# 策展 · X (Twitter) 🔥🔥🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：George Sivulka (@gsivulka) · 平台：X (Twitter) · 日期：2026-07-15

> 原始來源：https://x.com/gsivulka/status/2077070925154161101

## 中文摘要

# 你剛聘請了一百萬個糟糕的員工。

人工智慧本該取代人類勞動力。
但結果卻恰恰相反。

歷史上第一次，人類變得比軟體還要便宜。

![若依目前 14.1% 的月增長率持續發展，前 1% 企業在每位員工身上的年化 AI 支出預計將在 2026 年第四季達到約 22.5 萬美元，超越平均軟體工程師的年薪（19.2 萬美元）。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/4c9a5af51d5694ae.jpg)

<details class="chart-data"><summary>展開數據表</summary><table><thead><tr><th>項目</th><th>數值</th></tr></thead><tbody><tr><td>前1%企業每員工年化AI支出</td><td>Q1 '25 ~$20K · Q2 '26 (Observed) ~$88K · Q4 '26 (At current growth rate) ~$225K</td></tr><tr><td>基準線</td><td>平均美國勞工年薪 ~$98K/yr · 平均軟體工程師年薪 $192K/yr</td></tr></tbody></table></details>

而且人工智慧創造的工作機會比它淘汰的還要多。

![高強度採用 AI 的企業在導入 AI 24 個月後，員工人數顯著成長了 10.2%，而低 AI 支出的企業員工人數則基本持平。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/ed126939c2a75a90.jpg)

<details class="chart-data"><summary>展開數據表</summary><table><thead><tr><th>系列名</th><th>-12 mo</th><th>0 mo (AI adoption)</th><th>+24 mo</th></tr></thead><tbody><tr><td>High-intensity AI adopters</td><td class="rank-bar num bar-w-100"><span class="bar-val">99.8</span></td><td class="rank-bar num bar-w-100"><span class="bar-val">100.0</span></td><td class="rank-bar num bar-w-100"><span class="bar-val">110.2 (+10.2%)</span></td></tr><tr><td>Low AI spend, flat</td><td class="rank-bar num bar-w-100"><span class="bar-val">100.2</span></td><td class="rank-bar num bar-w-100"><span class="bar-val">100.0</span></td><td class="rank-bar num bar-w-90"><span class="bar-val">100.3</span></td></tr></tbody></table></details>

---

科技總是在解決一個問題的同時，又製造出另一個問題。

1830 年代，鐵路的出現推動了全球史上最大規模的基礎建設。美國的鐵路里程在十年內成長了 120 倍。

接著，系統崩潰了。

1841 年 10 月 5 日，麻薩諸塞州的西部鐵路發生了兩列火車致命相撞的事故，原因僅僅是一個簡單的協調疏失。

隨著鐵路複雜度增加，單靠個別的列車長已不足以確保行車安全。於是，鐵路公司開始了長達數十年的努力：為每個地區聘請經理、定義組織內的新職位，並建立明確的層級與匯報關係。現代管理學就此誕生。隨之而來的是，鐵路成為全球第一個價值數十億美元的產業，在巔峰時期約佔股市總值的 60%。

---

人工智慧再次讓系統崩潰了。

我們剛剛給了每一位員工——甚至是表現最差的員工——無限的人力與預算。

管理人工智慧比管理人類更難，因為人工智慧會瞬間擴大功能失調。

聘請人類需要時間，所以糟糕的流程擴散得很慢。但 Agent 會在任何人察覺之前，就透過消耗數百萬個 token 來複製錯誤的指令。不過，可擴展性同時也是一種機會。現在，地球上最優秀的經理人擁有無限的槓桿效應。

幸運的是，我們可以從歷史中學習：

Agent 的勞動力與人類的勞動力在失敗模式上是一樣的。

理解兩者之間的 7 大相似之處，將能解鎖下一個兆美元的人工智慧價值創造。

![這張圖表以幽默的類比方式，將 AI 代理（Agent）的運作概念與人類職場行為進行對應。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/fb6bc3b0263762e7.png)

<details class="chart-data"><summary>展開畫面重點</summary><div class="me-note">圖表標題為「Agent employees = Human employees」（AI 代理員工 = 人類員工），下方列出七項對應關係：
1. Tokenmaxxing = Throwing bodies at the problem（消耗大量 Token = 用人海戰術解決問題）
2. Loops = Meetings about meetings（循環 = 會議中的會議）
3. Wasted tokens = Headcount bloat（浪費 Token = 人員編制臃腫）
4. 100X tokens = 10X engineers（100 倍 Token = 10 倍工程師）
5. Context hoarding = Job security（囤積上下文 = 工作保障）
6. Evals = OKRs（評估 = 目標關鍵成果）
7. Transformation company = The next trillion-dollar company（轉型公司 = 下一家兆美元公司）</div></details>

