AI 悖论:更多自动化、更多的人、更多的活——Dan Shipper

Dan 上次「随口」抛的 hot take：大家都低估了 Claude Code，尤其低估用它做非工程工作（「整理文件、给硬盘分类」这类没人想到过的事）。当时没人在谈，一年后 Lenny 说他「准得离谱」（unbelievably right），后来出现了基于此的产品、连 Codex 也往这方向走，Lenny 认为这「也是过去一年 Anthropic 成功的一大要素」；他顺势写的「你们都怎么用 Claude Code 做非工程工作」newsletter 收到海量例子，成了他浏览量第二高的帖子。Dan 不给精确时间表，但赌「我接下来要讲的大部分，一年内就会变得相当明显」、至少「不会显得明显是错的」（not obviously wrong），两人正式约定 2027 年 5 月 回来打分。→ 详细 · → 详细

预测未来「最不该做的就是装神弄鬼地预言」，正确做法是让全公司「一起活在那个未来里」、营造「未来的小口袋」，于是预测只剩两件事：留意正在发生什么 + 把它写下来（「把未来清晰地说出来，会以某种方式把它召唤到现实里」）。团队画像：约 30 人（一年前 15 人，翻倍），全是 AI 早期采用者，覆盖工程、设计、写作、编辑、销售、客服；优势在于 Every 是 AI 圈「定调者」（tastemaker），能拿很多东西的 alpha / beta 权限，发布前就用上、还能「帮忙引导走向」。Claude Code 起源：大概 Sonnet 3.5 / 3.7 做 vibe check 时团队震惊「他们把代码编辑器给干掉了」，此后内部跑着 6 个软件产品，彻底转向「没人再看代码、所有人在终端里用英语跟电脑对话」。Dan 的土办法判据是「伸手测试」（reach test）——早上会不会本能「伸手去拿它」；Lenny 说 Dan 的「完美配方」是把「用最新工具 + 自我觉察什么是新鲜有趣 + 必须去写它」组合起来。→ 详细

Lenny 把全场组织成三类预测：①工作的「方式」（the way we work）怎么变 ②工作的「形态」（shape of the work）怎么变 ③谁会最成功、你现在该做什么。剧透（hint hint）：产品经理和设计师会过得相当不错。Dan 唯一请求是「一年后再来一期、你来打分」。→ 详细

• 这是 Lenny「最喜欢的问题之一」：光看 benchmark（基准测试，给 AI 出标准化题目打分），结论就是「AI 差不多要把我们所有工作都抢走了」。具体证据：METR（一家专测 AI 自主能力的机构）有个 benchmark 衡量「最新模型能自主完成多长时间的任务」，那个让大家特别担心、Anthropic 的大模型预览版（自动字幕识别成「mythos preview」）能「以 50% 的准确率完成需要 17 小时的任务」，而且模型进步「在指数级地往上走」（going up exponentially）。→ 详细
• Dan 不否认这是真的，但他赌一个反直觉的结论：「一年之后我们回头看，会发现其实人类要做的工作反而更多了」——这就是贯穿全场的核心悖论。→ 详细

• 工作方式分化方向一：每个人在公司里至少有一个能对话、能甩活的 agent——「就像我们五年前设想用 AI 工作时所预期的那样」，本质类似 Open Claw（一种 agent harness，即给模型套上工具、记忆、权限的「外壳/框架」）。但架构未定（每人一个？每团队一个？还是只有一个？），会形成一张「平行的、影子般的组织架构图」（parallel shadow org chart）。→ 详细
• Dan 一度「特别迷恋个人 agent」，类比《黄金罗盘》里肩上的精灵（daemon，是你灵魂的一部分）——「agent 某种程度上变成了你自身的小小投影，特别酷」。但他现在彻底反转了（completely flipped），认为现阶段更现实的是「整个公司共用一个超级 agent」，已能看到的例子是 Shopify（叫 River） 和 Ramp。→ 详细
• 反转的根因：Open Claw 炒作很大、Every 一开始全员采用，但大家很快发现「这玩意儿工作量太大、它老是出故障、得不停折腾、还得 SSH 进自己的服务器」，大多数人「至少为了干活而言，就是不愿意、或没法花那个时间」。最底层是反复出现的金句——「一个 AI agent 想在现阶段真正有用，它真的需要有一个在乎它的人」（it really needs a human who cares about it）；一旦有人想「我不想再维护这个破 Open Claw 了」、切断这种私人连接，agent 当场就变得不那么有用。→ 详细
• 当前有效模式：配一个 forward deployed engineer（前置部署工程师）或具备这种画像的人，负责确保那个 agent 能为整个公司运转；它会从顶端开始（先处理全公司每个人都需要的活，比如「数据请求」data requests），再逐渐向下渗透、拆成更专门化的团队级 agent。随着模型越来越擅长独立工作，重心才会「往下移」、更可能出现大量个人 agent，因为到那时「我们就不必再去折腾所有那些内部细节了」。机制一句话：agent 需要在乎它们的人。→ 详细
• Lenny 接了个妙比方：你得像「打理花园」一样去照料（garden）你的 agent，因为「有 context（上下文/背景信息）你得不断给它补」；一旦工作量太大，人就会想「算了不管它了，回去用 Codex」。Dan 答：「完全正确。」这类委派型 agent 主要在 Slack 里（而非个人手机），因为人们有个执念「特别想把个人 agent 和工作 agent 分开」——COO Brandon Gall 把个人那块叫「电脑跑腿」（computer errands，如「帮我下单买菜」），需求「会非常巨大」，但 Every「主要聚焦在工作这一块」。→ 详细 · → 详细

