自动化越多，人反而越忙

自动化越多，人反而越忙：对 Dan Shipper 这篇 AI 访谈的评论

这篇访谈最值得看的地方，不是 Dan Shipper 又预测了什么新工具，而是它把当下日常 AI 使用中一个非常真实的矛盾讲出来了：

我们本来以为 AI 是用来减少工作的。 但真正深度使用之后，会发现 AI 并没有简单地让工作消失，反而制造了更多判断、更多审查、更多协调、更多责任。

这也是我觉得这篇文章最有价值的地方。它没有停留在“AI 会不会取代人”这种大而空的问题上，而是把问题拉回到一个更现实的层面：

当 AI 已经进入每天的邮件、文档、代码、数据分析、产品迭代和组织协作之后，人到底该做什么？

我的评论可以分成十几个核心观点来看。

第一，所谓“预测未来”，不是坐在旁边幻想未来，而是提前生活在未来里。

Dan 说 Every 的优势，不是他们有什么神秘的预测能力，而是他们整个团队都在使用最新 AI 工具。工程师、设计师、作者、编辑、销售、客服都在用 AI 工作。

这点非常关键。

很多人谈 AI 趋势，是站在外面评论。今天看一个新闻，明天读一篇报告，然后得出一个宏大结论。但真正的判断力，不是靠读新闻形成的，而是靠每天把工具塞进自己的工作流里，一遍遍撞墙，一遍遍发现问题，才慢慢长出来的。

这对普通人也有启发。你不需要成为模型公司员工，也不需要等别人给你培训。你只要每天把一个真实任务交给 AI，然后观察它到底在哪些地方有用，哪些地方胡说，哪些地方需要你重新定义问题。

未来感不是来自想象，而是来自使用。

第二，Claude Code 和 Codex 这类工具的意义，不只是“会写代码”，而是把电脑变成了一个可以对话的工作环境。

这篇文章反复强调，Claude Code 最早被低估的地方，就是它不只是程序员工具。它可以整理文件、改文档、处理邮件、做调研、操作本地环境。

这背后的变化很深。

过去我们使用电脑，是人在各种软件之间切换。打开浏览器，打开文档，打开邮箱，打开终端，打开表格。人像一个低级调度器，不断复制、粘贴、查找、整理、保存。

而现在，AI 开始成为电脑之上的一个协调层。你不是只让它回答问题，而是让它看见你的工作对象，理解上下文，然后帮你操作。

这就是为什么 Dan 会说，未来很多工作会发生在 Codex 或 Claude Code 这类环境里。它们可能不只是工具，而会变成新的工作入口。

但我觉得这里也不能过度兴奋。这个判断成立的前提，是权限、上下文、安全、可回滚、可审计这些问题都能被解决。否则一个能操作你整台电脑的智能体，既是效率工具，也是风险放大器。

所以这个趋势很重要，但它不是“把 AI 接上电脑就完事了”。真正难的是让 AI 有能力做事，同时又不乱做事。

第三，“每个人都有一个个人智能体”听起来很美，但短期内更可能是“每家公司先有一个公共智能体”。

Dan 原来相信个人智能体，后来转向认为公司级超级智能体会先出现。这个变化很真实。

原因很简单：智能体不是装上就能用。它需要维护，需要权限设计，需要工作流设计，需要有人盯着它是否稳定、是否误判、是否越权。

这和很多公司现在的 AI 应用很像。老板想象的是“每个人都有一个 AI 助手”。现实是，每个人都不知道怎么用，每个人都问一些零碎问题，最后变成一堆低质量对话。

更现实的路径应该是先做组织级公共能力。比如一个公司内部数据问答机器人，一个客服知识库智能体，一个合同审查助手，一个销售线索分析助手。它不一定覆盖所有人所有需求，但它能把一个高频场景做稳定。

