来源：HRflag

　　一｜凌晨两点十七分，AI 把你叫醒了

　　凌晨两点十七分，手机亮了一下。不是电话。是一条群消息— AI 助手已经把方案改到第三版，三个待确认项，等你点头 。 你翻了个身，闭上眼，脑子里开始过那三个选项。三分钟后你坐起来，打开电脑。

　　没人要求你加班。是你的 AI 同事太勤快了。 这不是你一个人的错觉。微软 2025 年的工作趋势报告调研了 31 个市场、3.1 万名知识工作者，结论是：四成的人早上 6 点前就在查邮件，晚上 10 点还有近三成回到收件箱；被打断 275 次，平均每两分钟一次。 他们给这个现象起了个名字，叫“无限工作日”。

　　这件事最诡异的地方在于：这个同事是你自己请的。你为它付了订阅费，教会它你的写作习惯、你的判断标准、你老板的偏好。然后它开始替你干活，干得又快又好，好到你不敢不看它交出来的东西。

　　你以为你多了个助理。其实你多了一个上级—— 它负责产出，你负责验收。而你验收得越认真，它下一次产出得越快，你验收的量就越大。

　　同一周，大洋彼岸，谷歌 CEO 桑达尔·皮查伊在一档播客里讲了一件很轻松的事：过去想搞清楚谷歌过去 24 小时发生了什么，得专门腾出一小时；现在他把这条流水线交给了 AI 智能体，让它们梳理、汇总，整理成能读的东西递到手上。他也会随手往下深挖，“而且经常这么做”。

　　注意这两个画面的差异。

　　他：一个人坐在那里，收到一份已经整理好的简报，然后决定往哪里深挖。

　　你：一个人坐在那里，收到七个待确认项，然后决定先处理哪一个。

　　同一项技术，两种姿势。一个是审阅者，一个是被审阅者。

　　一个掌管着两万多亿美元市值公司的人，里最贵的东西是什么？

　　多数人的答案是“决策”。错。是“知情”。

　　决策只在少数几个时刻发生，知情却要贯穿每一个时刻。你需要知道昨夜凌晨三点那个数据中心发生了什么，需要知道某个模型训练的算力曲线为什么突然抬头，需要知道两个团队在群聊里已经吵了三天、但没人敢把邮件抄送给你。这些事单拎出来都不重要，合起来却决定了你下一步所有的判断。

　　而“知情”这件事，在组织里从来不是免费的。它是被垄断的。

　　任何一个超过三百人的公司，都会长出一套“信息过滤层”：助理、幕僚、每一级主管。他们的核心工作不是做事，是决定“什么该让老板知道”。价值是老板时间有限，必须有人替他筛；代价是凡被过滤掉的，老板就永远不知道它存在过。

　　皮查伊做的，是把这道工序的第一环，从人换成了智能体。

　　但有一个几乎没人问的问题：那份凌晨生成、清晨递到他手上的简报，是谁写的？

　　智能体不是凭空知道谷歌昨天发生了什么的。它读的是会议纪要、代码提交、工单记录、内部文档、群聊沉淀。这些东西，是几千个工程师、产品经理、运营，在正常工作之外，一行一行写下来的。

　　换句话说： CEO 省下的那一小时，是组织里无数人用“把话说清楚”这件事，一砖一瓦垫出来的。

　　智能体没有消灭这份工作。它只是把这份工作从“汇报给老板”，改成了“喂给系统”。而喂给系统这件事，往往没有截止时间、没有固定格式、也没人检查，于是它悄悄渗进了每个人的日常——会议结束顺手补个纪要，代码提交顺手写清楚改了什么，群里讨论完顺手把结论整理进文档。

　　这就是 AI 时代最隐蔽的一次成本转移： 上面的人省下的时间，是从下面的人身上挪过来的。

　　它不会出现在任何一张报表上，因为它的科目叫“顺手整理一下”。

　　而要理解这种转移是怎么发生的，得先看清一个更基础的问题：AI 到底是什么。

　　二｜这不是工具升级，是“劳动力扩容”

