你刚刚雇了一百万个差劲的员工
人类历史上第一次，人比软件更便宜。
George Sivulka · 2026 年 7 月 15 日
TL;DR 本文提出一个反直觉的观点：AI 不但没有消灭就业，反而让人类变得比软件更便宜。作者将 AI Agent 劳动力与人类劳动力做类比，归纳出 7 条核心规律——从"Tokenmaxxing 就是堆人"、"Loop 就是关于会议的会议"，到"评估体系（Evals）就是新的 OKR"、"下一个万亿美元的机会在 AI 转型公司"。核心教训是：技术一直在解决一个问题的同时制造另一个问题，管理 AI 比管理人更难，但方法可以借鉴现代管理的百年历史。
AI 本应取代人类劳动。
结果恰恰相反。
人类历史上第一次，人比软件更便宜。
而且，AI 创造的就业岗位比它消灭的还要多。
技术总是在解决一个问题的同时，制造另一个问题
1830 年代，铁路的出现引发了人类历史上最大规模的基础设施建设之一。美国的铁轨里程在十年内增长了 120 倍。
然后系统崩溃了。
1841 年 10 月 5 日，马萨诸塞州西部铁路线上两列火车因为一个简单的协调失误，致命相撞。
随着铁路系统的复杂性不断增长，单个列车长已经不足以保障行车安全。铁路公司于是开始了长达数十年的努力：为每个地理区域雇佣管理者，以书面形式定义职责，建立清晰的层级和汇报体系。现代管理由此诞生。铁路也随之成为世界上第一批十亿美元级别的产业，在巅峰时期占据了股票市场约 60% 的市值。
AI 正在再次打破系统
我们刚刚给了每个员工——即使是最差劲的那一个——几乎无限的人手和预算。
管理 AI 比管理人更难，因为 AI 能让功能障碍瞬间放大。幸运的是，我们可以从历史中学习：
Agent 劳动力与人类劳动力，以同样的方式失败。
理解二者之间的 7 条核心类比，将解锁 AI 价值创造的下一万亿美元：
Agent 与人类劳动力的 7 条类比
1. Tokenmaxxing 就是往问题里堆人
"Tokenmaxxing"（疯狂堆 Token）的炒作周期在不到一个月内就走完了全程。
但花掉的 Token 数量从来就不是真正的问题。
人们花那么多钱买 Token，是因为他们不知道怎么用。
也许每 100 个员工里只有 1 个知道怎么给 AI 提供上下文。能清晰表述一个流程、有耐心去理解一个被污染的上下文窗口、甚至知道那是什么意思——这种人是稀缺物种。
把 Agent 工具交给另外 99 个人，他们就会制造出"Loops"（循环）。
2. Loop 就是关于会议的会议
在 Claude Code/Cowork、Copilot、Karpathy 的 Autoresearch 或任何工具中，loops 是对一个事实的创可贴——几乎没有人能成功地写提示词（prompt）。
Loops 是一种用蛮力弥补人类不足的尝试。Agent 调用自己来修复自己，只是因为没有一个人把任务清晰地讲清楚。蛮力成了系统前进的唯一路径。这一切的根源，是人类从一开始就没有真正理解任务。
你在花 Token 来买花 Token。
3. 浪费的 Token 就是新的编制膨胀
今天大多数公司都存在管理不善。
绝大多数员工对业务没有任何实质性影响。他们是机器里的齿轮，在每一层盖章审批，然后招募更多齿轮来维持一台"为了存在而存在"的机器。
他们在 looping。
很多时候，砍掉 loop 更高效。Elon 砍掉了 X 80% 的员工，公司反而表现更好了。私募股权运营合伙人靠套利这个简单事实谋生。
就像 80% 的员工什么都不做一样，今天 80% 的 Token 也什么都不做。
人创造更多的人。Token 创造更多的 Token。Looping 是新时代的"帝国建设"。
4. 100X Token 就是新的 10X 工程师
软件最初的承诺是：一次构建，永远以低成本运行，永远无需监督。AI 打破了这个承诺。一旦软件什么都能做，它就什么事都无法稳定地做。
Token 的行为模式像一个劳动力群体——一旦你把 Token 看作员工，AI 的承诺就开始崩塌：
- "Token 比人类更准确"——但只在提示词正确的时候。
- "Token 比人类更快"——但在 100 次重试面前，速度毫无意义。
- "Token 不玩政治"——但它们建立了 Token 消耗的帝国。
- "Token 不会离职"——但它们在新模型发布和新会话之间就消亡了。
- "Token 值得信赖"——然而它们会用完美的格式，自信地犯错。
AI 真正胜过人类的唯一一点是可扩展性（scalability）。扩展人类需要在招聘、入职和人员流失上耗费巨大的精力。扩展 Token 是瞬间完成的。这正是管理不善如此昂贵的原因，也是你必须找到并规模化 100X Token 的原因。
10X 工程师建造了上一个时代的公司。100X Token 将建造下一个时代。