这也符合企业 AI 落地的基本规律。先不要幻想每个人都有一个万能代理。先找到一个高价值、高频、可控、可评估的任务，把它做成一个真正能用的内部系统。

第四，智能体不是不需要人，而是更需要一种新型的人。

Dan 说“自动化是个谎言”，这句话有点夸张，但方向是对的。

因为一件事被自动化之后，不代表人类责任消失了。很多时候只是从“亲手做”变成“定义目标、检查结果、处理异常、优化系统”。

这不是少工作，而是换工作。

过去你自己写报告。现在 AI 先写一版，你要判断这版报告有没有逻辑漏洞，有没有遗漏关键事实，有没有错误引用，有没有看似合理但实际空洞的句子。

过去你自己写代码。现在 AI 生成一堆代码，你要判断它能不能进主干，架构是否合理，是否制造技术债。

过去数据科学家自己分析数据。现在业务人员都能让 AI 跑分析，数据科学家反而要审查更多错误结论。

所以自动化不是消灭人。自动化是把人的工作上移了。人从执行层，被推到了判断层、治理层、系统设计层。

问题是，很多人还没有准备好做这种上移。他们习惯了执行，不习惯审查；习惯了完成任务，不习惯定义任务；习惯了等别人给需求，不习惯判断需求本身是否成立。

这才是 AI 时代真正的分水岭。

第五，AI 让工作更多，不是因为 AI 没用，而是因为它打开了更多可能性。

这篇文章很有意思的一点是，它没有说 AI 不行。恰恰相反，它承认 AI 很强。但正因为 AI 很强，人类能尝试的事情反而更多了。

以前一个小功能不值得做，因为沟通成本、开发成本、上线成本太高。现在 AI 让原型变便宜了，于是大家都开始做原型。

以前市场人员不会改网页，现在他可以让 AI 改。以前产品经理不会提交 PR，现在他也能做。以前设计师只能交设计稿，现在可以自己实现交互。

结果是什么？

不是工作减少，而是组织里突然冒出大量新产出。更多页面，更多代码，更多实验，更多文档，更多邮件，更多分析结果。

于是新的瓶颈出现了：谁来判断这些东西值不值得存在？谁来合并？谁来删除？谁来保证整体一致？谁来防止组织被 AI 生成物淹没？

所以 AI 真正改变的不是“能不能做”，而是“该不该做”。

以前的稀缺是执行能力。 现在的稀缺是判断能力。

第六，SaaS 不一定会死，但 SaaS 的交互方式会被重写。

Dan 反对“SaaS 末日论”，这个观点我认为有道理。

很多人说 AI Agent 会消灭 SaaS，因为用户以后只需要跟 AI 说话，不需要打开软件。但这可能把问题想简单了。

公司依然需要权限系统、数据系统、业务对象、工作流、审计、协作记录、版本控制。这些东西不是一句自然语言就能替代的。SaaS 的价值不只是界面，而是它沉淀了业务结构。

但 SaaS 的交互方式确实会变。

未来的软件可能不只服务人类用户，还要服务智能体用户。它要有清晰的 API、CLI、结构化页面、稳定的状态反馈、可审计日志、可回滚机制。因为用户可能不再亲自点按钮，而是让自己的 AI 来操作。

这对 SaaS 公司是一个巨大挑战。过去产品经理问的是：人类用户怎么点得更顺？ 以后还要问：AI 用户怎么理解这个页面？怎么调用这个功能？怎么避免误操作？怎么把操作结果同步给人类？

