你剛聘請了百萬名糟糕的員工

AI 原本應該取代人類勞動。

結果卻恰恰相反。

人類史上第一次，人類比軟體更便宜。

頂尖企業的每位員工平均 Token 花費

而 AI 創造的工作機會比它消滅的還多。

採用 AI 後的員工人數增長

科技向來是解決一個問題，同時創造另一個問題。

1830 年代，鐵路的出現推動了人類史上規模最大的基礎建設。美國的鐵軌里程在十年內暴增了 120 倍。

然後系統崩潰了。

1841 年 10 月 5 日，麻薩諸塞州西部鐵路發生兩列火車致命相撞，原因只是簡單的協調失誤。

隨著鐵路系統日益複雜，單靠列車長已不足以確保行車安全。於是鐵路公司展開長達數十年的努力：為每個區域聘請管理人員、定義組織內的新角色、建立明確的層級並劃分匯報關係。現代管理學就此誕生。鐵路也因此成為全球第一個市值十億美元的產業，巔峰時期佔據股票市場約 60% 的市值。

AI 正在再次打破這個系統。

我們剛給了每位員工——即使是最爛的員工——無限的人力與無限的預算。

管理 AI 比管理人類更難，因為 AI 會瞬間放大失控。幸好，我們可以從歷史中學習：

Agent 勞動力與人類勞動力的失敗方式如出一轍。

了解兩者之間的 7 大共通點，將解鎖下一個兆美元的 AI 價值創造。

Agent 與人類勞動力的 7 大共通點

1. Token 最大化不過是拿人力硬砸問題。

Token 最大化（Tokenmaxxing）的炒作週期不滿一個月就走完了全程。

但花費的 Token 數量從來不是真正的問題。

人們在 Token 上砸那麼多錢，是因為他們根本不知道怎麼用。

大概每 100 個員工裡只有 1 個知道如何給 AI 提供上下文。這種人能清楚表達流程、有耐心去同理一個被污染的上下文視窗、甚至知道那是什麼意思——實屬稀有物種。

把 Agent 工具交給其他 99 個人，他們就會產出「迴圈」。

2. 迴圈就是會議中的會議。

在 Claude Code/Cowork、Copilot、Karpathy 的 Autoresearch 或任何工具中，迴圈只是一種補丁，用來掩蓋幾乎沒有人能成功下提示詞的事實。

迴圈是一種暴力破解，試圖補償人類的不足。Agent 會召喚自己來修正自己，只因為人類從來沒有把任務說清楚。暴力成了系統前進的唯一路徑。這一切都源自人類一開始就沒有真正理解任務。

你在花費 Token 來花費 Token。

3. 浪費的 Token 就是新的員工人數膨脹。

大多數公司目前管理不善。

絕大多數員工對業務沒有實質影響。他們只是機器中的齒輪，在每一層蓋章批准，然後僱用更多齒輪來養活一台為了存在而存在的機器。

他們在迴圈。

通常砍掉迴圈更有效率。Elon 砍掉了 X 公司 80% 的員工，公司反而表現更好。私募股權的營運合夥人靠著套利這個簡單事實維生。

就像 80% 的員工不做事，今天 80% 的 Token 也不做事。

人創造更多人。Token 創造更多 Token。迴圈就是新的帝國建造。

4. 100X Token 就是新的 10X 工程師。

軟體的承諾是：我們一次建好，永遠低成本運行，不需要監督。AI 打破了這個承諾。一旦軟體什麼都能做，它就無法可靠地做好任何一件事。

Token 的行為就像勞動力，一旦你把 Token 看成員工，AI 的承諾就開始動搖：

• 「Token 比人類更準確」——但前提是提示詞要下對。
• 「Token 比人類更快」——但速度在 100 次重試面前毫無意義。
• 「Token 不會玩政治」——但它們會建立 Token 花費的帝國。
• 「Token 不會辭職」——但它們會在新模型版本和新對話之間死去。
• 「Token 值得信任」——但它們會以完美的格式自信地犯錯。

AI 真正勝過人類的地方只有可擴展性。擴展人類需要在招募、入職和離職上消耗大量精力。擴展 Token 則是瞬間完成。這正是管理不善如此昂貴的原因，也是你必須找到並放大 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。

就像少數員工能讓其他人生產力提升 10 倍一樣，對於任何工作，某些 Token 上下文能將 AI 的投入減少幾個數量級。存在一些 Token 能給你 100 倍的槓桿。

