142. 播客：AI悖论：自动化越多，人越重要，Dan Shipper 预测未来一年工作方式巨变

2026.05.25

·AI播客agent

142-infographic.webp|992

1. 核心观点 ​

20260527_8.webp|888

  • AI 悖论不是“自动化会不会替代人”，而是：自动化越多，越需要人来定义、判断、维护和整合。
    • AI 把执行成本打下去。
    • 但执行成本降低后，产出会暴涨。
    • 产出暴涨后，真正稀缺的变成：
      • 判断什么值得做。
      • 判断结果是否可靠。
      • 判断哪些东西可以进入系统。
      • 判断哪些东西应该删掉。
      • 判断整体是否还连贯。
  • 每一个 agent 都需要一个人。
    • 不是因为 agent 不强，而是因为 agent 越强，越会制造新的管理面。
    • 自动化之后，上面还要有人盯：
      • 它有没有做对。
      • 它有没有跑偏。
      • 它有没有污染系统。
      • 它有没有真的服务组织目标。
  • AI 不会简单制造就业末日。
    • 但不会跟着模型走的人，会被甩在后面。
    • 更准确的比较不是 AI vs 人。
    • 而是：
      • 用 AI 的人 vs 用 AI 的人。
      • 能管理 AI 产出的人 vs 只能制造 AI 产出的人。
  • 模型把昨天还属于人类的能力变便宜。
    • 写代码、写文档、做分析、做设计初稿，都会变便宜。
    • 但人会继续往前走：
      • 用这些被冻结的旧能力，做新的东西。
      • 把模型能力接进真实工作。
      • 重新设计流程和产品形态。
  • 三条核心结论：
    • 工作方式两极化。
      • ① 公司级超级 agent。
      • ② 桌面 AI 操作系统。
        • 所以人机协同会变成新常态。
    • 人才价值重构。
      • PM 和全栈设计师前景最好。
      • 工程师需求不一定减少，但角色会转向整合与审核。
      • 创造力价值提升。
    • 人本主义自动化。
      • AI 不会简单导致大规模失业。
      • 它会创造新的岗位。
      • 人类在设定问题、质量把控、创造性应用上的作用不可替代。
  • 这期和我最近的认知高度一致：
    • Codex / Claude Code 不只是编程工具，而是新的工作环境。
    • agent 不是替我省事的机器人，而是需要被纳入系统管理的工作单元。
    • 真正变贵的是产品判断、系统治理、上下文组织、验收和品味。

20260526_1.webp|840

2. 未来工作方式 ​

2.1. 公司级超级 agent ​

  • 公司内部会出现通用超级 agent。
    • 先不是每个人一个私有 agent。
    • 更可能是全公司共用一个超级 agent。
    • 初期由全公司共享，而不是个人专属。
    • 先通用，再慢慢下沉到团队和个人。
    • 主要在 Slack 这样的工作场景里使用。
    • Shopify、Ramp 这类公司已经在这个方向上跑。
    • 典型案例：
      • Shopify 公司 agent。
      • Ramp 公司 agent。
      • Every 内部 Claude agent。
  • 这类 agent 需要专人维护，确保它有效工作。
    • 因为就像龙虾一样，个人维护的成本太高。
    • 发展趋势是从通用型向专业分工演进。
    • 越往后越需要专人维护与优化。

2.2. 桌面 AI 工作操作系统 ​

  • 大部分知识工作会发生在 Codex / Claude Code / Cowork 这类环境里。
    • 这些环境会变成新的操作系统。
    • 浏览器、文档、邮件、SaaS 工具都会被放进这个环境。
    • 用户会在内置浏览器里使用各种 SaaS 工具。
    • 会出现人机并行协作的新范式。
  • 工作不再是“打开一个 SaaS，再点 AI 按钮”。
    • 而是“人和 AI 的工作环境里引入 SaaS”。
    • SaaS 工具将运行在 Codex 或 Claude Code 里面。
    • 自然语言交互会成为操作入口之一
  • 典型案例：
    • Codex Desktop App。
    • Claude Code。
    • Cursor。
  • 两种模式会长期共存。
    • 企业既需要 agent 协作系统。
    • 也需要个人 AI 工作环境。
    • 不是二选一，而是同时布局。

