自动化之后
在 Every，我们已经把所有能自动化的东西都自动化了。智能体（Agent）帮我们写代码、起草邮件、处理客户支持，还协助编写这份 newsletter。我们会在新模型发布前进行内测。我们用尽了所有能想到的方式，用 AI 来构建和交付我们接触到的一切事物。我们走得尽可能远，也尽可能快。
然而，需要人去做的工作却比以往任何时候都多。
今天，我们发布了报告《自动化之后》。这是我已经琢磨了挺长一段时间的东西。流行的说法是，AI 会消灭人类的工作。但我认为，技术进步为人们创造了更多事可做，而不是更少。而且这是一件好事。
这份报告追溯了这样一个过程：当低廉的能力大量涌入并造成千篇一律（sameness）时会发生什么，以及无论 AI 在复杂任务的执行上变得多好，人类永远都会有新的框架（frame）交给它去填充。我在报告中包含了 Every 内部的例子：我们如何嵌入我们的智能体、我们使用哪些基准、我们尝试的提示工程，以及当人类在结构上始终领先于模型时，工作会是什么样子。
当然，这份报告本身也是“智能体原生”（agent-native）的。把它扔进 Codex 或 Claude 里，随意和它辩论吧。
核心启示：技术的进步并非简单地消灭工作，而是不断创造出让人类去定义问题边界和赋予意义的新任务，即使在高度自动化的组织内部也是如此。
After Automation 的发芽报告
材料核心
Dan Shipper 用一个真实的公司实验论证：当 AI 把写代码、写邮件、做客服这些执行层面的能力变成近乎免费的“廉价水龙头”时，人类的工作并不会蒸发，反而会膨胀——因为每一次底层能力的普及都会创造出一层新的问题，等着人去定义、去给 AI 下达下一个任务框架。
发芽 01：为什么更聪明的东西反而让人更忙
种子
材料真正想打掉的，是一种机械的“替代叙事”：AI 能写代码 → 程序员失业。而 Shipper 看到的是“任务膨胀”：当一个任务的单元成本趋近于零，人们会想要更多、更复杂、更定制化的产出，结果总工作量反而上升，只不过工作的性质爬到了更高的抽象层级。
1865 年，英国经济学家威廉·斯坦利·杰文斯发现，瓦特改良蒸汽机后，蒸汽机的热效率大幅提升，按常理英国应该消耗更少煤炭，事实却是煤炭消耗量暴增。因为蒸汽机变得经济之后，它的应用场景从矿山抽水迅速扩展到纺织、铁路、冶铁，新需求跑得比效率曲线快得多。
这种“杰文斯悖论”在信息时代反复重演：1980 年代，ATM 大量部署时，人们预言银行柜员会消亡。结果美国银行柜员人数不降反升，从 1985 年到 2002 年大约增加了 5 万。因为每个支行的人力成本结构变了，银行开了更多网点，柜员的工作从“数钱”变成“卖理财”。自动化的不是职位，是职位里的某个固定任务；而新任务像雨后蘑菇一样冒出来。
Shipper 在 Every 内部看到的“代理写代码、草拟邮件、处理客服”就是同一个函数的当代实例：当编程和沟通的边际成本塌缩，一个团队能同时构思、测试、交付的项目数量会膨胀，需要人做的“判断哪些值得做、为谁做、以什么语气做”等上游定义工作就更多。
Aha 瞬间
“当模型越强，人类需要提出的问题就越多——模型解决的是任务，人类负责的是‘为什么是这个任务’。”
发芽 02：人类的手，永远在工具链的上游
种子
Shipper 强调“人类总是会站在模型的结构性上游”，这听上去像一句乐观宣言，但它背后藏着一个更硬的规律：每一次工具变得更“能干”时，人类工作转移的方向并不是消失，而是重新定价——肌肉被蒸汽机取代之后，识字和算账变得值钱；识字被电脑取代之后，创造力和共情变得值钱。
麻省理工学院经济学家 David Autor 在 2015 年的经典论文《为什么还有这么多工作？》中提出，自动化并不是仅仅替代劳动，而是不断重塑任务的边界。他认为，工作是由一组任务拼成的，自动化会吃掉一部分任务，但同时会产生与新技术互补的新任务。这些新任务恰巧是人类善于做、而机器暂时做不好的——例如解决歧义、弹性应对意外、理解复杂的社会语境。
回到 Every 的案例：他们不是单纯用 AI 生成邮件然后直接发送，而是在上游设计“提示工程”的框架、定义品牌调性的基准、判断什么算好的客服回答。这些就是 Autor 所说的互补性新任务。这些任务在 2010 年之前几乎不存在，今天却变成了核心竞争壁垒。
再往外看，19 世纪末电力的普及同样没有消灭工厂的工人，反而催生了流水线、科学管理、职业经理人这些全新职业。电网的“自动化”让人类从动力提供者变成流程设计者。同样，生成式 AI 正在把人从“内容制造者”推向“语境构建者”和“框架设计者”。
Aha 瞬间
“工具每往下走一步，人的工作就往上游挪一层——从肌肉到指令，从指令到判断，从判断到意图。”
发芽 03：当“框架”本身也开始变便宜时，人还能站在上游吗？
种子
材料的乐观里潜伏着一个压力：如果人类总是靠“重新定义框架”来保持领先，那当 AGI 级的模型不仅能执行复杂任务，还能生成高水平的策略、提出颠覆性的商业模式时，“定义框架”这个任务本身会不会也变得廉价、可自动化？那时候，结构性上游还属于人类吗？
2016 年，DeepMind 的 AlphaGo 对阵李世石时，那步著名的“第 37 手”让所有评论员安静下来——它不是从人类棋谱里学来的常识，而是模型自己“理解”局势后产出的高度原创策略。那一刻，人类数千年积累的围棋框架被一个非人类的直觉拆掉了，人类不得不去解释自己从未见过的框架。
这不是说今天的语言模型已经能定义商业战略，但它提示了“框架创造”并非不可建模。当模型被大量暴露于人类思考过程、会议记录、决策日志时，它们有可能学会模仿“定义问题”的模式。那时，人类的价值可能不再是提供新框架，而是在众多自动生成的框架中做价值观选择、做伦理判断、做责任承担——这些仍然很难被自动化的东西，因为它们依赖法律人格、肉身责任和文化共识。
因此，Shipper 乐观的那一面若要长久成立，可能需要补一个条件：人类不仅要在技能上保持上游，还要在责任和意义归属上保持不可替代。否则，“上游”只是下一轮被自动化的前哨站。
Aha 瞬间
“人能领先的最后一道防线，可能不是‘提出更好的框架’，而是‘为后果承担责任的那双手’。”
你的思考空间
- 如果你所处的行业里，AI 已经能完成 80% 的核心执行任务，剩下的 20% 究竟是你真正的护城河，还是仅仅因为模型还没被刻意训练过？
- Shipper 说的“人类给 AI 提供新框架”与历史上工头指挥蒸汽机、经理指挥工人有何本质区别？这个区别在多大程度上是可靠的？
- 当“定义问题”本身也开始被 AI 化时，你会把哪一项能力看成自己不可被替代的最后一块拼图？是决断力、共情力，还是对失败后果的承担？
- 如果自动化每提高一档效率，都会制造出更复杂的协调、解释和整合任务，那么我们真的需要担心“工作尽头”吗，还是更应该担心“没有准备好不断重新定义自己工作的人类”？