文 | 观潮
序
凌晨两点十七分。人早已入眠。
两家资金充足的机构，正在争夺同一项稀缺资产。白天，人各自设定了目标和上限；夜里，Agent替他们盯着报价，计算对手的反应，在授权范围内调整出价。
甲方交代：“别错过，价格合适就继续跟。”
乙方交代：“别让对手拿走，还有空间就再加一点。”
报价一格格上移。两边都没有越权。它们只是把主人交代的事，做得更快、更及时。
附近一家资金少的机构看了看最新报价，退出了。它不是最后一轮败北的——它是发现，门票已经涨到自己买不起。
这一幕是推演，不是交易现场的实录。但它提出的问题已经很具体：人人都能率领一支不睡觉的“小弟队伍”参战，目标值不增，竞争会变成什么？
对一个求职者、自由职业者或小机构来说，问题可能更直接：大家都用上了AI，为什么竞争更忙了，机会却没有变多？
一 抽空
报价照刷，简历照投，形式还在，功能变味。
健康竞争不是擂鼓，是干活。它平时至少做三件事：发现价格，筛出优者，给参与者尽可能留进场的通道。
“抽空”拿走的不是竞争的强度——它可能因军备竞赛而加剧，也可能因相互适应而减弱——而是上述三项功能。
一双跑鞋让人快半步，所有人便都换鞋。人人更快，优势相抵，鞋店赚钱——买鞋的钱不再买到优势，只买到不落后。
本篇沿三条线索展开：价格不再被发现，优者不再被筛出，通道不再被打开。
我把它叫作局部忠诚悖论：每一方都忠实，合在一起却可能抬高所有人的成本。一个系统忠实于委托人，不保证它与别人的系统相遇之后结果仍公平；更不保证，没钱部署同等工具的人还享有同等公平。
没有一个参与者需要作恶，恶自己显现。
二 发现价格的人下了班
先看价格。
这种仗不是新仗。电子交易世界里，延迟套利竞赛打了十几年：一条行情抵达，几台机器在五到十微秒里撤单或抢单——输赢短到人无法感知，账单却以流动性成本摊给每一个交易的人。（这是旧账，不是Agent的证据；第五节结账时还会用到。）
Agent不拆旧账，它开新局。新局的名字叫默契。
默契不需要密谋。至少有两条路通向它：一条靠预测读懂对手，一条靠学习变成对手。
读你。
美国联邦贸易委员会起诉亚马逊的诉状指控，其定价算法“Project Nessie”会判断其他零售商是否可能跟随涨价，随即决定是否提前抬高某些商品的价格。诉状称，这套做法带走了超过十亿美元的额外利润。（这是反垄断诉讼中的指控，而非法庭认定。它展示的是一种不对称机制：主导者把对手的反应算进自己的定价，诱导跟随。）
学你。
研究者把Q-learning算法放进重复定价的模拟市场，观察它们如何相互适应。特定条件下，算法学会了维持明显高于竞争水平的价格，并惩罚偏离者。（这是模拟推演，不是现实市场的证据。但它遵循的是默契的逻辑：竞争者持续观察彼此、依据对方反应调整策略，配合可以自动涌现——不需要密谋，甚至不需要对手是活人。真正支撑“没有直接沟通也可能出现较高价格”的，是这份逻辑，而不是Nessie。）
读你，学你。一条靠预判对手的下一步，一条在反复过招中长成对手的形状。路径不同，落点相同：价格不再被发现，只是收敛。报价还在更新，形状越来越像对方。
合谋的最高境界，是没有合谋者
三 筛人的人失明了
再看筛人。
一项双边Agent市场模拟，让代表消费者与代表商家的Agent搜索、沟通、提案。研究者发现，模型普遍偏好先出现的提案；在这组模拟条件下，响应速度的优势可能达到服务质量差异的十到三十倍。（这是模拟环境中的结果，不是现实市场的测量。它指向一种变化：系统若优先把第一个提案摆到人面前，竞争就会从“谁更好”偏到“谁先被看见”。）
当“被先看见”压倒“更好”，筛人这个环节就开始失明。
失明的不止速度一处。再看信号。
一项基于Freelancer.com平台数据的研究，追踪了平台AI求职信工具的上线：工具确实帮求职者写出更贴合岗位的申请，写作基础较弱的人改善尤其明显——旧的门槛被拆掉了。但信号随即拥挤：工具上线后，求职信贴合度与获得回访之间的相关性下降了约51%，与最终获得录用的相关性下降了约79%。雇主“聪明”地转向更难以伪造的信号——求职者过往的评价。
