美国新企业形成之谜：AI、进入成本与商业活力的回归

美国新企业形成之谜：AI、进入成本与商业活力的回归

当前 AI 争论中最重要的一张经济图表，可能不是某个基准测试分数，不是半导体收入曲线，也不是大型云厂商的资本开支表。它可能是美国商业申请数量悄然但剧烈的上升。在疫情前的大约十五年里，月度商业申请数量大致处在一个熟悉区间，按季调四周移动平均计算，通常约为 45,000 到 55,000。如今这一数字已超过 120,000，是旧常态的两倍以上。图表最初的断裂显然与疫情有关，但持续处在高位的企业形成率，已经很难简单解释为一次性重启效应。它现在与生成式 AI 和大型语言模型的大规模采用发生了重叠。

这种重叠很重要，因为创业本质上是一项关于努力预期回报的计算。当可能的上行收益超过机会成本、资本要求、协调负担以及不确定性的心理成本时，一个人才会创办公司。AI 通过降低企业启动和运营的固定成本改变了这项计算。它不只是让既有公司更有效率。它让创业的第一公里更便宜。它压缩了从想法到原型、从原型到客户、从客户到可重复流程之间的距离。如果这一趋势持续，美国可能正在进入一轮结构性创业繁荣，而不仅仅是在经历疫情后的统计余波。

核心论点很直接：商业申请数量的上升，是创业供给曲线向外移动的信号。疫情可能触发了第一轮变化，但 AI 可以解释为什么新的水平没有完全回归均值。大型语言模型减少了对庞大初始团队的需求，自动化了编码、营销、客户服务、研究、法律草拟、文档、分析和运营的一部分，让个人或极小团队能够完成过去需要专业劳动力才能完成的任务。这提高了创业努力的预期回报，也降低了进入壁垒。结果可能是更多企业、更多实验、更快的生产率扩散以及更强的经济韧性。这种效应类似互联网革命，但微观经济渠道不同：互联网降低了搜索、分发和沟通成本；AI 降低的是认知、协调和生产成本。

这张图更像一次制度性切换，而不是普通周期

用周期性解释这组数据很有诱惑力。衰退、封锁、财政刺激、远程工作和劳动力市场错位，都推动人们重新考虑职业路径并开启副业。许多疫情初期的申请可能是生存型创业、电商实验、本地服务、独立咨询，以及税务或注册行为，而不是完整意义上的高增长创业公司。2020 年的峰值异常陡峭，因此谨慎的分析者应该问：这条序列是否只是从旧均衡移动到了一个临时的疫情平台？

但关键恰恰在于持续性。临时激增通常会随着劳动力市场正常化、办公室重开、家庭储蓄缓冲下降以及风险偏好降温而衰减。相反，商业申请序列仍远高于 2020 年前的基线。结构也很重要。美国人口普查局会区分高倾向商业申请与更广泛的申请；虽然并非每一次备案都会变成雇主企业，但备案持续升高意味着潜在企业的管道显著变宽。即使申请转化为运营企业的比例下降，潜在进入者的绝对数量仍可能显著上升。

这正是 AI 解释变得可信的地方。企业形成的结构性断裂很少见，因为创办公司不仅是金融决策，也是一项制度性决策。它需要工具、客户、知识、会计、合规、分发和劳动力。互联网改变了其中几项约束。云计算再次改变了它们，把大额前期技术支出变成了可变成本。AI 现在攻击另一组约束：在业务证明需求之前，就必须购买专业认知劳动力的需要。一个能借助机器完成合同草拟、落地页搭建、代码生成、竞品分析、营销文案、客户问答和法规摘要的创始人，面对的进入门槛低于五年前的同一个创始人。