所以 SaaS 不一定死，但“只为人类手动点击设计的 SaaS”会变老。

第七，CLI 时代可能只是过渡，真正的未来是人和 AI 共同操作同一个界面。

Dan 说 CLI 时代已经过去，这个说法有点绝对，但他的意思值得重视。

Claude Code 爆火之后，很多人以为关键是命令行。其实命令行只是早期最容易让智能体发挥能力的入口。因为终端结构清晰、文本友好、可执行、可反馈。

但普通人不可能长期生活在终端里。GUI 之所以存在，是因为人类需要视觉反馈、空间感、状态感、可控感。

真正有价值的方向，可能不是回到纯 CLI，也不是停留在传统 GUI，而是人和 AI 同时操作同一个工作空间。

人能看见 AI 在做什么。 AI 能看见人正在做什么。 人可以随时接管、暂停、审批、回滚。 AI 可以在后台批量处理，但关键节点交给人判断。

这比“聊天框加按钮”要深得多。它要求产品重新设计协作方式。

第八，AI 生成的文档和邮件不是问题，不负责才是问题。

这篇访谈里有一个观点很重要：未来我们会读到越来越多 AI 生成的文档和邮件，而且我们会接受它。

我同意这个判断，但前提是人必须为内容负责。

真正让人讨厌的不是 AI 写作，而是那种“我花 10 秒生成，你花 10 分钟阅读”的不对等。更糟糕的是，发文档的人自己都不知道里面写了什么。

这才是垃圾 AI 内容的本质。

所以问题不在于内容是不是 AI 写的，而在于它有没有经过人的判断、筛选、修改和承担。

一份 AI 辅助写出的战略文档，如果负责人真正理解每句话，并且愿意对结论负责，那它完全可以比人类硬憋出来的文档更好。

但如果一个人只是把 AI 输出复制出来，自己不读、不改、不判断，那它就是组织污染。

这对内容创作者也一样。AI 可以帮你整理、压缩、改写、扩展，但不能替你承担观点。你可以用 AI 写句子，但不能把自己的判断也外包掉。

第九，AI 垃圾内容越多，创造力反而越值钱。

Dan 说，大模型让“昨天的人类能力”变得便宜，这句话非常准确。

会写普通文案，不稀缺了。 会做普通落地页，不稀缺了。 会生成普通代码，不稀缺了。 会总结普通文章，也不稀缺了。

因为这些能力已经被模型吸收，变成了廉价商品。

但这并不意味着人类不值钱。恰恰相反，人类真正值钱的部分开始暴露出来：

你能不能提出一个不同的判断？ 你能不能识别一个真实问题？ 你能不能知道什么该删？ 你能不能做出有味道的东西？ 你能不能把生活经验、专业经验、时代变化连接起来？ 你能不能对自己的内容负责？

当所有人都能快速生成内容时，差异不再来自“有没有产出”，而来自“产出是否有独特判断”。

这对做视频和写文章的人尤其重要。AI 会让平均内容变得更快，但也会让平均内容更像平均内容。真正能留下来的，反而是那些有个人经验、有真实冲突、有审美、有判断、有边界感的内容。

第十，产品经理和设计师为什么可能变得更重要？

Dan 很看好产品经理和全栈设计师。我觉得这个判断有一半非常对，另一半需要加条件。

对的地方在于，当 AI 降低了构建成本，真正稀缺的就变成了“知道该构建什么”。

产品经理如果只是写 PRD、排需求、开会传话，那价值会下降。 但产品经理如果真正理解用户、业务、场景、取舍、节奏和优先级，那价值会上升。

因为 AI 可以帮你做东西，但它不知道什么东西值得做。 它可以生成十个方案，但它不知道哪个方案符合公司当前战略。 它可以写代码，但它不知道这个功能会不会让产品变臃肿。 它可以总结用户反馈，但它不知道哪些反馈代表真实趋势，哪些只是噪声。

