与人之间的信任、组织里的权责承担——这些部分，AI 还不能直接取代。”

这就像自动驾驶。L4 解决了 90% 的场景，但剩下 10% 的 corner case 让”完全去掉司机”变得不可能。同样的 Pareto 死锁，发生在每一种白领工作上。

你以为可以替代一个完整的工程师，实际上你只能替代他的部分工作。而工资是按完整的人发的，不是按工作量分发的。

第三层：裁员引发的宏观连锁反应。

“你的程序员的工资，本身也是别人公司的收入。如果出现大规模裁员，他们这些被裁的程序员的消费、订阅、SaaS 付费——也会立刻减少。这对整个经济其实是有巨大反向影响的。”

这是经典的合成谬误：每家公司从自己视角理性裁员是赚的，但整个产业链上所有公司同时裁员，总需求会塌方。等到反向冲击回到你公司的收入端时，你才会发现成本节省没能覆盖收入下滑。

降本这条路，单家公司算 ROI 是正的，行业全局算 ROI 不一定。

04 │ “烧水模型” + “水槽模型”：回报问题的紧迫性来自规模

戴雨森用了两个简单但传神的比喻，把回报问题的紧迫感讲清楚了。

第一个：烧水模型。

“AI 的智力要跨过一个阈值，才能产生巨大的价值。就像水要到 100 度才会沸腾。烧到 99 度，是没有蒸汽机的。”

这个比喻原本是用来解释 Coding 为什么在 Claude 4.5/4.6 才突然 work——智力跨过了某个临界点。

但同样的逻辑也适用于回报。回报不是连续输出的——只有当 AI 在终端用户那里真的烧到了 100 度（创造出了人类自己做不到的事），结果才会跳出来。

如果只烧到 99 度，烧的 token 全是”花拳绣腿”——产品看起来更高级，但用户的钱包没动。

第二个：水槽模型。

“这就像一个水槽，上面有源源不断的新用户进来吃螃蟹，下面也有一些觉得’其实没那么好吃’的人走掉。但现在进来的远多于走掉的，所以 Anthropic 的水位还在涨。”

戴雨森的判断是——只要进入水槽的人比离开的人多，AI 公司的收入就会持续暴涨。这就是当下我们看到的现象。

但这个结构有一个明确的 vulnerability：当 token 烧出来的产品没能产生真实回报时，曾经涌入的客户会一个个走掉。

水槽的水位会涨多高、撑多久，取决于下游（客户的客户）什么时候开始算账。

为什么这个问题在 2026 年特别紧迫？

不是因为它新——而是因为体量太大：

维度	2026 年数字
AI 硬件全年利润	7,000 亿美元
存储厂商利润	已接近英伟达
Anthropic 年底 ARR	1,000 亿美元（月均 100 亿 token 销售）
Hyperscaler 资本支出	已使用债务杠杆

“以前是几百亿美金的盘子，市场可以等。现在是几千亿美金的盘子，hyperscaler 在举债建数据中心。”

资金杠杆缩短了市场愿意等多久的窗口。

这是戴雨森本期最让我警觉的一句话。杠杆改变的不是叙事，是时间表。 没有杠杆时，市场可以陪你等三年五年慢慢兑现；有杠杆时，回报问题必须在 12 到 24 个月内被回答——否则连锁反应不可控。

05 │ 回报问题，要在哪一关被回答？

如果你接受了”回报问题没有被解决”这个判断，下一个问题就是：它什么时候会被回答？由谁来回答？

戴雨森没有给出确定答案，但他给了一个判断框架。我把它整理成了三个观察点：

观察点一：终端企业用户的 P&L。

不是看 OpenAI / Anthropic / 英伟达的财报——那是「投入端」的水位。真正要看的是这些 token 的客户（一家家具体的 SaaS / 企业服务 / 内容平台 / 投行 / 律所）——他们的毛利率、净利率、新产品收入占比，这一年到底有没有动。