2.3. SaaS 不会死 ​

  • 播客里的判断是：
    • agent 不会消灭 SaaS。
    • agent 会增加 SaaS 的用户数量。
    • SaaS 股票会上涨。
    • SaaS 末日论不成立。
    • 未来不只是人用 SaaS，agent 也会成为 SaaS 的高频用户。
  • 用户会自带着 AI 使用 SaaS。
    • 这会改变 SaaS 商业模式。
    • SaaS 公司要面对基础设施和定价挑战。
  • SaaS 公司真正要做的，不是把 AI 塞进产品。
    • 而是让产品适合 人 + agent 一起协作。
    • 让网页界面、CLI、API、权限和状态同步能同时服务人和 agent。
      • 这也是为什么各类软件SaaS 各种提供 cli mcp 等给 agent

2.4. CLI 时代会被快进跑完 → GUI + Agent 成为主流 ​

  • 播客里有个判断很刺耳：CLI 作为 agent 入口当然有用，但这个时代可能会很快结束。
    • 不是说命令行没价值。
    • 而是未来更自然的形态会是：
      • 人在 GUI 里看状态和做判断。
      • agent 在背后用 CLI / API / browser 做动作
      • 两边保持同步。
  • CLI 时代会结束，GUI + agent 会重新成为主流。
    • GUI 工作更舒服，尤其对非程序员。
    • 这和我最近对 Codex 的体感很接近：
      • 命令行是底层 action space。
      • 但真正的工作台不能只停在命令行。
      • CLI 或者 TUI 这玩意，就不是给正常人用的，我挺讨厌的 cli 的

相当同意，我记得很多地方都表达过相同的判断

2.5. 工作形态会变化 ​

  • 非技术人员会开始提交 PR。
    • 市场、运营、编辑、咨询都能改网站、改代码、改流程。
    • 构建门槛降低以后，PR 数量会暴涨。
  • 工程师不会消失。
    • 工程师会更像系统的守门人。
    • 重点从“我能不能做出来”变成：
      • 这些 PR 能不能合。
      • 它和现有系统放在一起是否合理。
      • 哪些东西应该删除。
      • 如何保持整体连贯性。
  • 数据科学家也会遇到类似问题。
    • 所有人都能用 AI 做粗糙分析。
    • 于是数据科学家的工作变成审核大量低质量分析。
    • 如果没有数据科学 bot 或基础系统挡住低级问题，专业人员会很痛苦。
  • AI 生成内容会被逐渐接受。
    • 文档、邮件、规划、战略报告都会有大量 AI 参与。
    • 人们对“这是 AI 写的”的排斥会下降。
    • 但前提是：
      • 质量足够好。
      • 责任归属清楚。
      • 有人判断和验收。

3. 人才价值重构 ​

3.1. PM ​

  • PM 的前景非常看好。
    • 核心变化：结合技术知识快速发版，释放生产力。
    • 未来前景：会变得更强大。
    • 关键能力不只是写 PRD，而是需求判断、效果评估、问题定义。
  • PM 的优势：
    • 技术 + 产品感觉结合。
    • 快速迭代发版能力。
    • 用户反馈敏感度。
    • 核心能力是需求判断、效果评估、问题定义。
    • 工具掌握包括 coding model、AI 辅助工具、数据分析平台。

