当AI智能体接管竞争：为何效率倍增机会却变少了？

凌晨两点，人类早已入眠。

两家资金充裕的机构正在争夺同一项稀缺资产。白天，交易员设定好目标与预算上限；夜间，AI 智能体替他们紧盯盘面，计算对手反应，在授权范围内实时微调出价。

一方设定「别错过，只要价格合适就继续跟」；另一方交代「别让对手拿走，有空间就再加一点」。两边都没有越权，AI 只是不知疲倦地把指令执行得更快、更准。

不久，附近一家资金有限的中小机构主动退出了。它并非在最后一轮叫价中败北，而是发现入场门票已被抬到自己无力承担的高度。

这不是虚构的推演，而是正在各领域上演的现实。当人人都配上一支不休不眠的 AI 智能体队伍，而社会总资源并未同步扩容时，竞争的底层逻辑发生了剧变。

健康的竞争有三项基础功能：发现合理价格、筛出真正优者、为新参与者保留进场通道。但在 AI 智能体的全面介入下，这三项功能正在被悄然「抽空」，陷入一种局部忠诚悖论：每一个 AI 都绝对忠实于自己的委托人，但各方系统碰撞在一起，却共同推高了全社会的交易成本。

一、 价格发现变味：无需密谋的算法默契

传统的电子高频交易曾掀起过微秒级的延迟竞赛，而 AI 智能体带来的新变量是「算法默契」。默契不需要密谋，通常通过两条路径自发形成：预测对手，或在学习中演变为对手。

一种路径是预判。在美国联邦贸易委员会对亚马逊的反垄断诉讼中，指控其定价算法「Project Nessie」能够预测竞争对手是否会跟进涨价，从而决定是否率先提价，借此诱导行业整体抬升价格水平。

另一种路径是强化学习带来的自发适应。研究人员在重复定价的模拟实验中发现，利用 Q-learning 等算法训练的模型在多次博弈后，学会了自发维持显著高于完全竞争水平的价格，并自动「惩罚」低价偏离者。

这表明，AI 并不需要真正的合谋意图。只要智能体持续观察彼此并动态调整，默契配合便会自动涌现。价格不再是由供需真实发现出来的，而是走向了算法间的策略收敛。

二、 筛选机制失明：从「谁更好」转向「谁先被看见」

在选拔和招聘环节，AI 的普及同样在重塑规则。

一项模拟消费者与商家智能体交互的研究显示，模型普遍偏好更早出现的提案。在特定环境下，响应速度带来的优势甚至达到服务质量差异的十倍以上。竞争焦点迅速从「产品谁更好」，偏移为「谁的响应更快」。

此外，求职信号正在遭遇前所未有的通胀与贬值。以自由职业平台 Freelancer 的数据为例，当平台推出 AI 求职信辅助工具后，求职信与岗位需求的匹配度大幅提升，尤其是文字功底偏弱的求职者获益明显。然而，信号拥挤随即发生：求职信贴合度与面试回访率、最终录用率的相关性分别骤降约 51% 和 79%。

面对满屏完美的 AI 简历，雇主无法辨别真伪，只能转向更难被伪造的硬指标——比如历史评价与既往背书。同时研究显示，在 AI 生成草稿后花费更多时间手工修改的申请者，录用概率反而更高。筛选机制不再能准确找出最优解，而是沦为测试「谁更懂如何迎合筛选算法」。

三、 通道持续收窄：模型差距拉大门槛漂移

AI 竞赛投入的每一分增量成本，最终都会固化为下一轮博弈的准入门槛，这就是「门槛漂移」。

Anthropic 曾开展过一项微观市场实验：69 名员工各自带着购物清单和预算，由搭载 Claude 的代理在内部市场中自主议价和交易。在强弱模型混杂的市场中，搭载旗舰强模型的代理不仅成交量明显占优，在同类物品上的成交均价也显著更高。最具代表性的是一辆折叠自行车：同样的买卖双方，弱模型代理谈成了 38 美元，而强模型代理谈成了 65 美元。

更值得注意的是，参与者给代理下达的具体谈判策略（无论强硬还是温和），对成交结果几乎毫无影响。真正决定胜负的，是代理底层模型的能力高低。

当三千名求职者用 AI 写简历，招聘方再用 AI 批量初筛，由于简历泛滥，系统给出的解决方案必然是进一步提高准入门槛。最终结果是，岗位数量并没有增加，但底层参与者连进入筛选池的资格都被剥夺了。

四、 算清总账：省下的时间去了哪里？

一项针对在线劳务平台的随机对照实验发现：平台为雇主提供 AI 辅助起草岗位需求后，雇主发布职位的概率提高了 19%，编写时间减少了 44%。但总体岗位撮合成功的数量并没有增加，求职者为了应对海量职位投入的申请时间，反而是雇主所节省时间的数倍。

一方节省的摩擦成本，只是转嫁到了另一方头上。

正如金融市场中耗资巨大的微秒级套利竞赛并未创造实际流动性一样，当 AI 智能体被大面积用于存量份额的火拼，消耗被披上了「高效」与「智能化」的外衣，竞争演变成了全社会的额外负担。

各方智能体都绝对忠诚地执行着主人的指令，没有代码违背规则，也没有系统蓄意作恶。但在算力军备竞赛的驱动下，存量博弈的牌桌并未扩大，留给普通人的椅子却在肉眼可见地变少。