设计师也是一样。

如果设计师只是画图标、排版、做静态稿，确实会被 AI 冲击。 但如果设计师能定义体验、感受、节奏、交互细节，并且能借助 AI 自己实现，那能力会被放大。

所以不是所有 PM 和设计师都会更值钱。 真正变值钱的是那些能把判断力、审美、用户理解和 AI 执行力结合起来的人。

第十一，“人人都能写代码”不等于工程师不重要。

这篇文章里提到，越来越多非技术人员会提交 PR。这很有意思，也很真实。

但这不会让工程师消失。相反，工程师的责任会变得更像系统守门人。

以前工程师主要负责实现。 以后工程师还要负责架构一致性、代码质量、边界治理、性能、安全、可维护性。

当组织里每个人都能生成代码时，代码库会面临巨大的污染风险。就像每个人都能发文章之后，互联网并没有变得更清醒，而是变得更嘈杂。

所以工程师不会只是“写代码的人”，而会变成“判断代码是否应该存在的人”。

这其实更难。因为写一段代码可以靠工具，但判断这段代码会不会破坏系统，需要经验。

第十二，基准测试不能完全代表真实工作。

Dan 用高级工程师基准测试讲了一个很重要的问题：AI 在清晰定义的问题上进步极快，但真实工作往往不是清晰定义的问题。

模型可以修 bug，但它未必会主动说：这不是修 bug 的问题，而是这块架构本来就烂，应该重写。

这就是人类高级工程师的价值。

真正的专家不是只会回答问题，而是会重新定义问题。 不是只会完成任务，而是会拒绝错误任务。 不是只会修补，而是知道什么时候该推倒重来。

这一点对所有岗位都成立。

AI 很擅长在你给定的框架里优化。 但人类的高级能力，是发现这个框架本身不对。

所以不要被基准测试吓坏。基准测试衡量的是已经被设计好的任务，而真实世界最难的部分，往往是任务还没被正确设计出来之前的那段混沌。

第十三，AI 不会让人失业这个说法，不能太乐观。

Dan 说大规模失业不会发生，我觉得这个判断需要更谨慎。

他说得对的一面是，新技术通常会创造新工作，尤其是会创造管理 AI、部署 AI、审查 AI、优化 AI 的岗位。

但不能因此说失业风险不存在。

一些低判断密度、低上下文依赖、低责任边界的工作，确实会被压缩。比如普通文案、普通客服、普通数据整理、普通初级分析、普通模板化开发，都会承压。

真正的问题不是“AI 会不会让所有人失业”。这当然太夸张。 真正的问题是：AI 会不会让一部分人的原有能力迅速贬值？

答案是会。

所以更准确的说法应该是：

AI 不会简单消灭人类工作，但会快速重估每个人的能力结构。执行能力会变便宜，判断能力会变贵。只会完成别人定义好的任务的人，风险会变大。能定义问题、管理系统、整合结果、承担责任的人，机会会变大。

这比“不会失业”更真实。

第十四，CEO 和管理者不能把 AI 外包给下属。

访谈里提到一个很好的观点：公司能在 AI 上走多远，很大程度取决于 CEO 自己探索得多深。

这点我非常认同。

很多管理者把 AI 当成一个 IT 项目，交给技术部门研究。结果最后出来的东西，要么是几个演示，要么是几个知识库，要么是几场培训。

但 AI 改变的是整个组织的工作方式，不只是技术栈。

如果 CEO 自己没有用 AI 改写邮件、做调研、看数据、拆任务、写方案、审文档，他就不会真正理解 AI 的边界和潜力。他也无法判断下面的人是在真用，还是在表演式用 AI。

所以管理者不亲自使用 AI，就很容易出现两个问题：

第一，高估 AI，以为买个工具就能降本增效。 第二，低估 AI，以为它只是聊天机器人。

真正的 AI 领导力，不是喊口号，而是自己先建立手感。

第十五，“玩 AI”不是浪费时间，而是建立直觉的唯一方式。

Dan 最后建议大家紧跟大模型，多玩，多尝试，把新模型放进自己的真实问题里。

这看起来像一句轻飘飘的建议，但其实很重要。

因为 AI 的能力变化太快，传统学习方式跟不上。你很难靠看教程学会“最新模型能做什么”。等教程出来时，模型可能已经变了。

所以最好的方法就是拿自己的真实任务反复试。

写一篇文章。 改一个脚本。 整理一次邮件。 做一个网页。 分析一份数据。 生成一个视频脚本。 把一个重复流程交给它。 让它失败，再看它为什么失败。

这种“玩”，不是娱乐，而是一种实验。

很多人所谓不会用 AI，本质上不是缺教程，而是缺少自己的 AI 快乐时刻。没有体验过那种“原来这件事真的可以被放大”的瞬间，就不会持续使用。

第十六，这篇文章对日常 AI 使用最大的提醒，是不要把 AI 当成替身，而要当成能力放大器。

如果把 AI 当成替身，你会自然地想：它能不能替我写？能不能替我做？能不能替我判断？能不能替我工作？

这条路最后会让人变懒，也会让产出变平庸。

但如果把 AI 当成能力放大器，问题就变了：

它能不能帮我更快验证一个想法？ 它能不能帮我把模糊想法变成可执行草案？ 它能不能帮我发现逻辑漏洞？ 它能不能帮我处理低价值重复劳动？ 它能不能让我更快进入真实反馈？ 它能不能让我从执行者变成系统设计者？

这才是更健康的用法。

AI 最危险的地方，不是它太强，而是它会让人误以为自己也变强了。实际上，只有当你用它形成更清楚的判断、更高质量的输出、更快的现实反馈时，你才是真的变强。

否则你只是变成了一个更快的复制粘贴者。

结尾来看，这篇文章最值得记住的不是某个工具名，而是一个判断：

AI 自动化越多，人类并不会自然变轻松。人类只是被推到了更高层的工作里。

低层执行被压缩之后，高层判断、审查、协调、系统设计、创造力和责任会变得更重。

所以，日常使用 AI 的目标，不应该只是“省时间”。更重要的是，用省下来的时间去做更难、更需要自己的事。

如果一个人用了 AI 之后，只是生成更多平庸内容，处理更多碎片任务，制造更多未经判断的产出，那他只是被 AI 加速了原来的混乱。

但如果一个人用了 AI 之后，能更快构建原型，更快获得反馈，更快发现问题，更快形成判断，更快把自己的经验变成作品，那 AI 才真正变成了他的杠杆。

这也是我对这篇文章最大的感受：

AI 的悖论不是“机器越多，人越没用”。 真正的悖论是，机器越强，人越需要成为一个更清醒、更负责、更有判断力的人。