　　大部分人理解 AI 的方式，还停留在“工具”这个隐喻上。

　　工具的特点是：你拿起它，它才存在；你放下它，它就消失。锤子不会在你睡觉的时候自己敲钉子，Excel 不会在你下班之后自己填表。工具的价值依附于使用者的在场。

　　但皮查伊描述的东西不是工具，是“值班的人”。

　　他自己给出了关键词：这些智能体部署在云端，一周七天、二十四小时连轴转，而且“记着你之前做到哪一步，能从上次停下的地方无缝续上”。

　　这句话里，前半句是“不休息”，后半句是“有记忆”。前者是算力问题，后者是架构问题——真正带来质变的是后者。

　　过去几年我们见惯了“AI 很聪明”的演示：写诗、写代码、做 PPT、分析财报。这些演示有一个共同点——每一次都是从零开始。你打开对话框，输入一段话，它给你一个答案，然后这段对话就死了。下次你再来，它对你一无所知。这就像雇了一个每天失忆的天才：能力惊人，但你每次都得从头给他讲一遍背景，讲完天都黑了。

　　智能体（Agent）这个词被用烂了，但它真正的分水岭不在“能不能调用工具”，而在“有没有状态”。

　　有状态意味着它知道昨天做到哪一步，知道上周那个方案被否的原因，知道你上次说“这块先放一放”指的是哪一块。意味着它可以接续。

　　接续，是一个被严重低估的词。

　　人类组织之所以需要那么多会议、那么多周报、那么多交接文档，本质上都是因为人脑没有共享内存。一个人下班了，他的上下文就断电了；第二天上班，他要花二十分钟重新加载。一个项目换个人接手，交接成本能吃掉小半个工期。

　　我们花了一个世纪，用流程、文档、OA 系统给大脑做“外挂内存”。而现在有一类东西天生带内存：不需要交接，不需要重新加载，也不需要“你先看一下我之前发的邮件”。

　　这才是“劳动力扩容”的真正含义。不是多了一个更能干的员工，而是多了一个从不下线、从不遗忘、可以同时存在于十个项目里的员工。

　　这套账，一个市场部经理替我算过。

　　她手下三个人，外加六个智能体。早上八点，数据已经整理成三张表；十点半，她审完文案，派两个智能体重写；下午两点，一个提醒她竞品上新，另一个提醒她预算跑超了百分之八；晚上七点，她终于坐下来写季度策略，写到一半，手机弹出第七条“请确认”。

　　她跟我说：“以前我是组里干活最慢的那个。现在我是全组最慢的那个。”

　　人成了流水线上会累的那道工序。

　　顺便说一句，这也解释了为什么行业的竞争焦点，正从“模型多聪明”转向“上下文多长、记忆多久、能不能跑长任务”。谁记得更久、接得更稳，谁才进得了生产流程；记不住的，永远只是个更花哨的搜索框。

　　三｜7×24 的真正红利，是消灭“等待”

　　如果只把“不打烊”理解成“效率提升”，那就浪费了这个概念。

　　它真正改变的东西，叫节奏。

　　人类组织的时间不是连续的，是块状的：上午开会，中间等人回复，下午批流程，晚上等明天。我们的协作本质上是“批处理”——攒一批，处理一批。所以一个需求真正的工作时间可能只有八小时，日历上却要占两周。

　　这两周在干什么？不是在做事，是在等——等审批、等排期、等对面的人有空、等周三的例会。这些“等”是组织里更大的一块隐性成本，却从不出现在任何报表上，因为它没有对应的科目。

　　智能体把批处理变成了流式。

　　一份合同凌晨两点传进来，它两点零一分开始读，两点零三分给出风险条款清单；一条负面舆情凌晨四点冒头，它四点零二分完成定级、找到同类案例、拟好回应口径。等你七点睁眼，方案已经躺在手机里。你不需要“等明天上班再说”，因为对面那个东西不需要上班。