---

# Agent 與人類勞動力的 7 大相似之處

---

## 1. Tokenmaxxing 就是用「人海戰術」解決問題。

Tokenmaxxing（極致消耗 token）的炒作週期在不到一個月內就走完了全套流程。

但消耗的 token 數量從來都不是真正的問題。

人們之所以在 token 上花這麼多錢，是因為他們根本不知道該如何使用。

或許 100 個員工裡只有 1 個知道如何為人工智慧提供 context。這類人非常稀有，他們能清晰地闡述流程，有耐心去同理一個充滿雜訊的 context window，甚至理解這些意味著什麼。

把 Agent 的 harness 交給另外 99 個人，他們只會製造出「迴圈」（loops）。

---

## 2. 迴圈就是「為了開會而開會」。

無論是在 Claude Code/Cowork、Copilot、Karpathy 的 Autoresearch，還是任何 harness 中，迴圈都只是為了掩蓋「幾乎沒人能成功下達 Prompt」這一事實的創可貼。

迴圈是一種為了彌補人類能力不足而採取的暴力破解嘗試。Agent 之所以會自我呼叫來修復自己，僅僅是因為人類從未將任務定義清楚。暴力破解成了系統進步的唯一途徑。這一切都源於人類在第一時間未能成功理解任務。

你是在花費 token 來消耗 token。

![本圖比較了 Sonnet 4.6、Opus 4.8 與 Fable 5 在「明確定義」與「模糊且包含迴圈」兩種設定下，執行程式碼審查、數據提取及程式碼庫遷移三種任務的預估 API 成本。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/72557f8ce1b98d4d.jpg)

---

## 3. 浪費的 token 是新型態的人力臃腫。

現今大多數公司都管理不善。

絕大多數員工對業務根本沒有實質影響力。他們只是機器裡的齒輪，在每一層審批蓋章，並聘請更多齒輪來維持一台為了存在而存在的機器。

他們正在陷入迴圈。

通常，切斷迴圈會更有效率。Elon Musk 裁掉了 X 公司 80% 的員工，結果公司表現反而更好。私募股權的營運合夥人就是靠套利這個簡單的事實為生。

就像 80% 的員工什麼都沒做一樣，現在 80% 的 token 也什麼都沒做。

人會創造更多的人。Token 會創造更多的 token。陷入迴圈就是新型態的「擴張帝國」。

![示意圖：AI 智能體的運作模式與傳統企業結構驚人地相似，圖中以「90% 的 token 消耗在循環（Loops）、90% 的人力處於管理層，實質產出的實用 token 與實幹者僅佔 10%」作為概念比喻（圖面標註 For illustrative purposes only，非實測統計）。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/efa85c74665ee006.jpg)

<details class="chart-data"><summary>展開數據表（1）The firm</summary><table><thead><tr><th></th><th>角色</th></tr></thead><tbody><tr><td>頂層</td><td>C-Suite</td></tr><tr><td>中層</td><td>Management</td></tr><tr><td>底層</td><td>Doers</td></tr></tbody></table></details><details class="chart-data"><summary>展開數據表（2）The agent session</summary><table><thead><tr><th></th><th>角色</th></tr></thead><tbody><tr><td>頂層</td><td>Prompt</td></tr><tr><td>中層</td><td>Loops</td></tr><tr><td>底層</td><td>Useful tokens</td></tr></tbody></table></details>

---

## 4. 100X token 是新型態的 10X 工程師。

軟體的承諾是：我們只需建構一次，就能以低成本永久執行，且無需監管。人工智慧打破了這個承諾。一旦軟體能做任何事，它就無法預測地完成任何單一任務。

Token 的行為就像勞動力，一旦你將 token 視為員工，人工智慧的承諾就會開始瓦解：

- 「Token 比人類更準確」，但前提是 Prompt 下得正確。

- 「Token 比人類更快」，但在需要重試 100 次的情況下，速度毫無意義。

- 「Token 不會搞政治」，但它們會建立消耗 token 的帝國。

- 「Token 不會離職」，但它們會在模型更新或新會話開始時失效。

- 「Token 可以被信任」，但它們會在完美的格式下自信地出錯。

人工智慧真正勝過人類的地方在於可擴展性。擴展人類需要消耗巨大的能量在招募、入職和人員流失上。而擴展 token 是即時的。這正是為什麼管理不善的代價如此高昂，以及為什麼你必須找到並擴展 100X token 的原因。