• 工作方式方向二（Dan 说这是「最酷的东西」、他「最兴奋」的一个）：大部分工作会发生在你自己电脑上的 Codex 或 Claude Co-work 环境里，它会变成「完成你所有工作的那种操作系统」——email、你创建的文档，所有这类东西都在这个界面完成。→ 详细
• 范式起源：Anthropic 最先想明白「把一个 agent 放进你电脑、让它在你电脑里跑，它就拥有了你拥有的一切权限」；它用 terminal（命令行终端），所以获得「超级强大的访问能力」，而且 agent「真的很懂怎么用 terminal，因为网上关于 terminal 的内容实在太多了」。在大家还把编程 agent 当「结对编程伙伴」（pair programmer）看时，Anthropic 最早说「不是这样」并做成；此前有 Devin（那种很大的云端环境）、OpenAI 也试过，但「真正引爆采用率的，似乎还是当你把它放进自己电脑里之后」。→ 详细
• OpenAI 路线演变：早期 Codex「非常技术、非常聪明，但有点『轴』（a little bit autistic）——你想表达什么它 get 不到，只会严格照字面去做」。大概三四个月前、发 5.3 前后转向「这个模型很快、特别适合通用知识工作类任务」，推出 Codex 桌面应用。Dan 判断 OpenAI 看着 Anthropic「从 Claude Code 一步步走到 Co-work」，干脆「直接跳到终点」（let's just skip to that）。他坦承「现在 Codex 是我的主力工具（daily driver），基本所有时间都泡在里面」，但强调这是「一场赛马」（horse race）、领先者会换。→ 详细
• 关键魔法：「给 agent 塞一个浏览器」（put a browser in it），而不是反过来「给浏览器塞 AI」——「有很长一段时间我以为 AI 最理想的形态是把 AI 塞进浏览器，但现在正好反过来的事情正在发生，价值大到出乎我意料」。他写文档用自建在线 markdown 编辑器 Proof，给每个项目开一个 Codex 线程让它一直跑着、看着他写：「Codex 能看到我在做什么，我也能看到 Codex 在做什么，全都在一个地方」，感觉「有了一个并肩工作的搭档（parallel work buddy）」，它不仅能在文档里写东西，还能用他的电脑「干任何他能在电脑上干的事」。这种组合现在「很罕见，你甚至没法在 Claude Code 里这么做（它不让你浏览外部网站），但一年后会非常普遍」。→ 详细
• 实战战绩：靠 Codex + 邮件 agent Cora 把所有邮件收集、渲染成一个小页面，他就对着每封邮件「碎碎念」派活——原话「好，去查一下这个；哦，这是律师的一个问题，你能不能把过去四年的所有相关文件都收集起来、整理成一份报告发出去？」结果他已经连续 inbox zero 十天（收件箱清空十天），「认识我的人都知道这有多疯狂，我从来不是这样的人」。→ 详细

