自动化之后的生活
你好，周日快乐！
本周我们推出了 Thesis Statements，邀请 100 位 AI 领军人物押注自动化之后的工作形态。这个项目也为 11 月的 Thesis: 2027 大会做好了铺垫。
与此同时，前沿地带的生活变贵了，也开始变得组织化：Every 的 AI 账单暴涨 230%；一位工程师把 Codex 变成了一支专家团队；心理健康医疗公司 Headway 打造了它买不到的安全 AI 助手。我们还为 AI 写作做了辩护——前提是把人的判断力留在流程里；同时成立了一支“前沿团队”，让那些怪异的实验不至于被紧急工作淹没。
这封 newsletter 是转发给你的吗？点击订阅，让它直达你的收件箱。
知识库
《自动化之后，人类的工作长什么样？》 by Dan Shipper / On Every
当执行变得廉价、智能变得充裕，人类还能做什么？Thesis Statements 汇集了 100 条具体、可争论的预测，全部来自活跃在前沿的 AI 领袖。目前前 25 条已经上线：Linear CEO Karri Saarinen 认为 AI 最大的问题将是设计；Ness Labs 创始人 Anne-Laure Le Cunff 说答案会变得充裕，提出问题反而会成为最难的部分；Granola 联合创始人 Chris Pedregal 预测，你最难的一些问题会自己解决。我们会在大会前每周发布新的陈述，并回访这些判断，看看哪些被验证、哪些落空。你也可以提交自己的论点。
《我们的 AI 成本暴涨 230%。我还没有设置 Token 预算——暂时没有》 by Arielle Shipper / Every
当 GPT-5.6 Sol 上线后，Every 的每日信用额度使用量从 11,520 跳到 26,685——超过基准线的两倍。运营负责人 Arielle Shipper 需要在控制支出的同时，不扼杀公司赖以生存的实验文化。她的答案是：用参数，而不是政策。她不给团队设置硬性限制，而是用三个问题审视每一次大规模运行——花了多少、买来了什么、学到了什么。这篇文章还分享了四条前沿环境下的运营管理经验。
《一个工程团队，成本只要一份 Codex》 by Laura Entis / Context Window
借助 GPT-5.6，一个人现在可以管理一队专门化的 AI 智能体，运行效果像一个完整的工程团队。Naveen Naidu 把他的 Monologue 工作室经营成一组各司其职的 Codex 智能体，智能体之间像同事一样互相交接工作。本期还包括：Naveen 的具体工作流；设计主管 Daniel Rodrigues 为 Every 打造 Thesis: 2027 品牌和网站所用的技术栈拆解；一场关于 harness engineering（智能体装配工程）是否会重蹈提示工程（prompt engineering）覆辙的讨论；以及一期来自播客《AI & I》的往期节目：AI 伴侣是一种新的艺术形式，嘉宾是 Portola 联合创始人 Quinten Farmer 和故事负责人 Eliot Peper。🎧🖥 可在 Spotify 或 Apple Podcasts 收听，在 X 或 YouTube 观看，也可以阅读文字记录。
《为 AI 写作辩护》 by Laura Entis / Context Window
AI 写作就自动等于 AI 垃圾（slop）吗？不一定。Every 的技术咨询主管 Mike Taylor 的许多文章都借助 AI 完成——他口述自己亲身运行过的测试，让模型把内容格式化成文。这个流程把原本需要一天才能写完的内容压缩到两小时，也让他的想法抵达了更多人。本期还包括：一则“信号”（signal），梳理 Anthropic 计划为 Claude 文本加水印引发的争议；以及一则“偷走这个工作流”（steal this workflow），介绍资深编辑 Jack Cheng 如何用 Codex 和 ChatGPT Chrome 扩展批量处理 Google Docs 中的编辑任务。
《那家自建了买不到 AI 工具的医疗公司》 by Katie Parrott / Every