如果一年后这些”AI native”业务的盈利能力没有突破历史均值，回报问题就还没被回答。

观察点二：组织形态的真实变化。

戴雨森做了一个非常有结构性的判断：公司规模会变小。一个人、少数几个人，将能够完成过去十几号人才能完成的全部环节。前后端、测试、UI、运营这些分工，源于人类的技能局限——AI 之后会被打散重组成”独立运行的小组织”。

但他也提醒：

“从大模型到生产力的真正跃迁，关键不在模型本身，而在生产关系的组织变化——这本质上是『人的变化』，需要十年甚至代际更替才能完成。”

这是从蒸汽机到电动机的类比：蒸汽机时代，工厂只能围绕一根大轴布局；电动机让动力分散到每个工位——但物理布局和生产流程花了几十年才真正适应。

回报问题，可能不会在 24 个月内被任何一家”AI 应用公司”回答——它要等到整个组织形态完成迁移才会被回答。这个时间表，对很多今天估值已经飞上天的公司是个挑战。

观察点三：哪一类”产出”会先变成”结果”？

戴雨森给了一个清晰的判断：生产力赛道，是 2026 的”简单题”。

“AI 帮人写代码、写报告、做研究、做设计——这些场景的回报路径直接、付费意愿明确、效果可验证。”

而那些被包装成”AI 信息流”试图复制字节跳动的项目，他直接定性是”困难题”——你在字节最擅长的游戏规则里跟字节竞争，这是回报问题最难被回答的方向。

判断回报会在哪先兑现，可以反推今天该把钱押在哪。

06 │ 几条带走的判断

我整理了听完后挥之不去的几个判断，给你做参考：

1. 不要把模型公司的收入，当作 AI 革命已经兑现的证据。 模型公司收入是「投入」，不是「结果」。任何”AI 兑现了”的论断，如果只引用模型公司财报，就是论据放错了关。

2. 警惕”效率提升 10 倍”的话术。 个人体感是真的，但公司层面的收入增长才是真的”结果”。如果一家公司 90% 的员工说 AI 让他们快了 10 倍，但公司年收入只涨了 15%，回报问题在这家公司还没被回答。

3. 真正值得跟踪的指标是「终端利润」而不是「token 消耗」。 做投资也好、做创业也好、做职业规划也好——把目光锚定在客户的客户，而不是客户本身。回报最终是从那一关流出的。

4. 留 12-24 个月给”结果”出现的窗口。 hyperscaler 已加杠杆，市场不再有 5 年的耐心。如果这个时间窗里看不到”投入→产出→结果”的明确正反馈，会有一轮压力测试。这不是看空，是给所有参与者的一个时间提醒。

5. 今天最值得创业的方向，是回报路径最短的方向。 生产力赛道（写代码、写文档、做研究、做设计、做客服）——付费意愿明确、效果可验证、回报路径直接。简单题先做完，再去碰困难题。

写在最后

“回报问题没有被解决，它只是从模型公司转移到了它的客户身上。”

戴雨森这句话，是 2026 上半年我听到的最锋利的一句行业判断。

它没有否定 AI 的价值——相反，它是用最严肃的视角，在追问 AI 价值最终在哪里、由谁、何时兑现。

而你我，作为创业者、投资人、或者只是一个在用 AI 的打工人——这件事其实跟我们每个人都有关。

因为，当回报最终从某一关流出时：

流到你做的产品身上 → 你赢
流到你买的股票身上 → 你赢
流到你的工作上 → 你赢

而没有流出来的那一段时间，所有的繁荣，都只是杠杆撑起来的水位。

🎧 本期原音频 · 点文末「阅读原文」直达小宇宙完整收听
（张小珺《商业访谈录》 #142 · 雨森的创投观察第 2 集，全长 2 小时 20 分钟）

💬 你怎么看戴雨森的”回报问题”？你的工作 / 投资 / 公司，在哪一关上看到了”结果”？欢迎评论区交流。

👍 点赞 + 转发，让更多还在思考 AI 投资逻辑的朋友看到这篇。