这里需要区分想法繁荣和企业繁荣。想法很多；运营执行稀缺。AI 不会消除这种稀缺。它降低的是尝试的惩罚。如果一次实验的成本从数万美元下降到几百美元和一个月的专注工作，实验数量就应该上升。经济史表明，生产率浪潮通常先表现为实验浪潮，然后才表现为可测量产出的浪潮。早期互联网并没有让每个注册域名的人立刻获得稳定利润。它创造了一个商业模式测试成本崩塌的环境。许多失败了。少数成为平台。更多则成为使用新基础设施的普通企业。

AI 改变了创业成本函数

理解创业繁荣最清晰的方式，是从创业成本函数入手。一个简单的新企业有固定成本、可变成本和协调成本。固定成本包括公司设立、研究、产品设计、软件开发、品牌、基础法律工作、会计设置和初始销售材料。可变成本包括获客、托管、库存、交易处理和支持。协调成本则包括招聘、管理、沟通以及协调拥有不同技能的人所需要的时间。

生成式 AI 直接降低固定成本和协调成本。创始人可以用 AI 写第一版商业计划、生成财务模型、起草客户邮件、设计产品规格、搭建代码脚手架、创建客服脚本、翻译内容、总结市场研究并比较法律模板。这些输出都不应被视为完美。但进入阶段并不需要完美。真正重要的是，创始人能以更快、更便宜的方式达到最低可行版本。

一个有用的公式是：

创业预期剩余 = 成功概率 x 回报 - 固定成本 - 机会成本 - 协调成本 - 融资摩擦。

AI 可以影响每一项。它可能通过更好的研究和更快迭代提高成功概率。它可以让小团队服务更大市场，从而提高回报。它通过自动化草稿工作和技术脚手架降低固定成本。它让人们能够在离职前以兼职方式测试想法，从而降低机会成本。它用软件代理替代部分早期招聘，从而降低协调成本。它还降低融资摩擦，因为需要较少启动资本的创始人可以自筹更久，避免过早稀释。

这个框架也解释了为什么影响可能很广，而不仅限于风险投资支持的软件公司。餐饮供应商可以用 AI 做报价、库存分析、客户拓展和记账。房地产服务公司可以用 AI 生成市场报告并自动化线索筛选。独立顾问可以把专业知识转化为可重复产品。医疗账单创业公司可以自动化文档处理。小型制造商可以用 AI 做采购研究和销售材料。共同点不是每家公司都变成 AI 公司，而是每家公司都获得了一层更便宜的运营能力。

罗纳德·科斯认为，企业之所以存在，部分原因在于市场交易有成本。当寻找、签约和协调独立专家成本很高时，活动会被放进企业内部。AI 使这条边界变得复杂。如果软件可以按需完成某些专家任务，一家公司最低有效规模就可能下降。同一个创业者可以用更小的人类团队协调更大的数字工具箱。这降低了进入市场所需的规模。用科斯的语言说，AI 同时降低了一部分交易成本和一部分内部组织成本，从而改变了新企业的自制与外包边界。

同样的逻辑也适用于管理跨度。在经典创业和企业规模模型中，包括与 Lucas 相关的工作以及后来的异质性企业模型，管理才能是稀缺的，企业之间的差异来自创始人在生产率和协调资源能力上的不同。AI 可以通过减少例行沟通、文档、分析和监控时间来增强管理能力。它未必能把弱创始人变成强创始人，但可以扩大有能力创始人的经营范围。这对小企业长尾和高增长创业公司同样重要。

进入壁垒下降是一条生产率故事

企业形成并不自动等于生产率提升。新企业可能是生活方式企业、重复服务提供商，或短命实验。很多进入者会失败。但进入太少的经济会变得停滞。John Haltiwanger 及其合作者的研究显示，年轻企业对就业创造非常重要，也指出美国商业活力在此前几十年有所减弱。Decker、Haltiwanger、Jarmin 和 Miranda 记录了疫情前商业活力下降和创业率下降。这一点很重要，因为生产率增长不仅取决于既有企业效率，还取决于重新配置：资源必须从低生产率企业流向高生产率企业。