另一个发现：AI草稿上花更多时间修改的人，被录用概率更高。（相关关系，推不出因果。一个可能的解读：修改留下的是“经过人处理过”的痕迹——筛选者找的，也许正是这个。）
竞争确实还在筛人，只是筛的对象从“谁更好”漂向“谁先出现”“谁留下人的痕迹更多”。优者未必被筛出，被筛出的是最会适配筛选器的人。
四 椅子在减少
最后看通道。
这条线索有个名字：门槛漂移——上层竞争投入的每一分新增成本，都会沉淀为下一层的入场门槛。标的没变，入场条件一直在涨。
Anthropic做过一场实验，可以作为门槛漂移的微观样本。69名员工各自交出一份购物清单和100美元预算，由Claude代理在一个内部市场上自主刊登、议价、成交，最后交换真实物品。四个平行市场同时运行：两个市场里每个人的代理都搭载旗舰模型，另外两个市场里，参与者有半数概率被悄悄换成较弱的小模型——没人知道自己拿到的是哪个。（2025年12月进行、2026年4月公布；规模小、同一家公司、市场不激烈，不能当作现实经济的测量。）
结果：在强弱混杂的市场里，强模型代理平均多完成约两笔交易；同一件物品，强模型代理卖出的均价比弱模型高出3.64美元。最刺眼的例子是一辆旧折叠自行车：同一个买家、同一个卖家，弱模型代理谈成38美元，强模型代理谈成65美元——同一件商品，七成价差，只由代理手中的模型决定。
还有一个细节：参与者给代理的谈判指令——强硬压价还是温和协商——对成交结果几乎毫无影响。决定输赢的不是你怎么吩咐小弟，而是小弟本身强不强。参与者几乎没有察觉这种差距：代理替人谈成了交易，人看不出自己输在哪里。
注意实验设计：强弱模型随机分配，参与者不能自行选择模型，因此模型能力差异造成的结果差异更容易显现。现实世界从起点就无法拉平：模型接入成本高低、使用能力和操作经验差异都存在。
回到招聘。设想三千名求职者各自请Agent写简历，招聘方再请Agent筛检，职位依旧只有一个。系统建议：申请太多，下一轮提高门槛。它非常专业地解决了申请太多的问题——从此，有些人连被筛选的资格也消失了。Freelancer那项研究里还有一个温和但不容忽视的发现：求职信价值贬值、雇主转向过往评价之后，平台整体的雇佣率没有可见变化。结构变了，蛋糕没有变大——这本身就是门槛漂移的宏观签名。
竞争还在，通道在收。下一层的人面对的不再是“我有没有胜算”，而是“我还能不能进场”。
五 账本
三种功能失灵，三条线索。现在算总账：成本归谁。
一项在线劳务平台的随机实验（2026年工作论文）：平台给一部分雇主提供AI职位描述草稿，得到工具的雇主发布职位的可能性提高19%，写职位描述的时间减少44%。职位貌似是多了，雇主确实省了时间；但研究者没有观察到匹配数量增加。而求职者为这些职位投入的申请时间，估算约为雇主节省时间的六倍。
雇主省下来的成本，只是换了个承担者。
再翻回第二节那本旧账。对英国股票市场的研究发现：在FTSE 100样本中，延迟套利竞赛约占交易量22%，最常见只持续五到十微秒，前六家机构拿走八成以上成果；消除这类竞赛，单流动性成本可降约17%；而保留它的赢家年利润约50亿美元——那是赢家的利润，不是账单；账单以流动性成本摊给每一个参与交易的人。
这就是局部忠诚悖论的账：每一个系统都忠实于自己的委托人，市场为所有人的忠实付账。你忠实，我忠实，涨价也忠实——没有一方越权，没有一方作恶，账单的附加成本一分不少。
这不等于所有竞争都是零和。科学发现、新知识、公共设施，都能做大共同的蛋糕。但把有限位置的火拼误称为社会整体变强，是对这两类竞争的混淆——这种混淆很少是有意的：耗散一旦披上“效率”或“活跃”的外衣，就不再被追问成本与收益归谁。
六 改判条件
按观潮的规矩，写判断就要写改判条件。本篇的判断在什么情况下作废：
三条里任何一条长期、显著地成立，局部忠诚悖论就需要重写。当然，若三条都成立，那就不是重写，而是改判。
回到凌晨两点十七分。
竞价还在更新。两家机构的Agent都在执行任务，没有一方越权。资产的价格更高了；资产本身，没有多出一分。资金较少的那家机构，早早关掉页面，睡觉去了。
系统记得每一次出价。人至少不应忽略三件事：资源有没有去到更好的地方，谁还能进场，规则还能不能被质疑和改判。
牌桌没有变大，只是椅子在减少。