10X 工程師打造了上一個時代的公司。100X token 將打造下一個時代。

就像少數員工能讓其他人產生 10 倍生產力一樣，對於任何給定的工作，一定數量的 token context 可以將人工智慧的努力程度降低幾個數量級。存在著能給你帶來 100 倍槓桿效應的 token。

平均而言，人類比 token 便宜，但在大規模應用下，好的 token 更便宜。

管理就是將兩者進行轉換。

![預測至 2028 年上半年，管理良好的 AI 代理成本將降至每小時 4 美元，遠低於美國軟體工程師與一般勞工時薪，而管理不善的 AI 成本則可能飆升至 7,000 美元，兩者差距高達 1,750 倍。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/97c6b14ad142b531.jpg)

<details class="chart-data"><summary>展開數據表</summary><table><thead><tr><th>項目</th><th>數值</th></tr></thead><tbody><tr><td>p90 mismanaged</td><td>H1 '24 ~$400 · H1 '28 $7,000</td></tr><tr><td>median firm</td><td>H1 '24 ~$250 · H1 '28 $80</td></tr><tr><td>p10 well-managed</td><td>H1 '24 ~$130 · H1 '28 $4</td></tr><tr><td>US software engineer</td><td>基準值 $96</td></tr><tr><td>avg US worker</td><td>基準值 $50</td></tr></tbody></table></details>

---

## 5. 囤積 context 是最新的職場保命手段。

企業內部存在一個巨大的人工智慧政治問題，而且只會越來越嚴重。

員工不想把他們的「獨門秘方」教給人工智慧系統。

他們開始意識到，這些系統不僅僅是為了「幫助他們」或「提高生產力」。

看看 Meta，那些持有股票、極度有動力把人工智慧做好的員工，對於公司將員工的 context 作為訓練資料感到憤怒。這還是在一家科技公司……這種衝突是即將在各行各業發生的縮影。

「部落知識」（Tribal knowledge）幾個世紀以來一直是保住工作的手段。中世紀的行會對他們的方法保密。人工智慧是第一個要求員工一次性交出所有知識的技術。

沒有人會免費訓練自己的替代者。

那些掌握 100X token 的人，最沒有動力交出它們。從情感、結構和政治層面來看，企業天生就會排斥對其未來最重要的技術。

---

## 6. Evals 是新型態的 OKR。

管理 token 勞動力的最佳方式，與管理人類的最佳方式相同：定義什麼是「好」。

唯一一個擺脫政治糾葛的人工智慧應用案例是程式撰寫。它擴大了市場規模，並讓每一位工程師變得更強。

其機制就是 Evals（評估）。現今 99% 的人工智慧營收來自程式撰寫，因為程式撰寫有內建的 Evals。程式碼要麼能執行，要麼不能。

更廣泛、跨領域的人工智慧應用案例，只有在有人建立必要的 Evals 時才會上線。具體的 Evals 比教員工下 Prompt 或給他們一個聊天 harness 更重要。有了它們，人工智慧將會吞噬程式碼永遠無法觸及的經濟領域。

管理的真正工作，是將模糊的人類流程轉化為程式碼，將定性表達轉化為定量表達。

一家公司的 Eval 套件將成為其最有價值的資源。

就像 OKR 是利用人類勞動力達到最佳產出的關鍵一樣，Evals 將是利用無限可擴展的 token 勞動力的關鍵。Evals 是運行 100X token 的途徑。

此外，沒有兩家公司會有相同的 Eval 組合。Evals 將是競爭優勢的關鍵。一個運行通用 Evals 或通用 Agent 的組織，毫無競爭力可言。

![圖表顯示 AI 營收佔比與工作可評估性（Evalability）呈高度正相關，其中「軟體工程」因具備自動化測試（Code runs or it doesn't）的極高可評估性，主導了近 60% 的 AI 營收，而成功定義偏向主觀判斷（Judgment call）的領域營收佔比則極低。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/94d6987f184f0724.jpg)

