会用 AI,不等于只是会用一个工具

在 Anthropic 的 Slack 里，Claude 已经会主动“抢活”。

员工讨论问题时，它可能突然插进来，“这活我可以干，要不要交给我？”也会提醒某个新模块还没人验证，主动提出去跑测试。

这不是一个更好用的聊天框。一个能看见上下文、理解任务并主动进入工作流的 Agent，正在改变组织里“谁等谁下命令”的关系。

当 Agent 开始主动找活，人类员工就不能再用“我已经会提问”证明自己会用 AI。

脉脉 CEO 林凡结束一轮硅谷调研后，把这种变化带回了招聘市场。

他拜访了 OpenAI、Anthropic、Google、Meta 等公司，也观察到模型能力如何穿过代码，进入法务、财务和业务团队。

他说“明年科技公司可能就只招 AI 人才”，重点并不在于人人都要训练大模型。

新的门槛是，你能否把真实工作拆成目标、上下文、工具和验收规则，让 Agent 独立跑出结果。

过去，行业讨论中美差距，焦点常落在预训练算力和显卡集群。

推理强化学习与 Agentic RL 兴起后，决定能力的变量开始增多，后训练、环境反馈、工具调用和工程效率都变得重要。

林凡转述硅谷一线技术人员的判断，中国团队的进展不能简单归结为蒸馏。在资源约束下完成快速迭代，本身包含研究与工程能力。

顶尖模型仍然昂贵，普通工作需要的智能却正在迅速变便宜。

节目提到，未来一段时间里，最前沿模型的训练和调用仍需要高成本。与此同时，小模型的能力会不断外溢，覆盖越来越多日常任务。

这意味着企业落地的账会慢慢算过来。不是每一张报表、每一次资料整理都需要最强模型。

只要任务能被清晰拆分，便宜模型、工具和验证流程就能组成可用系统。

模型能力外溢以后，企业竞争会更快转向任务设计与验证。

硅谷头部公司关注的目标也在上移。

节目中，林凡谈到 OpenAI 对 AI for Science 的投入，以及 Agent 在内部承担更多训练与研究工作。

这些属于对一线动向的访谈转述，更重要的信号是，模型评估已从“答对一道题”走向“连续完成一段工作”。

“AI 人才”很容易被理解成算法工程师。林凡给出的框架更宽，分成三层。

第一层是基座技术人才，负责预训练、后训练和底层基础设施。这一层依然看论文、竞赛、开源贡献和复杂系统经验。

第二层是应用开发人才，负责 Agent 架构、工具链、记忆和接口。

评估重点从“懂多少概念”转向“做过什么应用，指标发生了什么变化”。

第三层是业务效能人才。他们未必写模型代码，却能把销售、运营、财务或内容工作改造成 Agent 可执行的闭环。

这一层才与大多数职场人直接相关。

未来的 AI 简历，最有说服力的部分不是工具清单，而是一个真实闭环跑了多久、交付了什么。

节目引用脉脉招聘数据说明，AI 岗位需求在快速增加，传统通用岗位则被压缩。

具体增长倍数和岗位占比属于节目当时观察到的市场截面，方向比单个数字更值得记住，企业在把“会用 AI”从加分项改成岗位的一部分。

20 分钟的自动化可能只覆盖一个步骤。Agent 查一次资料、写一段文案、生成一页 PPT，人仍然在每个节点复制粘贴和确认。

让 Agent 自主运行一小时，难度突然上升。

任务需要被拆开，工具需要接通，异常要能处理，最后还要有 Evaluation 或测试用例判断结果是否合格。

一小时不是效率数字，而是一面镜子，它会照出工作流里所有没有说清楚的地方。

很多人看似在使用多个 Agent，自己却成了它们之间的信息搬运工。销售的问题复制给模型，模型答案再粘贴回聊天窗口。

只要人离开，流程就停。

“人在回路”仍然重要，但位置会变化。

人站在开头定义目标和边界，站在结尾检查证据与结果；中间的试错过程，则要允许 Agent 自己循环。

这很反人性。我们看到模型第一次做错，就会忍不住接管。真正的系统能力，是把这次错误变成下一轮可检查的规则，而非永远依靠人工盯守。

人类最重要的工作，从亲自经过每一步，转向设计起点和守住终点。

企业里最常见的情况，是管理者购买了模型，却没有开放文档、代码库、日志、数据库和业务规则。

Agent 很聪明，但像一个刚入职、没有账号、看不到历史资料的新员工。

上下文不是一份很长的提示词。它包括客户定义、口径、权限、失败案例、代码状态和验收标准。

缺少这些信息，模型只能用通用常识猜企业内部事实。

节目中的判断很激进，率先开放信息、跑通闭环的企业，演进速度可能比先花几年完善复杂权限体系的企业快 3 到 5 倍。

这里并非主张取消安全边界，而是提醒组织，权限治理如果永远先于试验，AI 就永远停在演示阶段。

组织的 AI 能力，取决于上下文能否被安全地调用，也取决于错误能否被迅速发现。

这会迫使公司重新整理知识。口头经验需要写下来，模糊规则需要变成判断条件，散落在聊天记录里的例外需要被结构化。

Agent 上线之前，组织先看见了自己原有的混乱。

接入 Agent 的过程，也是一场组织知识的清理。

过去 20 年，互联网公司把岗位切得越来越细。前端、后端、测试、运维、数据分析，每个人只负责流水线的一小段。

Coding Agent 正在把这条链重新压回个人。一个人带着多个 Agent，可以跨越原来需要数十人协作的步骤，对完整结果负责。

岗位不会只按专业边界消失，它们会先按能否独立交付完整结果重新组合。

这也解释了林凡对程序员流向的判断。

传统行业过去养不起整套 IT 团队，一个熟练使用 Coding Agent 的程序员，却可能单独支撑物流、农业或外贸企业的一套数字化需求。

这种扩散不会自动变得温和。节目预计，劳动力市场会经历多年震荡，固定岗位减少，小时级、项目级的灵活协作增加。

所谓“劳动力下云”，就是专业能力像云服务一样被按需调用。

对个体而言，自由和不稳定会同时增加。能不能描述问题、调动工具、验收结果，会比固定岗位名称更能决定议价能力。

全栈化带来更大行动空间，也把交付责任重新压回个人。

第一步，不必先学一百种工具。挑一项每周重复发生的真实工作，把输入、步骤、例外和交付标准写清楚，让 Agent 尝试连续完成。

第二步，建立可以公开展示的证据。

与其写“熟练使用 AI”，不如说明原流程需要多久，自动化覆盖了哪些步骤，错误如何被拦截，最终节省了什么。

第三步，逐渐撕掉岗位标签。AI 会把程序员带进农业，也会让运营人员开始搭流程。

跨界能力来自对真实业务的理解，不来自给自己换一个时髦头衔。

学习 AI 的最小单位，不是一个 Prompt，而是一项能被交付、被验证、被复用的工作。

林凡的“一小时”并非所有任务的统一答案。它更像一个训练目标，逼人从随手问答走向系统设计。

今天能放手 20 分钟，明天也许是一小时，再后来是一整个夜间批次。

回到开头，Agent 主动抢活之所以带来压力，是因为它不再等待一条完美指令。

人需要更清楚地知道，什么值得做，什么结果可信，什么风险不能交出去。

会用 AI 的终点，不是让自己不停地操作 AI，而是让工作在离开自己之后仍能可靠地向前走。