💡 Idea Generation · Substantive Domain
App Market as Economic Laboratory
为什么 iOS App Store 是同时观察 labor / productivity / marketplace 三大经济问题的稀缺实验环境 — 一个用 Claude Code 冲击的 natural experiment 框架
🎯 核心论点
AI 经济学有三大核心问题(劳动力、生产率、市场结构)。绝大多数论文只能在 一个 维度上做出 clean identification (RCTs 看 labor productivity,survey 看 firm growth,quasi-experiments 看 employment)。iOS App Store 是这三个维度同时可观察的稀缺设定,且自带 cross-category 异质性,直接读出经济机制。
🤔 思维路径:为什么从 App Market 切入?
2020-2026 年的 AI 经济学文献,绝大多数采用以下三种实证策略之一:
- 个体 RCTs(Noy & Zhang 2023 写作; Peng et al. 2023 编程; Dell'Acqua et al. 2026 咨询; Brynjolfsson, Li & Raymond 2025 客服)— 测量 task-level productivity gains,但**忽略市场均衡**
- 公司层面调查(Babina et al. 2024)— 测量 firm-level AI adoption 与 firm growth,但**没有反事实**
- 组织内 submission shocks(Gartenberg et al. 2026 在 Organization Science)— 测量 fixed-submission-cost shock,但**单一组织 + 单一 evaluation institution**
这些设计都各自缺一块。RCT 看不到 entry/exit;survey 看不到 causal effect;single-org 看不到 market reallocation。
App Store 这个设定有些什么独特特征,让它能同时回答三个问题?
App Market 的 6 大稀缺特征
① 全球同步冲击
Anthropic + OpenAI 在 2025-11-24 同期发 Claude Code / GPT-5.1-Codex-Max。所有 49 国 + 26 genre 看到同一个 t=0,排除"地理性 selection"
② Cross-category 异质性
不同 genre 对 non-code complement(用户网络、商家、信任、监管)的依赖强度天然不同。**不需要构造工具变量,直接读出机制**
③ Entrant vs Incumbent 双 margin
producer_account_id 让你精确分解出新进入者 vs 老开发者。**直接测 Schumpeterian creative destruction**
④ Attention 可量化
公开 review counts 让 production 跟 consumer matching 分离观察。**直接测 search/discovery friction**
⑤ 平台 30% 抽成已知
Apple commission 是已知常数。**Platform rent extraction 可以直接算**(= Tirole 2014 实证版)
⑥ GitHub 外部验证
独立数据源 (iOS-related repo +23%, 其中 56% 显式 AI-coding) 排除"日期巧合"confound
这 6 个特征同时出现在已有的 AI 经济学文献里极其罕见。绝大多数 paper 只占 1-2 个。
📐 三大经济领域 × Top 5 问题
🧑💼 Labor Market
- Substitution vs. Complementarity — AI 替代谁、增强谁? (Acemoglu & Restrepo 2018, 2022; AEJ:LE)
- Wage 分布如何变化? — 工资分布压缩还是扩张? (Goldin 2014, 2023; Card 2021)
- Entrant vs. Incumbent worker — 新人/老人谁获益? (Klette & Kortum 2004; Akcigit & Kerr 2018)
- Long-run labor share 是否 → 0? (Restrepo 2025 NBER, "We Won't Be Missed")
- Within-occupation reorganization — 工作内容的质变 (Athey et al. 2024 LABOR-LLM; Vafa, Athey, Blei 2025 PNAS)
📈 Productivity
- Task productivity ≠ market productivity — Solow paradox 2.0(这是你的 paper 的核心点)(Brynjolfsson 2018, "The Productivity J-Curve")
- TFP 加速幅度 — Acemoglu 算 0.66%,Goldman 算 1.5%,谁对? (Acemoglu 2024, Economic Policy)
- Heterogeneous firm-level gains — 谁拿走 productivity 红利? (Babina et al. 2024)
- Diffusion lags — 多快扩散到整个经济? (Brynjolfsson, Rock & Syverson 2021)
- Acemoglu bottleneck — 哪些任务是 binding 约束 (Acemoglu 2024; Benjamin Jones 2025 NBER on R&D)
🏬 Marketplace / IO
- Entry barriers 上还是下? — AI 降低门槛还是变化门槛? (Sutton 1991; Kerr & Nanda 2009)
- Schumpeterian creative destruction vs incumbent advantage — 新公司 vs 老公司谁赢? (Brynjolfsson & Hitzig 2025 vs Goldfarb 评论)
- Platform rent extraction — 谁拿走 surplus? (Tirole 2014 Nobel; Athey & Scott Morton 2025 "Double Harm")
