自动化之后，人类的工作会变成什么样？
原文：What Does Human Work Look Like After Automation? | 作者：Dan Shipper | 2026年8月18日
当智能变得充裕，如今大部分执行型工作都可以被自动化时，人类在工作中的时间将如何度过？什么样的技能会变得重要？我们会建立什么样的公司？我们又会从哪里获得意义、地位和目标？
这些是我们这个时代最重要的问题，而我们通常寻求答案的地方，还没有准备好回答它们。
但有一小群人已经准备好了——那些日复一日与前沿模型（frontier models）一起工作、并将其应用到工作和生活中的实践者。
这正是 Every 自 GPT-3 时代以来一直采用的方法。那时，大型语言模型（LLM）还远未被证明不是“随机鹦鹉”（stochastic parrots）【补充：早期批评者用这个词形容 LLM 只是机械重复训练数据，并不真正理解语言】。多年来，我们一直主张：AI 能让一个人完成过去需要一个团队才能做的工作；知识工作者将变成模型的管理者；自动化反而会为人类专家创造更多工作机会。
现在，随着 AI 智能体（agents）进入更广泛的经济体系，越来越多的人获得了这种关于未来的第一手视角。但他们的想法在很大程度上仍然缺席于主流 AI 讨论。
这正是我们今天推出 Thesis Statements（观点宣言） 的原因——这是一组关于自动化之后世界的具体、可争论的主张。这些主张来自 100 位每天与技术打交道的建设者和思想家，他们愿意基于自身经验，对自动化后的世界做出具体预测。
今天我们发布首批 25 条观点宣言，来自一个令人难以置信的群体，其中包括：
- AI 最大的问题将是设计，作者 Karri Saarinen，Linear CEO
- 你最棘手的一些问题将自行解决，作者 Chris Pedregal，Granola CEO
- 答案将变得充裕，提问将成为难点，作者 Anne-Laure Le Cunff，Ness Labs 创始人
- 计算思维将取代你的工作，作者 Yash Tekriwal，Clay 教育主管
- 无聊的基础设施将获胜，作者 Tina He，Pace Capital 作家兼投资人
- 软件将为你工作，而不是对你工作，作者 Alex Komoroske，Common Tools CEO
这个项目建立了一个公开记录，记录那些对自动化之后的人类工作有远见的人。随未来展开，我们其余的人可以对他们的主张表示认同、提出挑战并进行评估。
构建真正可扩展的 Agent 工作流
AI 智能体正在“杀死”你的应用，因为延迟在工作流中不断累积。你的客户想要高效的 agent 工作流，如果你不把它们改造成事件驱动（event-driven）架构，你就会丢掉订单。Webhooks 可以解决这个问题，但实现起来比看上去要困难得多。
如果你自己搭建了 webhooks，并在凌晨四点因投递失败被提示音吵醒，这篇文章就是为你准备的。Svix 处理重试、幂等性、安全性和合规性。符合条件的初创公司可获得 $12,000 的额度——如果你是 YC 公司，可获得 $50,000。
我们将重新审视这些主张。哪些站得住脚？哪些没有？哪些随着技术变化变得更有用，哪些在与现实接触时瓦解了？
探索这个合集。找到一条能让你原本已有的信念更清晰的主张，或者一条让你想要反驳的主张。分享它。挑战它。提交你自己的观点。随着合集不断增长，我们将展示最优秀的公开投稿。
如果你想帮助把这些想法从争论转化为行动，欢迎参加我们的首届 Thesis 大会，建设者、思想家和实践者将汇聚一堂，共同检验这些愿景——并共同构建一个不仅更高效、而且更人性化的自动化后世界。
AI 将赋予我们作为物种巨大的力量和潜能。我们用它来做什么，仍然是我们自己的选择。
Dan Shipper 是 Every 的联合创始人兼 CEO，他在那里撰写 Chain of Thought 专栏，并主持播客 AI & I。你可以在 X 平台 @danshipper 和 LinkedIn 上关注他。
现在每个人都是建设者。Every All Access 为你提供完整会员资格外加 Builder Pack——价值 $9,000+ 的工具额度。
核心启示：当自动化使执行变得廉价时，人类工作的价值将转向提问、设计判断和愿景构建——但这一转变需要来自一线实践者的具体、可检验的主张来指引方向。
What Does Human Work Look Like After Automation? 的发芽报告
材料核心
当智能变得充裕、执行可以被自动化时，人类在工作中的独特价值将是什么？Every 通过发布 100 位一线 AI 实践者的 "Thesis Statements" 项目，试图为这个问题提供具体、可检验的答案，而非抽象辩论。
发芽 01：当答案变得廉价，问题成为稀缺品
种子
材料中 Anne-Laure Le Cunff 的论点——"答案将变得充裕，问题将成为困难的部分"——指向一个深层的认知转变：人类认知经济的重心正从"产出"转向"提问"。这并非简单的技能迁移，而是认识论层面的重构。
历史提供了惊人的参照。1977 年，诺贝尔经济学奖得主 Herbert Simon 在《Models of Discovery》中预判："信息的丰富意味着注意力的匮乏。" 但 Simon 没有预见到的是，当 AI 能瞬间生成答案时，注意力本身也在被算法重新分配。真正稀缺的已不再是"关注什么"，而是"值得问什么"。