AI 赋能的进入可以帮助修复这一渠道。一阶效应不是每一家新企业都会成为生产率冠军。一阶效应是更多实验进入选择过程。在 Jovanovic 的企业学习理论和 Hopenhayn 的行业动态模型中，企业在进入后发现自身生产率，市场选择将资源重新配置给更好的企业。降低进入成本会增加从生产率分布中抽样的次数。如果选择机制保持健康，经济就会因为有更多机会发现高生产率企业而受益。

这也有熊彼特式解释。创新来自创造性破坏：新组合挑战旧惯例。AI 同时给进入者一种新的生产技术和一种新的组织技术。小公司可以挑战既有企业，并不是因为它拥有更多资本，而是因为它移动更快，能以更低成本个性化服务，并用更少层级运营。大型既有企业仍有数据、分发、资本、品牌、合规基础设施和客户关系。但当建立可信产品、触达客户和服务需求的成本下降时，进入者的劣势会缩小。

生产率渠道可以分成三个阶段。第一，AI 增加能够尝试创业的人数。第二，它通过缩短假设与市场反馈之间的时间，提高实验速度。第三，它通过低成本实验让创始人在资本耗尽前转向，从而提高幸存企业的质量。如果经济能够提供融资、基础设施和竞争性市场，幸存企业队列应比只有重金资助团队才能实验的世界更具生产率。

这很重要，因为美国一直在寻找新的生产率脉冲。20 世纪 90 年代末加速之后，生产率增长放缓。互联网创造了巨大消费者剩余和平台价值，但总体生产率统计常常滞后于可见的技术兴奋。索洛那句著名观察，即计算机无处不在，唯独不在生产率统计中，仍然适用于 AI。通用目的技术需要互补投资：组织重构、培训、新商业模式和法律适配。企业形成正是这些互补因素出现的一种机制。新企业不受旧工作流束缚，因此可能比既有企业更快采用 AI 原生流程。

Brynjolfsson 和 Hitt 关于信息技术的研究强调，IT 的收益在与组织变革配合时最大。AI 可能遵循同样模式。银行、保险公司、律所或医院可以买 AI 工具，但仍可能难以重设激励和流程。新公司可以从第一天起围绕 AI 构建工作流。这种差异就是为什么持续高企的企业形成率可能对长期可测生产率重要。创业公司不是把 AI 当作插件使用；它可以围绕 AI 这一运营原则组织自身。

小团队现在可以攻击过去需要大规模薪资支出的难题

最突出的含义，是员工人数与业务野心之间关系的变化。历史上，许多企业需要一组最低限度的专家：工程师、设计师、营销人员、客服代表、分析师、运营经理，以及法律或财务支持。即使每个角色都是兼职，协调负担也是真实的。没有融资的创始人很难组装这套能力。AI 并不会完全替代这些人，但它可以近似完成他们工作的第一版，让更小的团队决定哪些地方真正需要人类专业能力。

这改变了自力更生创业的经济学。自筹资金的创始人现在可以用 AI 完成粗加工，把人类雇佣留给判断、领域专业知识、信任敏感任务和最终质量控制。瓶颈从“我能否负担第一支团队”转向“我能否足够清晰地定义问题、触达客户并保持质量”。这仍然困难，但这是一种更高质量的困难。它奖励清晰度、品味和客户知识，而不只是资本获取能力。

这里还有地理含义。如果 AI 减少了雇佣完整本地团队的需要，创业可以扩散到传统创业中心之外。远程工作已经放松了地理约束。AI 可以进一步放松人才密度约束。小城市的创始人可以获得软件、设计、研究和营销杠杆，而这些过去需要接近深厚劳动力市场才更容易获得。这并不意味着地理消失。网络、资本、大学和客户仍会聚集。但位于核心枢纽之外的边际创始人，不再像过去那样处于劣势。