当现成的 AI 无法满足 Headway 的安全与合规需求时，这家心理健康医疗公司决定自建内部助手 Eddy，基于 Claude Code SDK 开发。如今，900 名员工中有 650 人每天都在使用它。Katie Parrott 还原了 Headway 如何让自主智能体变得安全——每一段对话都运行在一个密封、一次性的容器里——并提炼出一个“等待—购买—自建”（wait-buy-build）框架，帮助判断什么时候自己掌握 AI 工具比等着供应商追赶上来更值得。
实操活动
亲手体验 Every 如何使用 AI。以下是由团队成员讲授工作流的现场训练营、工作坊和线下聚会。
你可能错过的录制
Office Hours：All Access 创造者：在周五的月度直播中，Every 团队分享了他们正在构建的东西和接下来的计划，然后开放提问，回答订阅者们关于卡住的智能体、逐渐跑偏的工作流，以及那些拿不准要不要采用的工具等问题。观看录制 或升级到 All Access。
来自 Every Studio
认识 Every 的前沿团队
随着 Every 接近 30 人规模，紧急工作总是打败怪异实验。要做出可靠的产品、服务和每日 newsletter 需要高度专注——但许多重要发现恰恰来自那些看起来不合时宜的实验。所以，我们给了一个小团队明确的许可：优先做实验，并分享他们的学习。每周他们会测试想法，把最好的成果从实践沉淀为产品。团队成员：
- Dan Shipper，CEO
- Katie Parrott，特约撰稿人
- Mike Taylor，技术咨询主管
- Jack Cheng，资深编辑
- Kieran Klaassen，Cora 总经理
- Jannik Jung，软件工程师
- Arielle Shipper，运营负责人
在本周的每周展示会上，团队分享了一个名为 Hands 的实验：通过 Slack 请求，让 Every Agent 在你的电脑上启动 Codex 或 Claude。他们演示了一个评审队列，让专家可以评估智能体的选择，从而随着时间不断改进它的表现。他们还展示了一个由 AI 生成的地图原型，把团队实验按不同工具的使用模式进行分组，并与我们自己关于“自动化之后工作什么样”的论点对应起来。
Inside Every
荷马·辛普森的汽车领先于它的时代
我的第一堂产品设计课，来自《辛普森一家》【补充：美国经典动画连续剧，常被用于讨论大众文化与消费社会】。
在第二季的经典剧集 《Oh Brother, Where Art Thou?》 中，Homer 与失散多年的同母异父兄弟 Herb 重逢。Herb 经营着一家陷入困境的底特律汽车公司，他让 Homer 去做那些常春藤盟校出身、手握大把市场调研数据的高管们做不到的事：为普通美国男人设计一辆完美的汽车。
最终这辆车带有太多 Homer 专属的奇思妙想——长毛绒地毯、泡泡穹顶、一按就放《La Cucaracha》的喇叭——制造贵到直接把公司拖垮。
小时候看这一段，我已经明白 Homer 的汽车展示了“不应该怎么设计消费产品”。它长期以来被视为软件功能蔓延（feature creep）的象征，也说明当一个人或一小群人的需求被误当成整个市场的需求时，会发生什么。
如今，我也有自己的 Homer 汽车。准确地说，有好几辆——用 vibe coding（凭直觉提示 AI 生成代码）写出来的应用，功能只适合我一个人的独特需求，而不是任何其他人的需求。朋友们会给我发他们 Homer 汽车的截图，我每天也会在 X 的动态里看到新的。SpaceXAI 工程师 Eric Zakariasson 为朋友和家人搭建应用，让他们自己就能改。Bb 让用户通过输入提示词为自己专属的智能体开发环境加入新功能。大公司似乎也开始发布和开源一些以前可能因为太古怪而不适合公开的东西；Berd 那些有点诡异的头像，就是桌面智能体应用里的长毛绒地毯。可塑软件的时代已经到来。
我全盘接受这一切。因为 Homer 的汽车一直比路上大多数车都更有魅力——而那些车，在企业追逐最大化总可寻址市场（TAM）的过程中，最后都长得一模一样。
35 年后，它的经济账终于讲得通了。
这周就到这里！记得在 X 上关注 @every，在 LinkedIn 上关注 Every。