- Innovation vs variety vs discovery friction — Long Tail 还是 noise flood? (Brynjolfsson, Hu & Smith 2003; Athey & Ellison 2011)
- Network effects + AI — AI 增强还是削弱网络效应? (Hadfield & Koh 2025; Shahidi et al. "Coasean Singularity" 2025)
🔗 这三个领域在 App Market 上的交汇
关键洞察:这三个领域的核心问题在 App Market 上**自然交织**:
Labor × Productivity × Marketplace 的交点
当一个 indie developer (labor)用 Claude Code (productivity tool) 上一个新 app (market entry),我们同时观察到:谁在写代码、写多快、entry 增加多少、谁的 attention 被分流、Apple 抽走多少租金。这 5 个 margin 在同一个数据集里、同一个 t=0 之后,都可以测量。
具体例子:同一个 shock,五个机制
- Labor 维度: 50.4% 新 developer entry vs 14.2% incumbent → 新进入者主导,而非现有公司扩张
- Productivity 维度: 48% launches 但只在 self-contained categories(62% of DID) → task productivity 不等于 end-to-end production
- Marketplace 维度 #1: Entry 增加但 attention 不 scale → matching capacity 成为新瓶颈
- Marketplace 维度 #2: 不同 genre 响应差异巨大 → non-code complement 的相对稀缺度决定谁是赢家
- Marketplace 维度 #3: Apple 30% 抽走 \$1-10M 新 entrant revenue → platform 在不发布 AI 的情况下成为 AI rent 的最大受益方之一
👥 谁讨论过这些问题?
每个问题在文献里已经有大量讨论,但**没有人在一个清晰的市场尺度自然实验上同时回答**。下面是对照表(链接进我们 review 过的 paper):
| 问题 | 主要 discussant | 他们卡在哪 |
|---|---|---|
| AI substitution-complementarity | Acemoglu & Restrepo · Acemoglu et al. (AI & Jobs) | 理论 + vacancy data;但没有 clean shock |
| Long-run labor share | Restrepo (We Won't Be Missed) | 理论;限制于长期 AGI 极限 |
| Task ≠ market productivity | Acemoglu (Simple Macro of AI) · Brynjolfsson J-Curve | 理论模型;实证只有微观 RCT,缺市场尺度 |
| R&D bottleneck | Benjamin Jones (NBER 2025) | CES 模型;但 capital share 校准被 Hall 质疑;无实证 |
| Entry barriers under AI | Brynjolfsson-Hitzig (集中化) vs Goldfarb (分散化) | 理论对立,无实证裁决 |
| Platform rent | Athey & Scott Morton (Double Harm) · Tirole (Digital Dystopia) | GE 模型 + 双部 tariff;但无实证 |
| Long Tail vs noise flood | Brynjolfsson-Hu-Smith 2003 · Stiglitz (Info Ecosystem) | 理论;Long Tail 假设 matching scales (现在不一定) |
| Coasean firm boundary | Shahidi/Horton (Coasean Singularity) · Chatterji/Rock | 概念性框架;无实证 |
共同的 pattern: 理论丰富,实证贫瘠。整个 NBER 2025 卷的 16 篇 paper 里只有 1 篇 (Manning-Aguirre) 是主要实证,而它也只是 descriptive (没有 causal claim)。这正是你 paper 的机会窗口。
🎯 为什么 App Market 是"economic laboratory"
研究 AI 经济效应有 4 个理想特征。绝大多数实证设定有 1-2 个,App Market 恰好 4 个都有:
- 外生且可识别的冲击 ✅ — Claude Code 全球同步发布,GitHub 数据独立佐证
- 高频可观察的产出 ✅ — 每天 launch 数,跨 49 国 26 genre,~2.1M 个 app-country observation
- 内置异质性可读出机制 ✅ — 不同 genre 对非代码 input 的依赖度,直接读出 binding constraint
- 消费者侧 attention 可量化 ✅ — public review counts,跟 production 分离观察
💡 Big-picture argument
未来 5-10 年最重要的 AI 经济学 paper 大多会是市场尺度的 natural experiments,因为 RCT 已经 saturated(我们知道 AI 让单人更快),理论已经 saturated(我们有 Acemoglu/Restrepo 框架);缺的就是市场尺度的 surplus 流向证据。App Market 是第一批可以做这个的 setting。
🚀 接下来:具体怎么做?
这是 substantive domain layer 的总结。具体的方法层和 testable predictions请看 ⚡ Shock 页面:
- Claude Code 冲击的精确特征
- 5 个 Nobel-track 研究问题(排过序)
- 每个问题:理论背景 + 谁讨论过 + testable prediction + 验证策略 + 风险
- 推荐的 "bundled" 单篇 paper 框架