对劳动力市场而言，影响既模糊又强大。AI 赋能的创业公司可能每一美元收入雇佣更少员工，从而降低单个企业的就业创造。同时，可以被创建的企业更多，幸存企业扩张也可能更快。总就业效应取决于较低劳动强度和较高企业数量之间的平衡。这就是为什么商业申请数据重要但不完整。我们需要跟踪它向雇主企业的转化、薪资创造、收入增长、存活率和生产率。一百万个 AI 赋能备案如果仍只是副业项目，其含义将不同于一批广泛的雇主企业存活并扩张。

工资也存在同样的模糊性。如果 AI 让有技能的个人更具生产率，它可能提高创业人才和技术人才的回报。如果它自动化例行白领任务，就可能压低某些岗位。如果它创造许多小企业，就可能增加对专业判断、销售、合规、设计和关系管理的需求。最可能的结果是分化。能把领域专业知识与 AI 杠杆结合的劳动者，可能看到生产率和议价能力上升。任务容易标准化的劳动者，则可能面对来自软件和 AI 赋能进入者的更多竞争。

这轮繁荣可能增强经济韧性

如果新企业能够多元化收入、就业、产品和本地服务来源，更高的企业形成率就能让经济更具韧性。由少数既有企业主导的集中型经济，在稳定时期可能很有效率，但在冲击来临时也可能脆弱。更多进入者创造冗余。它们测试替代供应链，服务细分客户，并创造本地选项。在地缘政治风险、供应链中断、网络风险和气候冲击的世界里，分布式创业能力具有宏观价值。

这个韧性点经常被低估，因为金融市场偏好规模和盈利能力。公开市场投资者自然关注主导平台、利润率和投资资本回报率。但从宏观角度看，经济也受益于期权价值。每一家新企业都是一个关于新产品、新流程或本地服务模式的小型看涨期权。大多数会到期归零。一些会产生适度价值。少数会变得极其有价值。AI 降低了购买这些期权的权利金。当期权权利金下降时，理性主体会购买更多期权。

风险投资人会立刻理解这套逻辑，但同样的期权价值原则也适用于国家层面。更多实验意味着更多发现新生产率口袋的机会。广泛创业繁荣的期望价值取决于结果分布，而不是中位数结果。如果 AI 产生数千个平庸企业和少数变革性企业，整体回报仍可能很大。因此，因为许多企业会失败就否定高企的申请数量，是错过了重点。失败是发现过程的一部分。

这也与内生增长理论相关。Romer 式模型强调思想、非竞争性知识，以及创新在长期增长中的作用。AI 可以增加思想执行的有效供给，而不只是增加思想本身。许多人已经有想法，但缺少测试想法的手段。如果 AI 将更多潜在想法转化为实验，它就提高了经济的创新吞吐量。Aghion-Howitt 的创造性破坏模型同样强调新创新取代旧技术的作用。更多使用 AI 原生工作流的进入者，可以加快这种替代。

为什么怀疑论仍然重要

乐观解释不应变成盲目叙事。有几个理由需要谨慎。第一，商业申请不等于运营企业。数据是早期信号，不是最终结果。一次备案可以代表副业项目、税务实体、单人咨询载体，或非活跃公司。关键问题是转化。申请是否变成雇主企业？是否产生收入？是否能存活两三年以上？是否提高生产率，还是只是增加周转？

第二，AI 可能创造过多低质量进入。如果启动成本大幅下降，市场可能充斥差异化很薄的产品、自动化内容、薄弱软件，以及使用类似工具的服务商。这会为客户制造噪音，并压缩进入者利润率。低进入壁垒有利于实验，但不利于盈利。互联网既创造了伟大公司，也制造了大量脆弱商业模式。AI 很可能也是如此。