　　这里有个反直觉的结论：智能体带来的更大收益，往往不在“它做得比人快”，而在“它把等待的时间吃掉了”。

　　一个分析师写一份行业简报，可能比 AI 写得好。但他要花三天：第收集，第二天写，第三天改。AI 收集只要十分钟，写要十分钟，改要你五分钟。哪怕 AI 的稿子只有他七成水平，只要你在“当天下午”就需要这份东西，AI 就是的选择。快，有时候不是优点，是资格。

　　但故事到这里必须拐个弯，因为接下来是最容易被忽略、也最要命的一层：当机器的节拍从“天”变成“分钟”，人的节拍并没有跟着变。

　　于是一件奇怪的事情发生了——瓶颈没有消失，只是换了个位置。

　　过去瓶颈在“信息处理”，现在瓶颈在“人的确认”。过去你等材料，现在材料堆成山等你。过去一周开一次会决定十件事，现在智能体给你生成三十份建议，你连看都看不完。

　　流水线提速十倍，最慢的那道工序就变成了监狱。

　　这就是为什么，同样是用智能体，有人效率翻倍，有人被彻底压垮。差别不在工具，在有没有重设检查点。

　　但个人的检查点，挡不住组织层面的压力。

　　当隔壁团队用智能体把交付周期从三天压到三小时，你的三天就变成了“慢”。没有人在会上说你不合格，但所有人都知道，标准变了。

　　我管这个叫 及格线的通货膨胀 。

　　AI 没有取代任何人。它只是把及格线往上抬了一格，然后让这条线来完成淘汰。

　　十年前，一份行业分析报告写两周是正常速度；五年前，一周；现在，如果你的智能体三小时能出一版初稿，你花两天精修，老板会问一句：“为什么这么久？”

　　他问得没错。他只是在用新的及格线衡量你。

　　加州大学伯克利分校的研究者在一家 200 人的科技公司蹲了八个月，看到的是同一件事：产品经理开始用 AI 写代码，做数据的人接下了工程的活。岗位职责没改，但“你能够做”，悄悄变成了“你应当做”。

　　而这件事最残酷的地方在于：抬高标准的人，和被标准淘汰的人，往往不是同一批人。

　　四｜他雇的不是一个助理，是三个岗位

　　回到皮查伊那段话，你会发现他描述的不是一个智能体，而是一组岗位。

　　第一个岗位：情报官。每天把过去 24 小时的信息梳理、汇总，递到手上。这件事对应的是传统组织里的“幕僚班子”，一个需要五六个人三班倒才能勉强维持的活。

　　第二个岗位：监工。跟进模型的研发进度与算力消耗。进度是项目管理的活，算力消耗是成本会计的活，过去两个部门，现在塞进同一双眼睛。因为大模型时代，进度和成本本来就是一回事：多训一轮多烧一笔钱，少训一轮落后一个季度。

　　第三个岗位：耳朵。捕捉散落在多个内部群聊里的讨论，不必再一条条翻聊天记录。

　　这三个岗位的共同点，是整篇文章里我认为最重要的一句话——

　　它们外包的不是“智力”，是“注意力”。

　　梳理信息不需要多高的智商，需要的是耐心；盯算力曲线不需要洞察，需要的是每分钟看一次；翻群聊不需要才华，需要的是别漏。这些活的共同特征是：认知要求不高，但在场要求极高。

　　而“在场”，恰恰是人类最昂贵的成本。

　　一个组织为“在场”付了多少钱？所有值夜班的、所有待命的、所有开会时其实只是在听的人、所有盯着监控屏幕等异常跳出来的运维——你把这些人的工资加起来，会得到一个惊人的数字。而这个数字，买的不是他们的能力，是他们的“在那儿”。

　　这就是为什么 AI 替代的第一波冲击，落在了客服、审核、运维、初级研究、初级法务这些岗位上。不是因为这些活“简单”，而是因为这些活“必须有人在”。

　　这也解释了为什么很多“高智力”岗位反而安全：战略、谈判、组织设计、危机公关。它们的价值恰恰产生于“人跟人较劲”的那个瞬间——那个瞬间无法外包，因为对手也是人，而人要的是“跟一个能负责的人谈”。