• Lenny 一针见血翻译这个「二阶效应」（second-order effect）：与其说「AI 被烤进 SaaS 工具里」（AI baked into SaaS），不如说「SaaS 工具会跑在 Codex 或 Claude Code 里面」。Dan 确认：他用 Proof、PostHog（产品分析工具）这类东西时，都是在 agent 里面用，agent 拥有他的全部权限和整台电脑；而「当我在那个网站上跑 agent 时，用的是我自己的 token，不是厂商的 token、不是那个 app 的 token」——这句很关键，它把成本从软件厂商转移到用户身上。→ 详细
• 这「把 SaaS 重新放回它该在的位置」：厂商要做的是让产品对 agent 友好（提供 CLI、让 HTML 真正好用、确保 CLI 里发生的事立刻显示给用户），但「不必非得把一个 agent 硬塞进自己的产品里」。它还改善了 SaaS 的利润率：拿 Proof 举例「任何人用它，我都不用为 token 付费，因为他们是自带 AI 来用 Proof 的」——所以你现在要「同时为人类和 agent 来构建产品」，利润率改回到「我不太需要再为 token 付费了，因为用户会自带 AI」。→ 详细
• 一个全新闭环：用户遇到问题不再发邮件找客服，而是「他们的 agent 发来一份 bug 报告」，而「agent 写的 bug 报告比人写的好太多了」——它会写清楚「我具体做了什么、确切的复现步骤是什么」，Proof 是开源的它还会说「我觉得代码库里出问题的地方在这儿」。这份报告自动变成一个 GitHub issue，再「直接派一个 agent 去修」。Dan 描述这个「非常快的闭环初现端倪：我撞上一个小麻烦、一个想要的小功能、一个小 bug，我的 agent 就跑去跟那家公司的 agent 对话，然后公司的 agent 就去把它修好」，他觉得「太酷了」。→ 详细

• Cursor 的处境：它看到的东西跟大家差不多、「某些方面做得更好」——Dan 认为 Cursor 的云端实现（cloud implementation）「比 OpenAI 或 Anthropic 的都要好、更先进」。但 Cursor「更明确地选定了一条赛道——做给程序员用的」，这可能限制它的上限（虽然「程序员的定义正在扩大」、市场很大，但它未必跳进「用这个做一份幻灯片」的场景）。一个重磅事实：Cursor「基本上被 SpaceX 收购了——不算完全收购，但很接近」。Dan 还点出行业大趋势：每家模型公司都意识到「光做模型不行，必须在上面套一层 harness」，所以平台都在从「prompt 进、response 出」走向「在云端电脑上把模型跑起来再给你结果」。→ 详细
• 为「人＋agent」协作重做软件需要一整套新东西，因为 agent 跟软件交互的方式很不一样：它「一次能对你的文档/代码库做上亿种改动」（a billion different things），还能「在 3 秒内发出上亿个请求」。所以你需要：审批机制（approval）、一种类似收件箱的东西把「接下来要发生 / 已经发生的全部改动」做汇总、日志（logs）、以及快速回滚（roll back real quick）的能力。这正是「GitHub 现在遇到麻烦的原因——用 GitHub 的『人数』在指数级飙升，其实那大部分是大家的 agent 在用」。反过来软件也能更简单：Proof 不需要 Word 那种排版、分页符、做表格，「因为 agent 直接就帮我做了」。→ 详细
• CLI 时代之争：金句「CLI 时代结束了，我们把它速通了一遍（We speed ran the CLI era）」——但 Dan 立刻澄清，不是说 CLI 会消失（它存在了「三四十年、五十年」、以后也会在），他反对的是「Claude Code 好用的关键就在于它是个 CLI」这种说法。「当你为它做一个真正的 UI 时，你会意识到——我们当初造 GUI（图形界面）是有原因的，待在 GUI 里就是更舒服」。实证：「Every 内部绝大多数技术人员，现在已经不再把 CLI 当主要工作界面了」。→ 详细
• 「两个 agent 比一个好」（two agents are better than one）：Dan 强调自己「绝对不是 agent 极大化主义者（agent maximalist）」。让 Codex 去跟另一个 agent 交互，「能提供关于我、关于我想要什么的、远比我自己打字能给出的多得多的 context」，从而拿到「提速效果」。实例：Every 有个托管版的 Open Claw 产品，本来放等候名单上、甚至得「收押金」，因为「Open Claw 是个非常难做稳的 agent harness，迭代快得离谱，你要是给它做平台的一方，东西一坏你根本修不了」。从中学到的反直觉做法：与其做一个「问你是谁、打算拿它干嘛」的新手引导，不如「划一条硬线：只服务用 Codex / Co-work 的用户」——用户往里一粘 prompt，它就会带着「这是我一直在跟 Dan 一起做的所有事」去跟你的 app 对话，「这就是一种非常定制化的体验」；出问题时直接告诉 Codex「去修好它」即可。→ 详细

• Dan 的反共识断言：「SaaS 末日论很蠢（the SaaS apocalypse is dumb），我现在就会买 SaaS 股票（不构成投资建议）」，他认为「SaaS 末日已经结束了，未来几年 SaaS 股票会大涨」。两条亲身证据：①Every 自己「人手一个 agent、都用 Codex」，可「我们的 SaaS 支出还在逐年上涨（year over year）」；②「我们也不是每个小东西都去 vibe coding」。→ 详细
• 核心论点：agent 做的事是「增加 SaaS 的用户数量，而不是干掉它」（increase the number of users of SaaS, not get rid of it）；会带来「需求量的疯狂飙升（insane spike）」，因为「会有海量的 agent 在以非常高的频率使用这些产品」（这也带来巨大的基础设施和定价挑战）。Lenny 把它提炼成全场最有名的一句——「如果这场对话只留下一句，那就是：Dan Shipper 说，SaaS 才是 AI 的未来（SaaS is the future of AI）」，还开玩笑「#发推」。→ 详细