第三，既有企业同样会使用 AI。进入壁垒降低并不保证集中度下降。大型公司拥有专有数据、分发渠道、云基础设施、合规团队和资本预算。它们可以把 AI 集成进现有产品，也可以收购有前景的进入者。结果可能是杠铃结构：底部出现更多小公司，顶部仍由大型平台主导，中间那些既缺速度又缺规模的公司承压。这仍然是结构性变化，但不一定是简单的去中心化故事。

第四，监管和信任可能放慢从申请到真实企业的转化。AI 生成的法律草稿、医疗建议、金融推荐和客户沟通，都可能带来责任。高合规负担行业未必允许小型 AI 赋能团队像软件演示中那样自由移动。信任仍然是一项人类和制度资产。在许多市场，客户购买的不只是产出，也是在购买问责。

第五，宏观环境很重要。高利率、信贷收紧、消费者需求疲弱，或小企业贷款下行，都可能拖慢这轮繁荣。AI 降低了一些成本，但不是所有成本。企业仍需要客户、营运资本、支付系统、保险和时间。因此，商业申请激增应被视为潜在活力的领先指标，而不是生产率加速已经得到保证的证明。

投资含义：更多进入，更多分化

对投资者而言，创业繁荣指向分化。如果 AI 降低进入成本，更多企业可以攻击细分市场，更多行业可能被扰动，赢家和输家之间的距离会拉大。显而易见的受益者是 AI 基础设施提供商、云平台、半导体供应商和销售生产率工具的软件公司。但这只是第一层。第二层是那些用 AI 改变传统行业成本结构的企业。第三层是既有企业承受的压力，尤其是那些利润率依赖高客户摩擦、慢服务或稀缺专业知识的公司。

这提示我们用不同方式思考 AI 敞口。持有基础设施赢家可以捕捉主题的一部分，但更广泛的经济影响可能通过竞争强度变化体现。信息处理成本高、客户需求分散的行业尤其暴露。专业服务、营销、教育、医疗行政、保险分销、合规、招聘、软件开发、本地服务和业务流程外包，都有可以被 AI 压缩的任务。一些既有企业会通过自动化内部工作变得更赚钱。另一些则会面对用 AI 降价或提供更高个性化的进入者。

公开市场最初可能奖励既有企业，因为它们有资源快速部署 AI，也有利润率展示近期效率收益。然而随着时间推移，进入效应可能更重要。如果小企业可以便宜触达客户并轻资产运营，既有企业可能在特定垂直市场失去定价权。这不是对大型公司的普遍做空论点。它是一个提醒：AI 既是效率工具，也是进入工具。前者支撑利润率；后者攻击利润率。

私募市场可能看到更大的结构性变化。达到产品市场匹配的成本可能下降，从而改变融资结构。创始人可能需要更少种子资本来构建第一版产品，但在证明牵引力后需要更多资本扩张分发。这会把早期议价能力推向创始人，同时把后期议价能力推向拥有分发、数据和市场进入能力的投资者。它也可能增加不需要传统风险投资的小型盈利公司的数量。这将是重要变化，因为风险投资模型建立在少数超大退出之上，而 AI 也可能创造一层广泛、持久的“微型跨国公司”。

劳动与资本分配也是投资问题。如果 AI 让收入能够以更少员工扩张，成功企业利润率可能上升。但如果进入激增，竞争会把这些生产率收益通过更低价格传递给消费者。收益分配取决于市场结构。在有网络效应、数据优势或监管壁垒的市场，AI 生产率可能归属于企业。在转换成本低、进入者多的市场，它可能归属于消费者。因此，投资者不应只关注泛泛的 AI 采用，而应关注采用是否创造可防御优势。

互联网类比有用，但并不完整

最自然的比较是 20 世纪 90 年代末和 21 世纪初的互联网繁荣。这个比较有用，因为互联网同样通过降低沟通和分发成本创造了一轮实验激增。小团队不需要拥有实体门店，也能触达全国或全球客户。搜索引擎、电子邮件、网站、在线支付以及后来的社交媒体，降低了发现和获客成本。云计算随后降低基础设施成本，让企业可以租用计算能力，而不是自己建设。