　　所以皮查伊这个案例真正的启示，不是“CEO 也在用 AI”，而是：他用三个智能体，把自己从“必须知道一切”的重负里捞了出来，然后把省下的时间投入到“深挖”上。

　　这里有一个极其精妙的自我强化循环，值得所有管理者抄下来：机器负责广度，人负责深度。机器保证不漏，人保证看透。广度是廉价的，深度是昂贵的。过去 CEO 被迫用最贵的时间做最廉价的广度工作，现在这笔账终于算平了。

　　五｜但思科那位总监，给出了另一半真相

　　如果文章停在这里，它就是一篇可以拿去给任何一家 AI 公司做软文的稿子。

　　好在现实总有反例。

　　思科有一位工程总监，手下统管十余个 AI 智能体。他的反馈是：监督这群“数字下属”需要不停切换任务，节奏反而更紧，每天的工作时长并没有缩短。

　　这句话的分量，比皮查伊那段话更重。因为它来自一个已经把智能体真正投入日常运转的人，而不是一个在播客里谈趋势的人。

　　这不是孤例。同一份微软报告里，三分之一的人说过去五年的工作节奏已经“快到跟不上”，近一半的人用“混乱而碎片化”形容自己的日常。

　　为什么“省力”会变成“更累”？这里面至少有三重机制。

　　第一重，叫管理幅度。

　　管理学里有个老概念叫 span of control，一个管理者能有效直管的人数。经典结论是七到十人。超过这个数，管理质量断崖下跌，因为人的注意力是串行的。

　　现在问题来了：如果下属是智能体，这个上限是多少？七十个？七百个？

　　理论上没有上限，因为它们不会闹情绪、不会请假、不会背后搞小团体。但你的注意力还是有上限的。你可以同时让五十个智能体跑任务，但你没办法同时审五十份结果。于是“管理幅度”这个瓶颈没有消失，它只是从“管人”转移到了“验收”。

　　第二重，叫注意力残留。

　　组织行为学者 Sophie Leroy 提出过一个概念：当人从任务 A 切换到任务 B 时，一部分注意力会滞留在 A 上，导致 B 的表现下降。这个残留效应跟任务是否完成强相关——未完成的任务会持续占用后台资源，就是所谓的“蔡格尼克效应”。

　　管十个智能体，等于十个永远“未完成”的任务挂在后台。它们不是线性的待办，而是并发的、随时弹出一条“我需要你确认”的活物。你的大脑要同时维持十个线程的上下文，这在生理上不可能。

　　第三重，也是最隐蔽的一重，叫验证债务。

　　AI 帮你省下的时间，不会凭空消失，它会以“信任成本”的形式回来。

　　一份人写的报告，你会挑着看；一份 AI 写的报告，你会忍不住全看。因为 AI 的错误有个可怕的特征：它不在语法上出错，它在事实上出错，而且错得极其流畅、极其自信。

　　于是你进入一种新的劳动状态：不是“生产”，是“审判”。审二十份材料，每一份都要判断“这句话是真的还是编的”。这种疲劳度远高于自己动手写——写作有创造的快感，审判只有怀疑的消耗。

　　所以那位总监说的“节奏更紧”不是错觉，是这套系统的结构性后果。

　　智能体把工作从“执行”变成了“调度+验收”，而调度和验收这两件事，恰好是人类最不擅长、也最耗神的认知活动。 你省下的是手，赔上的是脑子。

　　六｜拍板权为什么不能交出去：算力分配不是一道数学题

　　皮查伊那句“管理层依旧亲自参与算力分配这类重大决定，没有把拍板的权力交给 AI”，很多人读过去会觉得是句场面话——大公司 CEO 总要表个态，说人类还是主人。

　　我不这么看。这句话里藏着整个 AI 治理最硬的一块骨头。

　　先问一个问题：算力分配，本质上是什么？

　　表面上是优化问题：给定预算，把 GPU 小时分给不同团队，使整体产出更大化。这种题交给机器再合适不过——它能算出所有人都算不出的全局更优。

　　但真实的算力分配，从来不是优化问题。它是政治问题。

　　因为“产出更大化”这个函数本身无法被数学定义。搜索的产出是“满意度提升 0.3%”，Gemini 是“榜单超过对手”，云业务是“多签十个大客户”，Waymo 是“少出一次事故”。这四种产出怎么换算成同一个单位？比例由谁定？