现在，每个人都是创造者了。Every All Access 包含完整会员权益和 Builder Pack——价值 9,000 美元以上的工具额度。
核心启示：当执行成本趋近于零、智能变得充裕之后，真正稀缺的能力聚焦在提出问题、定义问题，以及在实验文化中保留人的判断力；与此同时，为单一用户深度定制的“怪异”软件，终于第一次在经济上变得合理——这正是《辛普森一家》里的 Homer 汽车在 35 年后所预示的方向。
《Life After Automation》的发芽报告
材料核心
Every 的这篇周日通讯汇集了多个前沿线程——100 位 AI 领导者的预测、一家媒体公司成本暴涨 230% 后的运营抉择、一个工程师用 Codex 组建"一人团队"、一家医疗公司自建 AI 工具、以及 Jack Cheng 对"霍默车"与可塑软件的思考——它们共同指向同一个问题：当执行与答案变得廉价，人与组织如何重新定义自己的工作？
发芽 01：霍默车经济学——当"个人特供"的边际成本降到零
种子
Jack Cheng 的随笔表面上是在怀旧《辛普森一家》的经典剧情，实际上提出了一个与经济史同样悠久的迷思：个性化制造必然昂贵、必然失败。霍默车不是失败的教材，而是一个提前 35 年到达的终局——它在 1990 年代之所以是笑话，不是因为"为一个人造车"错了，而是因为当时的工厂结构无法为这种"错"买单。自动化拆掉了这个结构。
故事
20 世纪是"标准化"的胜利。亨利·福特在 1908 年推出 T 型车，那句"只要它是黑色的，任何颜色的车都行"支配了接下来半个世纪的工业想象。到了 1920 年代，阿尔弗雷德·斯隆用"为每一种钱包和目的造车"打破了福特的一元论，但通用汽车的"多元化"仍然只是市场细分：你可以在几种颜色、几款车型之间选择，但你的车依然是流水线上千篇一律的产品。
1990 年代的戴尔电脑把"定制"变成销售话术，但其本质是从标准模块里做选择题；这种"伪个性化"没有改变生产成本结构，只是把选择权交给了消费者。2004 年，克里斯·安德森在《连线》杂志提出"长尾"理论：当数字化发行让"小众"商品可以与大众热门共存，长尾只解决了"卖得掉"的问题，没有解决"造得起"的问题。
今天，AI 同时瓦解了这两个问题。一个工程师可以用自然语言指挥多个 Codex 代理完成一个完整功能；Bb 让用户直接向应用"提示"新功能；Berd 的"诡异化身"则像霍默车里的绒毛地毯——在过去，这种工具会因为受众太小而永远没有立项资格，现在它只需要一个足够具体的用户。Jack 的朋友们随手截图分享自己的"独享版应用"，这就是亚文化变成主流生产方式的瞬间。
Aha 瞬间
"霍默车不是喜剧，而是预言：福特让'所有人都开一样的车'成为进步，斯隆让'一部分人开不同的车'成为市场细分，自动化让'每个人都开得起自己的车'成为默认选项。当生产边际成本归零，'大众市场'这个 20 世纪最强大的商业概念就丧失了统治权。"
发芽 02：答案过剩的年代，问题才是核心产品
种子
Thesis Statements 里最耐人寻味的不是那些精密的预测，而是 Anne-Laure Le Cunff 那句看似简单的话："答案将变得丰富，问题将变得困难。"把它翻译成经济语言就是：当答案的生产成本趋近于零，注定稀缺的是提问本身。Karri Saarinen 说 AI 最大的问题是"设计"，Chris Pedregal 预测"最难的难题会自行解决"——三句话说的其实是同一件事：人要从解题者变成出题者。
故事
这其实是思想史上最古老的职业转变。在柏拉图的《美诺篇》里，苏格拉底没有给奴隶任何答案，而是用一连串问题引导一个从未受过教育的孩子"回忆起"几何学证明。对苏格拉底来说，知识存在于提问之中；答案只是提问的副产品。
20 世纪的科学社会学为这个哲学说法提供了实证。罗伯特·默顿在研究科学发现的机制时发现了"意外发现"（serendipity）的结构：重大突破往往不是来自更聪明的回答，而是来自更敏锐的惊讶。1928 年，亚历山大·弗莱明看到培养皿里的霉菌杀死了细菌，他没有像其他人那样把"污染"倒掉，而是问了一句"这是怎么回事？"——青霉素由此诞生。"好问题"比"好答案"更能改变世界，这不是修辞，而是科学史的事实。
