有一个让很多人意外的数据：一家把所有能自动化的环节都自动化了的公司，30个人的团队，不但没裁人，反而觉得人不够用了。

每次有新模型发布，社交网络上就热闹一轮。

最新的GPT过了什么考试，Claude又写了多少代码，某个公司的某个岗位被AI取代了。评论区里弥漫着同一种情绪：这次是不是真的轮到我了？

我最近读到一篇很特别的文章《After Automation》，来自一个叫Every的科技媒体。他们的CEO Dan Shipper写了一篇长文，聊了一个很多人不愿意面对的问题——你们公司到底裁了多少人？

Every的背景有点意思。这家公司可以说是行业内吃AI吃得最狠的团队之一。他们用AI写代码、写文章、做设计、做客服，在新模型发布之前就能拿到alpha测试资格。按道理说，这样的公司应该已经裁掉一半人了。

Dan说：没有。不但没裁，人类的工作反而比以往更多了。

他们现在将近30人，没解雇谁换AI智能体。他们仍然雇人类做客服（当然有AI辅助），仍然雇人类作家、编辑和工程师。

但工作方式确实完全变了——不再手写代码了；在Slack里@一个人，你分不清是人还是智能体；管理者像一线工程师一样提交代码，工程师直接跟客户沟通。过去几周，AI处理了Dan 95%的工作邮件，他几乎总是收件箱为零——但他还是会逐一审阅每一封邮件。

这不是一个反常现象。Dan说，整个模式正在倒过来：我们自动化得越多，需要人类专家来做的工作就越多。

AI在做什么，和人在做什么

Every内部慢慢形成两种AI协作模式，可以作为参考。

第一种：智能体员工。你把任务扔给它，它自己去跑。有些智能体住在Slack里——你@它，它就去干了。客服机器人也属于这一类，能处理大半的日常问题，剩下的转给真人。

第二种更值得关注：人机协作。在Claude Code、Codex这类工具里，人和AI共享同一台计算机，同时处理高度复杂的、异步智能体搞不定的原创工作。AI写代码，人在旁边看着、打断、调整方向。Dan管这个叫"人肉三明治"——人是AI工作两端的那片面包，一头是启动和指挥，一头是审核和收尾。

第一类智能体处理的是框架清晰、可重复的活。第二类解决的是真正的难题。而负责把这两类工作串起来、让它们能用的，全是人。

Every在推广智能体的时候发现一个现象：他们最初尝试给每个员工配一个个人智能体，但很快又收回了，改为团队或全公司共享的智能体。原因很简单——个人智能体维护起来太累了，员工一旦不搭理它，它很快就过时了。他们专门养了一个AI工程师团队来维护这些智能体。

这些都不是暂时的阵痛。Dan认为这是一个结构性的变化。

为什么自动化不会消灭工作

这里有一个逻辑链条，值得拆开来看。

第一：AI让昨天的专业技能变得廉价。

现在的语言模型，本质上是把人类能力的可见残留物打包了——代码、文章、图片、客服记录。所有这些曾经需要多年训练才能产出的东西，现在花几块钱就能让模型吐给你。

第二：廉价的能力被迅速采用。

当曾经稀缺的东西不再稀缺时，供给成倍增长。在Every内部，运营人员在写代码，市场人员在做设计，工程师在写文案——这在以前几乎不可能。整个公司的产出数量在急剧上升。

第三：丰裕创造雷同，雷同变成商品。

当每个人都用一样的模型、一样的Prompt风格、产出差不多的东西时，结果很快变得——用Dan的话说——"从还算不错的起点到简直是垃圾"。这个"垃圾"不是语法错误或者格式问题，而是缺乏差异。

第四：雷同创造对差异的需求。

当所有东西看起都差不多的时候，那个"不太一样"的东西反而变得特别值钱。你要的不是随便一个React应用，而是给这家公司、这个项目、这个时间点量身定做的那一个。

第五：对差异的需求就是对专家的需求。

这就回到核心论点：AI把昨天的人类专业知识商品化了，大宗商品化创造了对差异的需求，而对差异的需求恰好是人类专家最擅长的领域。

一个具体的例子：当运营人员用AI提交了100个pull request，你就需要真正的工程师来审查这100个请求的质量。当市场人员用AI做了一批视频缩略图，你就需要真正的设计师来把关是不是够好。