就像少数几个员工能让其他人产出提高 10 倍一样，对于任何给定任务，一定量的 Token 上下文可以将 AI 的投入降低几个数量级。存在一些 Token 能给你 100 倍的杠杆。
平均而言，人比 Token 便宜。但在规模化之后，好 Token 更便宜。
管理，就是把一个转化为另一个。
5. 上下文囤积是新的职场护城河
AI 在公司内部面临巨大的政治问题——而且只会越来越糟。
员工不想教 AI 系统他们的独门秘方。
他们开始察觉到，这些系统不只是来"帮助他们"或"提高生产力"的。
看看 Meta——持有股票的员工，本来有极强的动机让 AI 做对，却对公司使用员工上下文作为训练数据感到愤怒。这还是在一家科技公司……这种冲突是即将在每个行业发生的事情的缩影。
部落知识（tribal knowledge）几百年来一直是员工的护城河。中世纪的工匠行会对制作方法守口如瓶。AI 是第一项要求劳动者一次性交出全部知识的科技。
没有人会免费培训自己的替代品。
那些掌握着 100X Token 的人，最没有动力交出它们。在情感上、结构上和政治上，公司都被设定好了来拒绝对自己未来最重要的科技。
6. 评估体系（Evals）就是新的 OKR
管理 Token 劳动力的最佳方式，与管理人类的最佳方式相同：定义什么是"好"。
唯一一个摆脱了政治干扰的 AI 突破性用例是编程。它把饼做大了，让工程师变得更好。
背后的机制是评估（evals）。今天 AI 收入的 99% 来自编程，因为编程有内置的评估标准——代码能跑，或者不能跑。
更广泛的跨领域 AI 用例只有在有人构建出必要的评估体系后才会真正到来。具体的评估体系比教员工写提示词或给他们一个聊天工具更重要。有了评估，AI 将吃掉代码从未能触及的经济领域。
管理的真正工作，是把模糊的人类流程转化为代码，把定性的东西表达为定量的东西。
一家公司的评估体系将变成其最有价值的资产。
就像 OKR 是将人类劳动力导向最佳产出的关键一样，评估体系将是利用无限可扩展的 Token 劳动力的关键。评估是运行 100X Token 的路径。
此外，没有两家公司会拥有相同的评估体系。评估将成为竞争优势的关键。运行着通用评估或通用 Agent 的组织，毫无优势可言。
7. 下一个万亿美元的机会是"转型公司"
企业多年来一直在购买基础模型承诺、应用层产品和内部构建。这一切掩盖了一个残酷的经济学真相：
还没有任何人能可靠地运行 AI。
硅谷对这一点深信不疑，以至于它最新的执念是押注与今天的商业形态相反的方向。"Neofirm"（新公司）或"AI Native Services"创业公司正在获得融资，目标是在知识经济中捕获 2.1 万亿美元的服务支出。其理论是，深陷自己政治和流程泥潭的"传统公司"（incumbents）永远无法自行完成转型。
新公司可能会提供竞争压力，催化传统公司采用 AI。但最大的 AI 资产仍然在传统公司内部：那些已经行之有效的差异化流程，通过已存在的分销渠道实现规模化。
事实上，下一个最大的业务不会去吃现有的服务支出。它们将向现有玩家销售一种全新的服务：
"AI 转型公司"将比任何新公司大 10 倍。
转型听起来像是一次性项目。但这里存在一个 Jevons 悖论：组织每采用一个用例，就可能浮现出十个新的。一家公司越 AI 化，它消耗的转型就越多，而可能性边界每天都在推进。持续的 AI 转型努力可能成为唯一的竞争方式。
想想 Palantir——从纸面上看，它是最容易被 Claude 颠覆的软件公司：一家万亿美元级别的企业，手把手为企业构建定制应用。按照让 SaaS 几乎变得不可投资的逻辑，$PLTR 应该在 $NOW 之前归零。
但事实并非如此，因为 Palantir 从来就不是在卖软件。它在卖转型。
但转型本身已经从 Palantir 的时代进化了。在 AI 优先的世界里，它不只是本体论（ontologies）、定制软件和少量的定制提示词。真正的工作在于评估体系、Token 最小化、以及如此深入地理解一个业务以至于你可以把它编程化。
将每家公司的细微差别编码到 Agent 中，可能成为未来十年最大的经济任务。
该管理了
AI 热潮的每个阶段都有其指导性的陈词滥调。
我们被告诉要在淘金热中卖铲子，于是我们建了基础设施。我们被告诉要卖"Service-as-a-Software"，于是我们建了新公司。基础设施够了。服务够了。现在的工作是让火车准点运行。
是时候审视企业了：找到那 100X Token，记录那些有效的 loops，引导那些被大量浪费的智能。
人类刚刚变得比软件更便宜。
但总得有人告诉它们两个该做什么。
感谢 Sam Wolfe、David Oks、Will Manidis 和 Alex Danco 的思考贡献。
来源：a16z News
觉得有用？分享给一个需要的朋友 🙏