3.2. 全栈设计师 ​

  • 全栈设计师的前景也非常看好。
    • 核心变化：能独立实现设计想法，减少交接摩擦 和执行创意损耗
    • 创造力价值提升。
    • 关键能力是视觉设计、交互逻辑、前端实现和快速验证想法。
  • 全栈设计师的优势：
    • 创意实现一体化。
    • 减少跨部门协作。
    • 直接提交 PR。
    • 核心能力是视觉设计、交互逻辑、前端实现。
    • 创业优势是独立完成产品、快速验证想法、降低启动成本。

3.3. 工程师 ​

  • 工程师需求不一定减少
    • 核心变化：工作重心转向审核与整合 AI 产出。
    • 未来前景：需求更大，但责任变成确保代码连贯性。
    • 关键不是敲代码，而是系统判断和工程治理。
  • 重点从“我能不能写出来” 转向 “这个东西能不能进入系统”。
    • 这些 PR 能不能合。
    • 它和现有系统放在一起是否合理。
    • 哪些东西应该删除。
    • 如何保持整体连贯性。

3.4. 数据科学家 ​

  • 数据科学家会从基础分析转向解决更深入的问题。
    • 未来可以借助 AI 钻研更复杂问题。
    • 但如果没有基础 bot 分流，会被大量粗糙分析淹没。
    • 数据科学家的工作会变成审核大量低质量分析。

3.5. 新岗位 ​

  • 新岗位会出现。
    • Forward deployed engineer。
    • Agent operator。
    • 负责让 agent 在组织里真的跑起来。
  • 这类工作不像传统软件开发：
    • 要和 agent 对话。
    • 要调试它。
    • 要管权限和数据。
    • 要让它持续做正确的事。

4. AI 与人类协作悖论 ​

4.1. 自动化越多，人类工作量可能反而增加 ​

  • AI 与人类协作悖论：
    • 自动化越多，人类工作量可能反而增加。
    • 每个 agent 都需要一个人来管理和确保正常工作。
    • benchmark 无法完全衡量人类在设定问题上的价值。
    • AI 会把昨日的人类能力商品化，人类再用它创造新事物。
  • 人类角色会更像经理：
    • 分配任务。
    • 设定目标。
    • 判断质量。
    • 处理异常。

4.2. 成功策略是 ride the models ​

  • 核心建议是 ride the models。
    • 跟着模型走。
    • 把人工工作流迁移到 Codex / Claude Code 中尝试。
    • 保持好奇心与玩心。
    • 持续探索新模型边界。
    • 找到使用 AI 的快乐时刻，让兴趣而不是恐惧驱动。
  • AI 的前沿不只在旧金山。
    • 前沿在真实的人用 AI 解决真实问题的地方。

5. 和我最近认知重合的地方 ​

5.1. Codex / Claude Code 作为工作 OS ​

  • 这和我最近做 Codex、Cursor、skills、auto/ 的体感一致。
  • 真正重要的不是“多一个 AI 工具”。
  • 而是：
    • 工作发生在哪里。
    • 上下文怎么进入。
    • 工具怎么被调用。
    • 权限怎么被约束。
    • 结果怎么被验收。
  • 这就是 general-agent-lab 要看的东西。

5.2. Agent harness 的判断又被验证了一次 ​

  • 模型负责智力。
  • Harness 负责把智力变成可持续行动。
  • 这期说的公司级 agent、桌面工作 OS、SaaS 在 agent 里运行，本质都是 harness 问题：
    • context space。
    • action space。
    • 权限。
    • 记忆。
    • 交接。
    • 监控。
    • 人类验收。

5.3. 个人工作台不是资料整理 ​

  • 832、os、skills、auto/ 如果只是让我更快写笔记，其实只是第一层提效。
  • 更大的意义是：
    • 把个人工作流变成 agent 可进入的环境。
    • 把长期判断沉淀成可调用上下文。
    • 把反复动作变成工具。
    • 把权限、隐私、发布边界写清楚。
  • 这才更接近“给 agent 一个能工作的世界”。