平均而言，人類比 Token 便宜，但好的 Token 在大規模下更便宜。

管理的作用就是將一個轉化為另一個。

5. 囤積上下文是新的工作保障手段。

公司內部有一個巨大的 AI 政治問題，而且只會惡化。

員工不希望教會 AI 系統他們的獨門秘方。

他們開始察覺到這些系統不只是為了「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 AI 搞好的員工，竟然因為公司用員工上下文作為訓練數據而憤怒。這還是在一家科技公司…… 這個衝突是即將在所有行業發生的事情的縮影。

https://x.com/Polymarket/status/2061903052966076882

部落知識幾個世紀以來一直是工作保障。中世紀的行會對他們的方法保密。AI 是第一個要求員工一次性交出所有這些知識的技術。

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、結構和政治上，公司都天生排斥對它們未來最重要的技術。

6. 評估（Evals）就是新的 OKR。

管理 Token 勞動力的最佳方法，與管理人類的最佳方法相同：定義什麼是好的。

唯一逃脫政治鬥爭的 AI 用例是程式設計。它擴大了餅，讓每個工程師都變得更強。

其機制就是評估。今天 99% 的 AI 收入來自程式設計，因為程式設計有內建的評估。程式碼能跑就是能跑。

更廣泛、跨領域的 AI 用例只有在有人建立必要的評估時才會上線。具體的評估比教你的員工如何下提示詞或給他們一個對話工具更重要。有了評估，AI 將吞噬程式碼永遠無法觸及的經濟部分。

管理的真正工作是將模糊的人類流程轉化為程式碼，將定性表達為定量。

一家公司的評估套件將成為其最寶貴的資源。

就像 OKR 是撬動人類勞動力達到最佳產出的關鍵一樣，評估將是撬動無限可擴展的 Token 勞動力的關鍵。評估是運行 100X Token 的路徑。

此外，沒有兩家公司會擁有相同的評估集。評估將是競爭優勢的關鍵。一個運行通用評估或通用 Agent 的組織沒有任何優勢。

7. 下一個兆美元機會是轉型公司。

多年來，企業一直在購買基礎模型承諾、應用層和內部開發。這一切掩蓋了一個關於經濟學的殘酷事實：

目前還沒有人能可靠地運行 AI。

矽谷對此失敗如此確信，以至於它最新的痴迷是押注今天的業務失敗。「新創公司」（Neofirms）或「AI 原生服務」新創公司正在獲得資金，目標是搶佔知識經濟中 21 兆美元的服務支出，其理論是，深陷自身政治和流程的現有企業永遠無法管理好轉型。

新創公司或許能提供競爭壓力，催化「傳統公司」（Tradfirm）的 AI 採用。但最大的 AI 資產仍然在現有企業手中：已經運作良好的差異化流程，可以透過已經存在的分銷渠道進行擴展。

事實上，下一批最大的企業不會是吞噬現有服務支出。它們將向現有玩家銷售一種全新的服務類型：

「AI 轉型公司」將比任何新創公司大 10 倍。

轉型聽起來像是一次性項目。但這裡存在一個傑文斯悖論：組織採用的每個用例都會浮現出另外十個。一家公司越 AI 化，它消耗的轉型就越多，而可能性前沿每天都在推進。持續的 AI 轉型努力將成為唯一競爭方式。

想想 Palantir，理論上是軟體中最容易被 Claude 顛覆的公司：一家價值半兆美元、為企業手工打造客製化應用程式的公司。按照讓 SaaS 幾乎無法投資的邏輯，$PLTR 應該在 $NOW 之前歸零。

但它沒有，因為 Palantir 從來不是在賣軟體。它賣的是轉型。

但轉型本身在 Palantir 的時代之後已經演變了。在 AI 優先的世界裡，它不僅僅是本體論、客製化軟體和罕見的專屬提示詞。真正的工作在於評估、在於 Token 最小化、在於如此深入地理解一家業務，以至於你可以將其程式化。

將每家公司的細微差異編碼到 Agent 中，將成為這個十年最大的經濟任務。

是時候管理了。

AI 繁榮的每個階段都有其指導性的陳詞濫調。

我們曾被告訴要在淘金熱中賣鏟子，於是我們建造了基礎設施。我們曾被告訴要賣「服務即軟體」（Service-as-a-Software），於是我們建立了新創公司。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，記錄運作良好的迴圈，並引導那些被大量浪費的智慧。

人類剛剛變得比軟體更便宜。

仍然需要有人告訴他們兩個該做什麼。

感謝 Sam Wolfe、David Oks、@WillManidis 和 @Alex_Danco 的思考。也感謝 @ClaudeAI Fable 5，在太多迴圈中運行，幫助起草本文。