<details class="chart-data"><summary>展開數據表</summary><table><thead><tr><th>項目</th><th>X</th><th>Y</th></tr></thead><tbody><tr><td>- Management &amp; strategy</td><td>極低可評估性</td><td>~1%</td></tr><tr><td>- M&amp;A / deal judgment</td><td>極低可評估性</td><td>~1%</td></tr><tr><td>- Design taste</td><td>極低可評估性</td><td>~1%</td></tr><tr><td>- Medical diagnosis</td><td>低可評估性</td><td>~1%</td></tr><tr><td>- Financial analysis</td><td>中等可評估性</td><td>~3%</td></tr><tr><td>- Research / search</td><td>中等可評估性</td><td>~2%</td></tr><tr><td>- Marketing copy</td><td>中等可評估性</td><td>~2%</td></tr><tr><td>- Legal drafting</td><td>中等可評估性</td><td>~2%</td></tr><tr><td>- Customer support</td><td>中等可評估性</td><td>~3%</td></tr><tr><td>- Legal doc review</td><td>中等可評估性</td><td>~3%</td></tr><tr><td>- Data extraction</td><td>高可評估性</td><td>~5%</td></tr><tr><td>- Software engineering</td><td>極高可評估性</td><td>~60%</td></tr></tbody></table></details>

---

## 7. 下一個兆美元的機會是「轉型公司」。

企業多年來一直在購買基礎模型用量／支出承諾、應用層和內部建構。這一切都掩蓋了一個關於經濟學的殘酷真相：

目前還沒有人能讓人工智慧可靠地運作。

矽谷對這種失敗深信不疑，以至於它最新的執念是押注於對抗當今的商業模式。「新創公司」（Neofirms）或「AI 原生服務」初創公司正獲得資金，試圖從知識經濟中 21 兆美元的服務支出中分一杯羹，其理論是：那些深陷自身政治與流程的傳統企業，永遠無法自行完成轉型。

新創公司或許能提供競爭壓力，催化「傳統企業」採用人工智慧。但最大的人工智慧資產 仍然掌握在傳統企業手中：已經運作的差異化流程，以及透過現有通路進行擴展的能力。

事實上，下一個最大的企業不會是去瓜分現有的服務支出。他們將向現有參與者銷售一種全新的服務：

「人工智慧轉型公司」的規模將會比任何新創公司大上 10 倍。

轉型聽起來像是一次性的專案。但這裡存在著傑文斯悖論（Jevons paradox）：組織採用的每一個用例，都會引發出十個新的用例。一家公司的人工智慧應用程度越高，它消耗的轉型需求就越多，而可能性的邊界也在每日推進。持續的人工智慧轉型工作，將成為競爭的唯一途徑。

看看 Palantir，在紙面上它是軟體領域中最容易被 Claude 顛覆的公司：一家價值五千億美元、為企業手動建構客製化應用程式的企業。按照讓 SaaS 幾乎無法投資的邏輯，$PLTR 在 $NOW 之前應該歸零。

![自 ChatGPT 推出以來，Palantir 作為轉型代表其指數化總價格回報大幅成長，最終錄得 +79% 的回報，顯著優於表現疲軟且最終微幅衰退 2.9% 的 SaaS 籃子工具。](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/cdcdca3dce95b39f.jpg)

<details class="chart-data"><summary>展開數據表</summary><table><thead><tr><th></th><th>起始</th><th>最佳</th><th>結束</th></tr></thead><tbody><tr><td>Palantir (transformation)</td><td>約 100</td><td>約 2700 (Nov '25)</td><td>約 1800 (+79%)</td></tr><tr><td>SaaS basket (tools)</td><td>約 100</td><td>約 200 (Nov '23)</td><td>約 100 (-2.9%)</td></tr></tbody></table></details>

但它並沒有，因為 Palantir 從來不只是在賣軟體。它賣的是轉型。

但轉型本身自 Palantir 的舊時代以來已經進化了。在人工智慧優先的世界裡，它不僅僅是本體論（ontologies）、客製化軟體和罕見的客製化 Prompt。真正的工作在於 Evals、在於 token 的最小化、在於對業務的深刻理解，深到你可以將其程式化。

將每家公司的細微差別編碼進 Agent，將成為未來十年最大的經濟任務。

---

## 是時候進行管理了。

人工智慧繁榮的每個階段都有其指導性的陳腔濫調。

我們被告知在淘金熱中賣十字鎬，於是我們建構了基礎設施。我們被告知要銷售「服務即軟體」，於是我們建構了新創公司。我們已經有足夠的基礎設施。我們已經有足夠的服務。現在的工作是讓火車準時運行。

是時候審視企業了：找到 100X token，記錄有效的迴圈，並引導那些被大規模浪費的智慧。

人類剛剛變得比軟體便宜。

但總得有人告訴他們兩者該做什麼。

---

感謝 Sam Wolfe、David Oks、@WillManidis 和 @Alex_Danco 在此議題上的思考。也感謝運行在過多迴圈上的 @ClaudeAI Fable 5 在撰寫本文時提供的協助。

## 標籤

產業趨勢, AI-native, 其他