不断变强的AI为人类创造了更多工作，而不是更少。

19 世纪初，英国纺织工人砸毁织布机。他们认为机器会抢走饭碗。

他们砸错了。机器确实改变了工作，但并没有消灭工作。工业革命创造的工作岗位，比它消灭的多得多——只是不是他们想象中的那种工作。

两百年后，同样的恐惧又来了。只不过这次，被砸的不是织布机，而是知识工作者的饭碗。而砸它的人，不是愤怒的工人，而是硅谷的工程师。

一个奇怪的发现

Every 公司做了一个实验——不是有意为之的实验，而是被现实推着走的实验。

他们把能自动化的全都自动化了。写代码、写文章、做设计、客服回复——全交给 AI。他们是 OpenAI、Anthropic、Google 新模型的内测用户，在模型智能的指数曲线上跑得尽可能远。

然后一件奇怪的事发生了。

他们 30 人的团队，一个人都没裁。没有用 Agent 替换员工，没有抛弃 SaaS 工具转投 vibe coding。他们依然在招人——招作家、招编辑、招工程师、招客服。

工作方式变了——变得面目全非。工程师不再手写代码，管理者开始提交代码，工程师直接跟客户对话。AI 处理了 95% 的工作邮件。但人还在，而且比以前更忙了。

这就像你买了一台洗衣机，本以为洗衣时间会变少，结果你开始洗更多的衣服了。

洗衣机效应

经济学家把这个现象叫做"杰文斯悖论"。

1865 年，英国经济学家威廉·杰文斯发现了一个反直觉的事实：蒸汽机让煤炭的使用效率提高了，但煤炭的总消耗量不降反升。为什么？因为煤变便宜了，人们就找到更多用煤的地方。

AI 正在重演这个故事。

当 AI 让写代码变得便宜，不会写代码的人也开始"写代码"了。运营人员提交 Pull Request，客服人员编写脚本，产品经理搭建内部工具。Kubernetes 2022 年全年收到 5,200 个 PR——而开源 AI 项目 OpenClaw 在 2026 年前五个月就收到了 44,000 多个。

供给暴增。但故事到这里，才刚刚开始。

当人人都是专家，就没人觉得专家特别了

有个老笑话：一个人在练钢琴，邻居敲门说"你能弹得更好听点吗？"他说"我正在努力啊，可乐谱上只写了音，没写感情。"

AI 给了所有人乐谱。但弹出来的东西，听起来都差不多。

因为每个人都用同一个模型，而模型都训练自同一批数据。默认输出的东西，从一个"不错的起点"到"纯粹的垃圾"不等。这种"垃圾"不是某个具体的错误——不是用了太多破折号，不是某种句式——而是一种可辨认的、千篇一律的感觉。 你读三段就知道这是 AI 写的。

当人人都能生产"还不错"的东西，"还不错"就变成了新的底线。你不再因为"还不错"而获得任何优势。

想想摄影。智能手机让每个人都成了"摄影师"。结果是，专业摄影师没有消亡——但他们卖的不再是"会按快门"，而是"知道在什么时刻按快门，以及为什么要按"。

人类知道的事情，模型还不知道

这里有一个关键的区别。听起来简单，但值得反复品味：

模型知道过去做过什么。人类知道现在需要做什么。

一个情况一旦被写成文字、变成训练数据，它就成了过去式——一具标本。人类活在此刻，面对着这个特定的客户、这个特定的代码库、这个特定的对话，带着自己持续的欲望、持续的关切、持续对"什么重要"的判断。

这不是"更新的数据"的问题。这是一个视角的问题。模型可以被提示进入一种视角，但它不能在没被提示的情况下自带视角。

这就是为什么 Every 用了 AI 之后，反而更需要人类：

• 运营人员用 AI 提 PR？需要工程师来审查。
• 营销人员用 AI 做缩略图？需要设计师来打磨。
• 工程师用 AI 写文章？需要编辑来提升质量。

AI 没有消灭专家。它把专家推向了更高的位置——从"做事情"变成了"判断事情该怎么做"。

基准测试的陷阱

"但你看那些基准测试！"有人会说。"模型在考试中的分数每个月都在飞涨。等它们追上人类，一切就结束了。"

这里有个陷阱。不妨叫它"图表焦虑症"——盯着指数曲线，越看越慌。

但基准测试有一个很少有人注意的结构性特征：它们测量的是框架内的能力，而不是制定框架的能力。

Every 做了一个内部测试，叫"高级工程师基准测试"。给 AI 一个写坏了的生产代码库，让它从第一性原理重写。GPT-5.5 得了 62 分（满分 100），比前代高出 30 分，看起来马上就要追上人类高级工程师了。

但这个分数是怎么来的？它来自一个精心设计的提示——一个框架。如果你换个提示，比如说"把所有报错都修一下"，分数会接近零。如果你给它更多提示，分数又会上去。

基准测试就像考试。你出了考题，模型去答题。考题本身就是一种人类智慧。模型追上的是答案，不是问题。

这就像芝诺悖论：阿基里斯追乌龟，每次到达乌龟刚才的位置，乌龟又往前挪了一步。模型追上了一个框架，人类已经移到了下一个框架。

没有欲望的智能

还有一个更深层的区别。

如果你跟一个两岁小孩待上十分钟，你会明白。小孩不会写代码，不会总结表格，不会通过考试。但小孩有一样东西，最先进的模型都没有——小孩有自己的欲望。

小孩想摸那个红气球。想把它放在风扇前面看会发生什么。想用叉子戳它。想把它塞出窗外。想看看你会笑还是会生气。他不停地发明游戏，把整个世界变成实验室。

他不是在等一个提示词。他不是在优化一个基准测试。他只是在做他觉得值得做的事。

模型可以追求目标，而且越来越擅长。但它追求的目标是别人给的。整个 AI 行业正投入数十亿美元让模型更擅长执行人类设定的目标。模型的顺从和有用，恰恰与真正的自主意志相矛盾。

"Agent"这个词容易让人误解。它们越来越能自主行动，但"agency"——在人类意义上的"能动性"——不仅仅是行动。它是为自己而欲求。是为游戏而游戏。

一个故事

有个人非常健忘。每天早上找衣服都找半天，晚上都不敢睡觉，怕第二天又找不到。

一天晚上他终于想了个办法：脱衣服的时候，用纸笔记下每件衣服放在哪里。帽子——在椅子上。裤子——在床脚。衬衫——挂在门后。

第二天早上，他兴高采烈地照着清单穿好了所有的衣服。

然后他站在那里，手足无措。

"一切都很好，"他说，"但我自己在哪里？"

他在房间里找了又找，但怎么也找不到自己。

"我们也是如此，"拉比说。

在 AI 时代，你的价值不在于你能做什么——模型很快就能做你做的一切。你的价值在于你知道为什么做、为谁做、以及什么时候该做。你是那个穿上衣服之后，仍然知道自己是谁的人。