AI 延续了这条序列，但机制并不完全相同。互联网让市场更容易进入。云让基础设施更容易租用。AI 让能力更容易调用。它把一部分专业能力变成按需服务。创始人可以请求市场地图、合同草稿、原型、客户分层、翻译、电子表格模型、代码审查或客服工作流。输出仍然需要验证，但第一版不再被等待专家所阻塞。这把瓶颈从获取知识，转向判断如何使用知识。

这种区别对生产率很重要。互联网让许多企业能够更广泛地销售，但它并不自动重塑产品或服务的内部生产过程。AI 更接近生产函数本身。它可以触及分析师、工程师、律师、营销人员、教师、设计师、运营人员、招聘人员和客服团队的工作。这就是为什么企业形成效应可能更加分散。边际创业者并不需要销售 AI 产品。他或她可以使用 AI，让一项普通甚至无聊的业务更便宜地启动、更容易运营。

历史类比也提醒我们，不要对短期结论过度确定。互联网泡沫既产生了真实的过度投资，也留下了真实的长期基础设施。二者同时成立。许多公司消失了，但光纤、软件习惯、消费者预期和平台模型留了下来。AI 可能遵循类似路径。一些当前商业申请会失败，因为创始人高估 AI 能力，低估获客难度，或忽视合规。但实验本身可能留下技能、工作流、可复用代码、数据集和客户洞察。即使失败的企业也可能促进扩散，因为员工会把 AI 原生习惯带到下一次创业或下一位雇主那里。

因此，更好的类比也许不只是互联网泡沫，而是电气化、个人电脑、互联网和云计算的组合。每一种通用目的技术都需要互补资产，才会改变可测生产率。工厂必须围绕电力重新设计，而不是简单用电动机替换蒸汽机。办公室必须围绕计算机改变工作流，而不是把它当作更快的打字机。企业必须围绕互联网重组，而不是在不变的业务上加一个网站。AI 很可能也需要同样的互补重构。新企业往往最容易完成这种重构，因为它们不必先征得旧流程的许可。

政策、制度与选择质量

创业激增能否变成生产率繁荣，很大程度取决于选择环境的质量。低进入成本只有在好企业能够成长、坏企业能够退出且摩擦不过度时才有价值。这需要竞争性市场、灵活的劳动力流动、合理的破产规则、支付系统准入、有效的小企业融资，以及既保护客户又不冻结实验的法律环境。创业不只是个人行为。它是一套制度生态。

美国在这方面有几项优势。它有深厚资本市场、容忍失败的文化、相对灵活的劳动力市场、强大学校体系、庞大国内需求，以及将通用目的技术商业化的长期历史。这些优势有助于解释为什么技术冲击能转化为企业创建。但也存在约束。与就业绑定的医疗保障会让离职更有风险。高生产率地区的住房成本会限制流动。职业许可可能拖慢本地服务进入。数据隐私规则、知识产权不确定性和 AI 责任问题也可能让创始人更加谨慎。

因此，政策重点不应是补贴每一家 AI 创业公司，而应是改善实验被筛选的环境。这意味着支持可携带福利，减少不必要的地方进入壁垒，扩大技术教育机会，改善小企业信贷渠道，明确 AI 责任标准，并在主导平台利用数据或分发阻挡进入者时维持竞争压力。目标不是保证成功。目标是让有用实验更容易发生，让选择过程更干净。

这里还有测量挑战。传统统计可能低估 AI 赋能微型企业的重要性，因为许多企业可以用很少员工创造有意义收入。如果政策制定者只看薪资增长，可能错过高收入单人或小团队企业的上升。如果只看申请数量，又可能夸大繁荣。正确测量方法应结合申请、雇主转化、收入、薪资、存活、生产率和行业层面进入。随着时间推移，税务数据和企业微观数据将是区分真实运营活力与行政备案的关键。