5.4. PM 和产品判断会变贵 ​

  • 这和前几篇播客里“产品经理稀缺”的判断连上了。
  • 代码越来越便宜以后，写需求、写代码、出图都不是最难的。
  • 最难的是：
    • 问题值不值得做。
    • 这个形态是不是对。
    • 用户是否真的需要。
    • 这个东西进入系统后会不会破坏整体。
    • 哪些功能应该删掉。

5.5. 创造力会变贵 ​

  • AI slop 越多，默认产物越多。
  • 结果是：
    • 平庸变便宜。
    • 稀缺的不是产出，而是取舍。
    • 稀缺的不是“能不能做”，
      • 而是“做出来是否有意思”。
    • 稀缺的不是会不会提示词，
      • 而是有没有自己的品味。

5.6. ride the models 这句话很适合我现在 ​

  • 不要只观察模型新闻。
  • 不要只收藏工具。
  • 不要把研究变成高级拖延。
  • 每次新模型、新产品出来，都应该问：
    • 它能不能进入我真实的工作流。
    • 它能不能改变我处理问题的方式。
    • 它能不能让我原来做不了的事变成可做。
    • 它能不能变成一个可复用的技能或自动化。

6. 金句 ​

  • 我一方面极度相信 AI，另一方面也非常看好人。自动化有很多，但每一个 agent 都需要一个人。
  • 模型通常做的事情，是把昨天还属于人类的能力变得很便宜。
  • 你唯一需要做的就是 ride the models，也就是跟着模型走，把它们用到你正在做的任何事情里。
  • 过去，构建东西非常难；现在变得很容易。所以重点不再是能不能把它做出来，而是它跟我们已经做出来的其他东西放在一起是否合理。
  • AI 的前沿在任何一个地方，只要 AI 遇到了一个真正的人，正在做一件真实的事。
  • 做值得被写下来的事，写值得被阅读的东西。
  • 面对困难时要从开阔而有力量的位置去相处。
  • 认为 CLI 时代已结束，GUI 工作更舒服，尤其对非程序员。

7. 启示 ​

  • 接下来不能只停在“我会用 AI 工具”。
    • 这太浅。
    • 更应该把真实工作流搬进模型里跑。
    • 然后观察：
      • 哪些动作可以交给 agent。
      • 哪些判断必须自己做。
      • 哪些上下文总是丢。
      • 哪些权限和边界需要写进系统。
  • general-agent-lab 的主线更清楚了。
    • 不是研究 CLI 本身。
    • 也不是研究某个工具谁更强。
    • 而是研究未来的工作 OS 怎么长出来。
    • 重点看：
      • Codex 怎么组织上下文。
      • opencode 怎么组织工具和权限。
      • Claude Code 这类产品怎么把浏览器、文件、shell、记忆、技能接起来。
      • 一个通用 agent 产品怎么让人和 agent 一起工作。
  • 我需要练的不是“更会产出”。
    • AI 已经让产出变得太容易。
    • 更该练：
      • 问题定义。
      • 任务拆解。
      • 结果验收。
      • 系统整合。
      • 删除和取舍。
      • 保持整体连贯性。
  • 对自己的提醒：
    • 不要把自动化当成省事。
    • 自动化本质上是在创造新的管理对象。
    • 每多一个 agent、脚本、skill、入口，都要问：
      • 谁维护它？
      • 谁判断它做对了？
      • 它出错时怎么发现？
      • 它的上下文从哪来？
      • 它的输出进入哪里？
  • 更大的判断：
    • AI 时代的人不是从工作里退出，而是从执行层往判断层、系统层和品味层上移。

8. 相关来源 ​

播客地址： https://www.xiaoyuzhoufm.com/episode/6a13e1d08b5c94538eaa571e
播客标题： #554. AI悖论：自动化越多，人越重要，Dan Shipper 预测未来一年工作方式巨变
公众号：https://mp.weixin.qq.com/s/aARJ_cFi4wwZUCQd2zGK7w