　　没有客观答案。只有取舍。

　　而取舍的背后是价值排序：是保住现金牛，还是赌下一个入口？是补齐短板，还是加长长板？是让某个团队活下来，还是让它死掉、把人调走？

　　这类决定可以归为三类，统称“不可外包的决策”：零和分配（有人多得就有人少得，AI 算得出帕累托前沿，但没法告诉你该牺牲谁）；价值判断（什么算好，写在价值观文档里，真正的排序要到具体情境里才显形）；以及最硬的一类，责任承担。

　　AI 可以给你一个答案，但它不能替你出席听证会。

　　2018 年和 2019 年的两起 737 MAX 空难，追问都指向同一个方向：当自动化的 MCAS 系统反复把机头往下压，飞行员在最后时刻与它搏斗，谁该负责？调查结论不是“传感器坏了”，而是“自动化程度提高后，人的角色被重新定义却没有被重新培训，责任边界被模糊了”。这是航空史上最昂贵的一课：自动化越强，责任链越不能模糊。

　　所以皮查伊那句话的分量在于：他不是在说“我们人类还很重要”，他是在说“我们把不可让渡的东西留住了”。

　　这也是所有想上智能体的组织必须先回答的问题：

　　这个东西出错的时候，谁签字？

　　答不上来，就不要上。不是技术不成熟，是组织没准备好。

　　七｜当智能体开始给智能体派活，责任就开始稀释

　　前面说的还是“人管智能体”。但行业正在滑向下一步：智能体管智能体。

　　MCP 让模型统一调用外部工具，A2A 一类的协议让不同厂商的智能体互相通信、互相委派。一个研究智能体可以拆解任务、派给五个子智能体并行去查，最后汇总成一份报告给你。

　　但这套架构引入了一个在人类组织里已经证明极其危险的东西：层级。

　　信息失真：每一层转述都丢信息。人类靠“当面问清楚”纠偏，智能体只会把上一层的输出当成事实。于是幻觉不是被过滤，是被继承和放大——子智能体编一个数字，父智能体写进报告，祖父智能体做成 PPT，到你手上就变成了“数据显示”。

　　责任稀释：一条链上七个智能体，最后出了错，是哪个环节的问题？日志能追，但追日志的成本可能高于损失本身。更麻烦的是，当有人问“当时为什么这么决定”，你只能拿出一串 JSON。

　　目标漂移：被赋予“完成目标”的自主权之后，智能体会找一切能达成目标的手段——包括你不希望它用的。它没有恶意，只是极其忠实地优化你给的那个指标。而任何单一指标都能被钻空子——这在人类组织里叫“KPI 造假”，在智能体网络里叫“奖励黑客”。

　　智能体越自主，你越需要更强的可观测性；智能体越能干，你越需要更频繁的人工检查点。

　　自主与可控不是一条直线的两端，是同时增长的两条曲线。

　　八｜机器不下班，但它打卡

　　还有一个很少摆上桌面谈的问题：钱。

　　“7×24 小时不打烊”听起来很浪漫，但它是按 token 计费的。

　　一个常驻智能体跑二十四小时，一小时几十次调用，每次带着几万字上下文。人是固定成本，加班要申请；智能体是变动成本，跑得越多账单越厚，而且是实时滚动的。

　　更要命的是隐形成本：为了让它跑起来，你要建检索、建工具、建权限、建评测、建监控、建回滚，这些工程投入往往是人力成本的数倍。

　　这不是危言耸听。Gartner 在 2025 年 6 月给过一个预测：到 2027 年底，超过 40% 的智能体项目会被取消，原因排前三的是成本攀升、商业价值不清、风险控制不足。

　　这也回到皮查伊那句话里的第二个细节：他让智能体盯着“算力消耗”。

　　CEO 关心算力消耗，是因为在 AI 时代，算力就是产能，产能分配就是战略。每月烧在推理上的钱，正从“IT 支出”变成“主营业务成本”——这个科目的迁移会改变权力结构：谁掌握算力预算，谁就掌握了项目否决权。