选择质量还取决于客户信任。如果 AI 在缺少质量控制的情况下降低进入成本，市场可能被低质量供应商污染。这会提高客户搜索成本，并降低实验价值。声誉系统、专业标准、认证、保险和平台治理可能变得更重要。悖论在于，AI 降低生产成本，却可能提高对信任基础设施的需求。最成功的新企业，可能是那些把 AI 杠杆与可信人类问责结合起来的企业。

资本配置可能变得更像杠铃

融资含义值得单独讨论。创业成本下降，并不简单意味着资本需求下降。它改变的是资本在什么时候被需要，以及什么资本有用。在 AI 之前，创始人可能需要早期融资来雇佣工程师、设计师、营销人员和运营人员，然后才能测试需求。有了 AI，一些创始人可以推迟这笔融资。他们可以用更小预算构建、测试和迭代。这把最早期、风险最高的实验，从机构资本推向创始人时间、客户预付款、收入和小额支票。

然而，一旦企业显示牵引力，资本需求可能很快回归。分发、销售、合规、安全、企业集成和营运资本仍然需要钱。AI 让原型更便宜，但并不会让信任、获客或规模免费。这意味着一种杠铃式融资结构。一端是许多小公司自筹更久，甚至永远不需要传统风险投资。另一端是证明大市场的企业可能筹集大量资本并积极扩张。中间部分可能更困难：那些复杂到无法自力更生、但差异化又不足以获得重大融资的公司，可能会挣扎。

对风险投资而言，这可能改变早期投资的含义。如果构建原型的成本下降，投资者对“有一个 demo”本身的估值会下降，而更看重专有洞察、分发优势、数据访问、客户紧迫性、监管定位和创始人判断。稀缺资产不再只是构建能力，而是决定什么值得构建、把它卖给正确客户，并防守由此形成的位置。AI 可能商品化一部分执行，同时提高品味和战略的价值。

对公开市场投资者而言，同样逻辑意味着，来自 AI 的利润率扩张必须与进入风险一起分析。一家公司如果在拥有强护城河的市场用 AI 降本，可能创造持久股东价值。一家公司如果在护城河薄弱的市场用 AI 降本，可能只是随着新进入者采用同样工具而触发价格战。问题不是“AI 是否提高生产率？”问题是“谁捕获生产率？”在一些市场中是股东；在另一些市场中是客户；在另外一些市场中，则是那些变得极其高产的专业劳动者。

这就是为什么企业形成数据应被纳入 AI 投资讨论。它们不只是宏观好奇。它们是关于竞争供给的线索。如果潜在进入者数量保持结构性高位，那么长期 AI 交易就不只是购买 AI 工具供应商。它也包括识别哪些既有企业能够承受一个更多人可以建立可信竞争者的世界。 ## 既有企业的回应将决定多少商业活力能够留下

创业繁荣不会在真空中展开。既有企业会回应，而这种回应的性质将决定 AI 是带来广泛商业活力，还是只是强化现有领导者。大型公司可以用 AI 自动化支持、加快写代码、个性化营销、分析客户行为并降低行政支出。如果这些收益被再投资于更好的产品和更低价格，既有企业可以在保持规模的同时改善消费者福利。如果它们主要被用来防守分发和锁定客户，进入繁荣可能很难转化为竞争繁荣。

这正是反垄断和平台治理与创业相交的地方。许多 AI 赋能创业公司将依赖云提供商、应用商店、搜索平台、支付网络、数据供应商和社交分发。降低进入成本的同一套基础设施，也可能成为守门人。创始人也许可以便宜地构建产品，但仍要在发现、信任、支付接受和平台排名上面对高成本。瓶颈可能从生产转向分发。

因此，投资者应区分两个问题。第一，AI 是否让更多人能够构建可行产品？答案越来越像是肯定的。第二，市场结构是否允许这些产品触达客户，并保留足够经济收益以存活？这个答案因行业而异。在开放、分散的市场中，创业繁荣可以转化为真实竞争。在平台控制市场中，进入可能上升，但剩余可能被平台层捕获。