2002 年，Google 的首席经济学家哈尔·瓦里安在一次演讲中指出：当信息变得廉价，稀缺的就是"提出好问题的能力"。当时这是一句前瞻；现在它变成了生存法则。当 AI 能在一分钟内生成一百页报告，一个人的价值不再取决于他能不能写出答案，而取决于他能不能分辨哪些问题是值得被回答的。这正是 Le Cunff 所说的"问题变成难题"的含义：不是问题变难了，而是问题第一次变成了终点，而不是起点。
Aha 瞬间
"工业革命把肌肉外包给机器，信息革命把记忆外包给数据库，自动化革命把答案外包给模型。剩下的、再也无法外包的，是那个在所有人看到'霉菌'时问出'它为什么在这里'的好奇心。'答案免费'的终点，是'问题昂贵'的开始。"
发芽 03：前沿运营的本质——不是封顶，而是校准
种子
Arielle Shipper 面对 AI 成本暴涨 230% 时选择不设 token 预算，这在泰勒式管理框架里几乎等同于失职。但她提出的三个问题——花在哪了、买到了什么、学到了什么——揭示了一个深层转变：当组织的生产单位从"标准化的产出"变成"不可预测的尝试"，运营管理就从"控制支出"演进为"校准判断"。Headway 因为市场上买不到合规的 AI，便自己造了一个 650 人天天在用的内部助手——同一逻辑的另一面：有时候最危险的不是支出，而是等待。
故事
一个世纪以来，我们对"成本控制"的理解几乎都来自弗雷德里克·泰勒的科学管理：把工作拆成可计量的动作，用标准和预算约束执行。这套系统至今依然有效——前提是你知道自己在做什么。1991 年，组织理论家詹姆斯·马奇在《组织学习中的探索与利用》中撕开了一个口子：组织同时需要两种能力，"利用"（优化已知路径）和"探索"（尝试未知可能）。过度利用会带来"能力陷阱"——你把所有力气花在把马车变得更舒适，却错过了汽车；过度探索则会让你死在找到正确答案之前。
历史上所有伟大公司都在这两者之间挣扎。3M 的便利贴来自一个"失败的"胶水实验；Google 的 Gmail 诞生于 20% 时间——它们共同的管理智慧是：给探索留一个不受短期 KPI 审判的角落。
AI 时代把这个角落推到了灯光下。因为每一次 token 消耗都精确到美分，"探索"变成了第一项可以被实时计价的研发活动。面对 230% 的涨幅，最简单的答案是设上限——这是泰勒式的直觉反应。但 Arielle 的选择揭示了管理者角色的剧变：预算早已不能作为"探索是否过度"的标尺，因为探索的价值实现于未来，衡量它的唯一方式是回顾时的那一句"学到了什么"。Headway 的 wait-buy-build 框架，把这个逻辑从"花多少钱"延伸到了"做什么工具"：等待厂商是一种"利用"策略，自建工具则是一次明确的"探索"下注——在医疗数据隐私这种合规攸关的领域，等待"买得到"的时机可能比支出本身更昂贵。
Aha 瞬间
"预算封顶是面对不确定性的幻觉，判断校准才是真正的免疫力。当 230% 的成本上涨不再被视为警报，而是被视为学习信号，组织才算真正进入了自动化时代：'花了多少钱'是会计学的追问，'学到了什么'才是前沿运营的追问。"
你的思考空间
- 当霍默车经济学从软件蔓延到实体制造（3D 打印、柔性生产），"为一个人生产一辆车"会真正成为物理现实吗？什么会成为新的阻力——监管、标准，还是人们对"量产信任"的依赖？
- 如果提问能力成为人类最核心的价值，教育系统会因此重构吗？我们现在从幼儿园到博士院都在奖励"快速给出正确答案"，这与自动化时代的新价值是结构性冲突的——什么样的学校能培养出优秀的提问者？
- Arielle 的"参数而非政策"依赖少数关键岗位有足够的判断力。当 AI 支出从每月数千美元涨到数百万美元，"判断稀缺"会不会取代"资金稀缺"成为组织的新瓶颈？判断力可以规模化吗？
- Headway 因为"买不到"而自建 Eddy；Every 组建"前沿团队"来保护怪奇实验。当每个组织都在自建工具、保护探索，我们会不会得到一个碎片化的 AI 生态——那时谁来做标准、安全和互操作？
- "Everyone's a builder now"——如果每个人都能造自己的霍默车，我们如何防止巴比伦塔式的孤立？共享的协议、共享的价值观和共享的"好品味"，会不会成为自动化之后最稀缺的公共品？