真正会用 AI 的人，不是在聊天
这期深读 Ethan Mollick 对「chatbot 退场、agent 委派上场」的近期观察：AI 越能独立跑长任务，人的价值越前移到问题定义、专业判断和结果验收。文章同时用 OpenAI、Chollet、Karpathy 和 Google Co-Scientist 的信号，解释人机协作的新边界。
AI 的工作方式正在从「你问一句、它答一句」变成「你定义目标、它跑完一段任务」。这不是把 AI 包装成同事，而是把人的位置往前推：更重要的能力不再是把提示词写漂亮，而是知道该让 AI 做什么、做到什么程度算合格、哪里必须停下来由人判断。
Mollick 的新观察：聊天框正在退居二线
Ethan Mollick 在 6 月 30 日的文章里给了一个很直接的判断：AI 能力的提升不只体现在模型发布更快，也体现在它能独立完成更长、更复杂的工作；因此，主要交互形态正在从 chatbot 式的「共同写一段、共同改一步」，转向把一整段任务交给 agent 运行。1
这句话容易被误读成「人要被 agent 替代」。Mollick 真正有价值的部分恰好相反：当 AI 能跑更长任务时，人的价值不是消失，而是从执行层移动到任务定义、质量判断和结果验收。聊天框适合补空白：你不会写一封邮件，就让它起草；你不熟一个概念，就让它解释。长任务 agent 适合处理另一类问题：你已经知道要达成什么结果，只是需要它替你跨工具、跨文件、跨步骤推进。
这也是为什么「能力边界」不能只看模型排行榜。Mollick 提醒，抽象图表会掩盖 frontier 的 jaggedness，也就是同一个系统可能在某些任务上非常强，在另一些任务上突然失手；随着任务变长，设计、风格、判断这类难以基准化的因素会更重要。1 换句话说，边界不只是「模型能不能做」，还包括「人有没有把问题、环境和验收标准说清楚」。
关键不是会不会编码，而是有没有领域判断
Mollick 文中引用的一个细节很值得放大：Claude Code 用户研究发现，软件工程师和其他职业用户在使用 Claude Code 做编码任务时，成功率相近；真正影响结果的不是职业标签，而是用户在对应领域里的经验，经验越足，从每个提示里得到的有效产出越多。1
这对人机协作的含义很清楚：AI 正在降低「把想法变成可运行东西」的门槛，但没有取消「知道什么东西值得做」的门槛。一个法务、运营或研究人员可以借助 agent 写脚本、整理数据、生成工具；但他们能否把结果用对，仍取决于自己是否理解业务约束、风险边界和评价标准。
OpenAI 6 月 25 日发布的 Codex 研究给了同一趋势的内部样本：到 2026 年 5 月，抽样个人用户中有 80.6% 至少发起过一次相当于 30 分钟以上人工工作量的 Codex 请求，70.2% 发起过一次超过 1 小时的请求，25.6% 发起过一次超过 8 小时的请求。OpenAI 还称，Legal、Finance、Recruiting 等非技术部门在 2026 年 4 月前后也转向以 Codex 为主要 AI 工作工具。2
这里的信号不是「人人都要变程序员」，而是很多岗位会被迫学会一种新的管理动作：把模糊目标拆成可执行任务，把执行环境交给 AI，把验收标准留在人手里。过去的协作像请教，现在的协作更像委派；请教考验表达，委派考验判断。
这和「把 agent 当同事」不是一回事
另一条近期海外讨论里，很多人质疑把 AI agent 称为 coworker 或 employee，因为这会模糊责任、权限和审查边界。这里要避开的正是那个陷阱：Mollick 的重点不是给 AI 一个组织身份，而是指出工作接口变了。
如果把 agent 当同事，问题会变成「它是不是像人一样可靠」。如果把 agent 当可调度的长任务系统，问题会变成三件更具体的事：任务能否被清楚定义，过程能否被观察和中断，结果能否被懂行的人验收。前一种说法容易滑向拟人化，后一种说法才适合落到产品设计和组织流程。
所以这条观察的真正锋利处在于：AI 越能独立跑长任务，人越不能只做被动审核员。人的工作会提前到问题设定阶段，也会后移到验收和追责阶段；中间那段原本最耗时的执行，则越来越多交给 agent。
相关速览
- François Chollet 7 月 3 日发帖说，未来工作会更需要高适应性和创造力，重点转向复杂问题 framing，而不是重复执行或单一专业技能。3 这和 Mollick 的判断相互咬合：如果执行成本下降，真正稀缺的是把问题框对。
- Andrej Karpathy 5 月 11 日讨论人和 AI 的输入输出界面：他认为音频更像人偏好的输入，视觉、动画、视频更像 AI 未来更合适的输出；当前值得尝试的是让 LLM 把结果组织成 HTML、幻灯片或交互页面，而不是只停留在纯文本回答。4 这提示了另一个边界：AI 协作不只是模型能力，也取决于界面能不能贴近人的感知方式。
- Google 6 月 9 日介绍 Co-Scientist 时，把它描述为由多个专门 agent 组成的协作系统：先生成假设，再由虚拟 peer reviewer 和 idea tournament 机制筛选，最后把结果交给人类科学家综合。5 这类设计说明，前沿协作正在从「一个万能助手」转向「一组可分工、可争辩、可汇总的流程」。
今天该带走的判断
AI 能力边界正在变得更不直观：短对话里看不出来的能力，可能在长任务和好工具环境里突然出现；排行榜上看起来强的模型，也可能在真实任务的风格、判断和上下文里露出断点。
因此，最值得训练的不是「更会聊天」，而是三种更硬的能力：把问题框清楚，给 agent 足够明确的工作环境，用自己的专业经验验收结果。AI 越像可以被委派的系统，人越需要像一个懂业务、懂风险、懂标准的负责人。
Related content
- Sign in to comment.