最具建设性的结果，是既有企业变得更有效率，同时进入者迫使它们保持诚实。这是经典生产率契约：技术降低成本，竞争把部分收益传递给客户，最好的企业成长。较不具建设性的结果，则是 AI 增加活动但不增加可竞争性。商业申请图表告诉我们，更多人正在尝试。它尚未告诉我们，市场是否会允许其中最好的企业扩张。 ## 什么会证实或证伪这轮繁荣

下一阶段分析应超越申请数量。几个指标很重要。一个是商业申请转化为雇主识别号和活跃工资单的比例。另一个是新企业两年以上存活率。第三是年轻企业人均收入，这可以显示 AI 是否正在支持更精简的扩张。第四是行业构成：如果繁荣集中在低生产率行政实体，宏观含义会较弱；如果它出现在技术赋能服务、医疗行政、软件、制造支持、物流和专业服务中，含义会更强。

我们还应耐心观察生产率统计。通用目的技术扩散缓慢。互联网最大的生产率效应需要时间，也需要互补投资。AI 可能更快，因为云分发和软件采用渠道已经存在，但组织重构仍需要时间。最重要的近期证据可能来自微观数据：小团队更快发布产品，专业服务公司提高人均产出，客服运营处理更多量，新企业以更少员工达到收入里程碑。

另一个证实信号，是同一行业内 AI 原生企业与传统企业之间差距扩大。如果 AI 只是每个人都购买的工具，生产率效应可能广泛但不特别具有破坏性。如果 AI 原生进入者构建不同工作流、定价模型和服务预期，那么竞争结构就会变化。商业申请激增将成为更深层重组的早期信号。

证伪则会呈现不同样子。如果申请保持高位但雇主企业形成没有改善，如果存活率大幅下降，如果收入创造疲弱，而且生产率增长多年未响应，那么这轮繁荣可能主要是行政周转。即便如此，它仍对劳动力市场行为和家庭风险承担有意义，但不足以支撑强生产率叙事。举证责任属于乐观论。高企的申请数量是信号，不是结论。

结论：AI 让创业成为更便宜的实验

美国似乎正在经历企业形成方式的有意义变化。从疫情前约 45,000 到 55,000 的月度申请常态，上升到超过 120,000 的水平，这一变化太大，不能忽视。疫情解释了最初冲击，但持续处在历史常态两倍以上，暗示更深层的事情可能正在发生。AI 提供了一个连贯机制：它降低启动成本，减少对庞大初始员工基础的需求，自动化早期认知和运营任务，并提高创业努力的预期回报。

AI 最重要的经济影响，未必是立即替代劳动者，也未必是立刻创造生产率奇迹。它可能是扩大了能够尝试创办企业的人群。当实验成本下降，更多人会实验。当更多人实验，更多企业进入选择过程。当选择机制有效，经济就会发现更多高生产率企业，并把资源重新配置给它们。这就是商业形成繁荣如何转化为生产率繁荣。

这并不意味着每一次申请都有意义，每一家 AI 创业公司都有价值，或每一家既有企业都脆弱。怀疑论仍然重要。我们需要转化、存活、收入、薪资和生产率证据。但这张图应该被认真对待。它可能展示的是 AI 作为创业技术的早期宏观足迹，而不仅仅是企业效率工具。

互联网降低了触达客户和分发信息的成本。云计算降低了获取基础设施的成本。AI 降低了认知、协调和第一版执行的成本。合在一起，这些力量可以把创业从资本密集型跃迁变成更便宜、更快速、更可重复的实验。如果持续下去，这种转变可能提升生产率增长，恢复商业活力，并增强美国经济韧性。市场会争论哪些公司从 AI 中获胜。更深的问题是，AI 是否增加了能够成为公司的人的数量。