更深层的案例来自科学史。1928 年，Alexander Fleming 发现青霉素的过程常被描述为"偶然"，但更准确地说，是他提出了一个别人不会问的问题："为什么这些霉菌周围没有细菌？" 当时所有研究者都在寻找"杀死细菌的物质"，只有 Fleming 对"阻止细菌生长的现象"感到好奇。这个问题的转向，比任何答案都更具变革性。同样，图灵在 1950 年问出"机器能思考吗？"，并在发现这个问题不可操作后，将其改写成"模仿游戏"——他通过重新定义问题，创造了一个全新的学科领域。
这揭示了一个被忽略的真相：伟大的提问不是灵感的产物，而是对"什么是好问题"的判断力。在答案充裕的时代，这种判断力成为人类最核心的认知资产。
Aha 瞬间
"当 AI 能回答一切时，人类的优势不在于拥有答案的速度，而在于提出问题的勇气和判断力——Fleming 和图灵改变世界的，不是他们找到了什么，而是他们问出了别人不敢问的。"
发芽 02：从"执行者"到"分配者"——控制权的本质转移
种子
材料中提到的"知识工作者将成为模型的管理者"这一观点，可以追溯到一个更大的历史脉络：每一次技术革命都在重新定义"劳动"的含义，而在每次转变中，真正关键的不是技能本身，而是对资源的控制权。
维护成本的对比提供了经济学的锚点。经济学家 Carlota Perez 在她的技术革命理论（《Technological Revolutions and Financial Capital》，2002）中指出，每一次技术革命都伴随着"基础设施的建设狂潮"和随后的"泡沫破裂与制度重组"。当前的 AI 代理基础设施正处于她所说的"部署期"（deployment phase），但这个框架至今没有被学界之外的科技从业者广泛认知——直到它正发生在他们脚下。
动态分配视角则触及了委托-代理问题的核心。哈佛商学院教授 Karim Lakhani 的研究（"Why Do User Communities Matter?"，2003）发现，在开源软件运动中，领导力的核心不是编写代码的能力，而是"设定方向、协调资源、管理社区"的能力。当代码本身——即"执行"——可以被任何人提交时，真正的权力集中在那些能决定"哪些代码该合并"的人手中。这就是为什么 Linus Torvalds 的价值不在于他写了多少行 Linux 内核代码，而在于他是那个"最终决定什么该被接受"的人。
这个"执行与决策的分离"逻辑正在被 AI 复制到所有知识工作中。当 AI 代理能执行任何任务时，人类的角色从"做"转向"决定做什么、为什么做"。这不仅仅是工作内容的变化，更是组织权力结构的底层重构。
Aha 瞬间
"当执行可以被外包给机器时，权力不再属于能做事的人，而属于能判断'什么值得做'的人——Torvalds 之所以不可替代，不是因为他写代码最好，而是因为他定义了'好代码'的标准。"
发芽 03：自动化的悖论——更多自动化，更多人类专家的需求
种子
材料提出"自动化会悖论性地为人类专家创造更多工作"，这个看似矛盾的论断可以通过一个更早的历史案例得到解释。
1984 年，经济学家 David Autor 在麻省理工学院攻读博士学位时，他的导师让他研究一个当时看来"无聊"的问题：为什么 ATM 普及后，银行柜员的数量不但没有减少，反而增加了？Autor 的发现（后来成为他的经典论文 "The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market"，2006）揭示了一个关键机制：ATM 并没有让柜员失业，而是让银行开设了更多分支网点，因为 ATM 降低了分行的运营成本。柜员的角色从"处理现金交易"转变为"处理客户关系和解决复杂问题"——交易被自动化了，但关系不能被自动化。
但这只是故事的开始。Autor 的论文在发表近二十年后因 AI 的兴起而重新受到关注，本身就是一个关于"学术思想如何跨越时代"的案例。当他的论文在 2006 年发表时，几乎没有引起科技界的注意；但 2016 年 AlphaGo 击败李世石后，政策制定者和科技领袖开始大量引用 Autor 的研究来解释"为什么 AI 不会消灭工作"。思想的价值不一定在诞生时被认识，而可能在技术条件成熟时被重新发现——这恰恰是当前 AI 讨论中最被忽视的动态：我们今天的许多"预言"，很可能是过去某个思想的滞后回响。
回到银行柜员的案例：他们的工作变了吗？是的。技能要求变了吗？是的。但他们的需求增加了吗？也是的。因为自动化的真正效果不是消除人类角色的必要性，而是消除了那些不需要人类判断的任务，从而扩大了需要人类判断的接触面。
Aha 瞬间
"ATM 的悖论显示了一个结构性规律：自动化不是让人类变得多余，而是重新定义人类在系统中的位置。柜员从'处理交易'变成'管理关系'——这个转变不是对人类的贬低，而是对'关系性劳动'价值的重新定价。"
你的思考空间
- 当 AI 能回答任何问题时，"提出好问题"的能力是否真的可培养？还是它本质上依赖隐性知识，无法被显性教学传递？
- "管理模型"的技能与传统的"管理团队"技能，在组织行为学层面的相似性和差异性分别是什么？
- 如果自动化确实创造了更多高判断力的人类工作，这意味着教育体系应该更重视什么？如何重构课程设计？
- 在"答案充裕"的时代，人类社会的知识权威结构会发生什么样的政治性变化？专家群体是否会经历地位的重新洗牌？
- 你的工作中，有哪些任务其实类似于"柜员处理现金"——不是真正需要你的能力，但暂时还没有被自动化？