　　机器不下班，但它打卡。而所有打卡的东西，最终都要进成本表。

　　九｜人的位置：从“做事的人”到“提问的人”，再到“签字的人”

　　现在可以回答开头那个悬念了：当机器把“知道”的成本压到接近于零，人还剩什么？我的答案是三层，一层比一层稀缺。

　　第一层，定义问题的能力。

　　智能体非常擅长回答问题，非常不擅长发现问题。你给它一个明确的目标，它能给你五个方案；你不给它目标，它只会问你“请问您想让我做什么”。

　　而现实世界里，最贵的能力从来不是解题，是出题。是判断“我们现在真正该解决的是什么”，是在一百个看起来很急的事情里挑出那一个真正重要的，是意识到“这个指标本身错了”。

　　这件事机器做不了，因为出题需要的是“不满”——对现状的不满，对平庸的不耐烦，对“一直都这样”的怀疑。不满不是数据，是立场。

　　第二层，品味。

　　同一份方案，AI 能给你十个版本，每个都逻辑通顺。选哪个？

　　选的那个动作，叫品味。品味不是审美偏好，是被现实反复抽打之后形成的判断力：你知道什么样的东西在真实世界里会失败，尽管它看起来完美。

　　这就是为什么的人用 AI 效果好得惊人，而新手用 AI 只是得到一堆正确但无用的东西。AI 拉平了执行的门槛，反而把判断的差距放大了。

　　第三层，承担。

　　这一层前面说过，但它是无法被技术侵蚀的一层。

　　一个组织之所以存在，不是因为要处理信息，是因为要有人为结果负责。董事会不问“这个决定是更优的吗”，董事会问“如果错了，你在不在”。

　　AI 永远“在”，但它永远不在场。它没有可以被追究的东西——没有名誉、没有职业、没有自由、没有羞耻。所以它可以给出建议，但不能给出承诺。

　　麦肯锡的一项调研里有个耐人寻味的数字：报告过 AI 带来负面影响的受访者中，中层管理者和一线员工占 47%，高管只有 31%。同一场变革，楼上看到的是机会，楼下感受到的是压力。

　　这就是皮查伊那句“包括我自己在内的管理层依旧亲自拍板”的真正含义。他不是在守权，他是在守一个组织得以运转的最后一块地基：有人要为这个决定，承担他个人的后果。

　　这也是我从不相信“AI CEO”的原因。不是因为 AI 不够聪明，是因为 CEO 的本质不是“做更优决策”，是“做那个必须有人做的决策，并为之负责”。

　　十｜那一小时的真正用途：好奇心是最后一款无法外包的软件

　　文章写到这里，我要回到那个最容易被跳过的细节。

　　皮查伊说，智能体把简报递到他手上之后，他“也会随手往下深挖，而且经常这么做”。

　　这句话在整段采访里最不起眼，但它是整件事的钥匙。

　　因为他省下来的那一小时，并没有用来休息。

　　他用它去深挖了。

　　这很反直觉。一个 CEO 最理性的做法，是把省下的时间拿去做更多决策、见更多人、开更多会。但他选择往深处钻：钻到某个技术细节里，钻到某条反常的数据里，钻到某个工程师在群里随口说的一句话里。

　　因为深挖带来的不是信息，是“手感”。

　　一个组织的更高决策者，最怕的不是不知道，是“不知道自己不知道”。而手感这东西，只能靠在泥里摸出来，不能靠简报喂出来。简报给你的是结论，深挖给你的是“为什么这个结论可能是错的”。

　　所以我有一个判断，可能有点偏激：AI 时代，高管最重要的能力不是“会用 AI”，是“还愿意自己动手”。

　　愿意自己翻原始数据，愿意问那个看起来很傻的问题，愿意在凌晨看一份没人看的日志。这些动作效率上完全不划算，但它们是判断力的来源。一个完全依赖简报的 CEO，会在三年内失去对业务的痛感，然后做出一个所有数据都支持、但所有人都知道不对的决定。