AI没有消灭专家，它创造了更多需要专家判断的场景。

基准测试的问题

你可能会说：但这些只是暂时的。GPT-6出来后，这层专家也不值钱了。

Dan提出了一个很有意思的概念——框架与框架制定者的区别。

他们内部有个测试，叫Senior Engineer基准测试。给AI一个已经被vibe coding写坏的代码库，让它从头重写。GPT-5.5在最好的情况下拿到了62分，而人类高级工程师能到80、90分。

30分的差距看起来不算大。但Dan指出一个关键：每种基准测试本身就是一个"框架"——已经有人替AI确定了什么重要、什么不重要、成功长什么样。那个"确定框架"的人，才是真正在做困难的工作。

假设明年GPT-6在这个测试上拿到了90分。接下来会发生什么？不是人类的终结，而是每个产品经理、创始人、运营人员都会试着在自家项目上做"第一性原理重写"。被提出来和被执行的重写数量会暴涨。但绝大多数会是一团糟——因为按下"重写"按钮之前，有上千个具体问题需要想清楚。

谁来解决这些问题？高级工程师。

每个基准测试饱和之后，上一个框架内的工作变得更廉价；但它刺激出来的新需求，需要更高层次的专家判断。

Dan把这个过程描述为一个永不停止的循环：确定框架 → AI爬上框架 → 框架被商品化 → 创造新需求 → 专家移动到新边界 → 确定下一个框架。

模型抓到的只是框架，而不是制定框架的那个人。

芝诺悖论与学步儿童

Dan用了一个很妙的比喻。在芝诺悖论中，乌龟因为起跑优势赢了跑得最快的人。在AI版的芝诺悖论里，人类是乌龟——凭借数百万年的进化和文化学习领先AI 50码。AI飞速追赶，但每当我们以为被追上的时候，新的差距又出现了。

然后他讲了一个更精彩的事。

他建议你花10分钟跟一个学步儿童待在一起。学步儿童在几乎所有任务上都比语言模型差——他不会写代码、不会总结表格、不会起草报告。但在另一种意义上，他领先模型的距离大到不好意思拿出来比。

因为学步儿童有"目的"。

他想摸红色气球。他想把气球放在风扇前面看会发生什么。他想用叉子戳它、把它推出窗外。他不停发明游戏，把世界变成实验。他没有在等谁给他提示。他没有在为了某个基准测试而优化——除了他自己觉得值得去做的事情。

而AI呢？我们以越来越强的能力让它执行目标，优化奖励信号，在给定的框架内爬到最高分。但"它自己想做什么"这个层次，目前还是空的。

这听起来像哲学探讨，但Dan认为这是一个很实际的问题——只要AI仍然是被动地响应人类的指令，它就永远需要一个人类来决定"真正的问题是什么"。

最后

这篇文章最有意思的不是结论，而是它的诚实。

作者是一家人均AI使用率极高的公司的CEO。他不是在跟你谈科幻想象，而是分享他过去几个月里实实在在看见的东西：他每天都在用AI处理95%的邮件，但每一封他仍然会看；他把大量工作委派给智能体，但每完成一件事他又找到下一件要做的事。

他管这个叫"AI的悖论"：AI没让你失业，它让你比以前更忙。

但仔细想想，也许这个悖论一直都存在。印刷术没有让人停止阅读，文字处理软件没有让作家消失，Excel没有干掉会计师。每一次让某项工作变得廉价的技术出现，结果都是更多人在更多地方使用它，然后需要更专业的人来处理更深层次的问题。

真正稀缺的从来不是能做事的人，而是知道什么事值得做的人。

本文观点基于 Dan Shipper 在 Every 发表的《After Automation》，部分数据和案例综合自2026年上半年AI行业最新动态。文章链接：https://every.to/p/after-automation