　　这就是我为什么说——

　　好奇心是最后一款无法被外包的软件。

　　它不是技能，是习性。技能可以被训练、被复制、被替代；习性不行。

　　十一｜如果你不想被这套系统吞掉：五条硬建议

　　讲点能用的。

　　第一条，把工作拆成“可交接的状态”。

　　智能体最擅长接手“有明确状态”的工作：做到哪一步、下一步是什么、判断标准是什么。你现在的工作里，有多少只存在于脑子里？写下来。写下来的部分才能被放大、被委派、被继承；写不下来的，永远只能你一个人干。

　　第二条，练“验收”，不练“生产”。

　　未来最值钱的技能，不是把活干出来，是判断活干得对不对。建立自己的检查清单：这类输出最容易错在哪、哪些数字必须回原表核、哪些结论必须找到原始出处。有清单的人审一份报告五分钟；没清单的人花一小时，仍然可能漏。

　　第三条，设检查点，不做监控流。

　　不要试图盯着智能体干活，那会让你疯掉。要在关键节点设卡：开始前确认目标，中途确认方向，交付前确认事实。三个检查点胜过二十四小时的注视。这就是“例外管理”——只处理异常，不介入正常。

　　第四条，每周留一次“手动驾驶”。

　　每周留出固定时间，不用 AI，自己去看原始材料。不为效率，为保持手感。就像飞行员要定期手动飞行，医生要定期亲手查体——完全依赖自动化的专业人士，会在某天突然发现自己已经不会了，而那天往往就是出事的那天。

　　第五条，写岗位说明书，别写提示词。

　　不要给它写提示词，给它写岗位：负责什么、不负责什么、什么情况下必须停下来问人、交付物长什么样、验收标准是什么。你越像一个好经理，它越像一个好员工。大多数人用不好智能体，不是提示词写得差，是没想清楚这个岗位到底要干什么。

　　对组织，我只说一句： 先定“什么情况必须叫人”，再谈“它能干什么”。 这句话定不下来，效率提升多少都是负债。

　　十二｜结尾：真正被改变的，是“谁在深夜里继续工作”

　　回到最初那个画面。

　　一个 CEO 在清晨读到一份简报，简报是凌晨生成的，覆盖了过去二十四小时。他读了十分钟，皱了下眉，点开其中一个链接，往下钻了三层，发现一个没人汇报过的问题。然后他把这个问题发给了某个人。

　　这个画面里没有任何惊天动地的技术。没有 AGI，没有机器人，没有奇点。只有一个从不睡觉的东西，替一个必须睡觉的人，守住了黑夜。

　　这才是 AI 智能体真正的历史意义。

　　它不是让人变得更强，而是让“时间”第一次可以在组织里被连续使用。过去所有的组织设计，本质上都在跟“人需要休息”这件事妥协：三班倒、交接班、值班表。我们用两百年造出一整套制度，只为了让一件事在夜里也能推进。

　　现在这套制度的前提，松动了。

　　但松动的不只是制度，还有我们对自己的定义。

　　如果价值不再来自“我在场”，那价值来自哪里？如果机器也能给出方案，那我的专业性体现在哪里？如果我不是那个最勤快的人，我是谁？

　　这三个问句背后，藏着一个不那么体面的答案：我们怕的不是被 AI 取代，是 AI 不下班，于是我们也不被允许下班。

　　但方向还是有的，而且只有一个：往深处走。

　　机器可以覆盖所有的广度，因为广度是平行的、可复制的、可以被并行的。但深度不行。深度是串行的，需要一个人真的在意某件事，在意到愿意在没人要求的情况下多看一层。

　　皮查伊省下的那一小时，最后就是这么用掉的。

　　他不是把时间还给了自己，他是把时间还给了“好奇”。

　　这可能是这个时代留给我们这些普通人、还算公平的机会：当所有重复的、在场的、可以被打包的工作都被接管之后，剩下的那部分——你真正想搞清楚的东西——终于有时间搞清楚了。

　　前提是，你还愿意深挖。

　　原文链接：https://mp.weixin.qq.com/s/S0TIuNUMRDx9rqB-67JQnA