• 核心论断展开：「自动化是个谎言（Automation is a lie）」——「每当你把一件事自动化，为了确保自动化运转良好，你就需要一个人在上面盯着，确保它跑得对」。这呼应 Dan 几年前写的文章 《配置经济》（the allocation economy）：人类未来跟 AI 协作的方式「会很像当一个管理者」。但他特意点破一个误区——「关于管理者你必须记住一点：大多数管理者并不是躺在沙滩上的（most managers are not on the beach），他们一直在跟员工对接、不停琢磨怎么把事做得更好」；同理，当一个「模型管理者」本质上「仍然需要投入大量的时间和注意力」，「我们在关于模型的讨论里把这一点漏掉了」。漏掉的一个原因是「benchmark 会让 AI 看起来比它实际上更自主（more autonomous than it is）」。→ 详细
• 核心悖论的亲身体感：「我们有这么多自动化、这么多 AI，可我反而工作得多得多（we have so much automation, so much AI, and I also work way more）」；对照之下，Every「一年人数翻倍、还在招工程师」，这「不是大家会从一家如此 AI 先行的公司预期到的」。→ 详细

• 为亲自验证悖论，Dan 做了一个 senior engineer benchmark（资深工程师基准测试），测「AI 跟一个人类工程师比到底有多强」。它的来历很狼狈：他一边运营 Every、一边「随手 vibe coding」把 Proof 搞出来，一上线「因为完全是 vibe coding 出来的，它就开始不停宕机，我修不好，特别尴尬」——「上线第二天，差不多每隔 10 分钟服务器就挂一次」。他跟 Codex 说「修一下」，「一修就又冒出另外四个错误，于是原地打转」。那阵子他根本没睡，「vibe coding 太猛了，胳膊肘都得了滑囊炎（bursitis）」——人生教训「vibe coder 网球肘」。→ 详细
• benchmark 的构造与评分：他找了两位资深工程师各自独立把这套代码库重写，作为参考解（reference solution）。每次新模型出来，他就给一个 prompt：「这是一坨 vibe coding 出来的烂代码。如果让你从第一性原理（first principles）重写，你会怎么写？去做吧。」评分（满分 100）：GPT 5.5 之前的所有模型只拿约 30 分；真人资深工程师拿 80 多分到 90 出头（high 80s, low 90s）；GPT 5.5 拿约 62 分——而且这 60 分是它「用了一份 Opus 4.7 的方案才达到的，Opus 4.7 出的方案非常好」。GPT 5.5 是「唯一一个有那种主动性和自信、敢于直接把旧代码连根拔起、真正从第一性原理重写」的模型，分数一下跳了 30 分。Dan 还坦承一个 benchmark 设计的秘密：「这个 prompt 表面上没什么技巧，但其实我花了挺久才打磨出一个既不泄露答案、又能让模型把真正能力暴露出来的 prompt」。→ 详细
• 其他模型只会「修修补补、在边边角角打补丁」，还会说「这是个大工程，我先打个小补丁吧」，让他无语「我明明专门告诉你别这么干」。Dan 预判一年甚至更短时间内模型就能到资深水平，但撂了句狠话——「等真到了那一天，我会非常轻松地把这个 benchmark 改一改，让现在的模型重新归零（zero out the current model）」。→ 详细

• 这是 Dan 最深刻的论点之一。关键差别在于主动性的框架（framing）：他最初给模型的 prompt 是当初救火用的那个——「昨天我们收到四五个报告的问题，把它们过一遍、做个解决所有问题的计划、然后执行」。而「市面上每一个写代码的模型（他赌一年后还是如此）都会把这条指令当真照办，一头扎进去逐个修」；可一个真正的人类资深工程师会先翻代码库，然后说「这是一坨翔，写这个的人根本不知道自己在干什么（This is a piece of shit. This guy doesn't know what he's doing）」，接着判断「我们恐怕得把很大一部分真正重写一遍，这会很难、也有风险，我知道你不爱听，但必须这么做」——「你去问模型『该不该这么做』，它大概也能想到这一层，但它不会主动去做，而且有很多因素在阻止它这么做」。→ 详细
• 由此得出对 benchmark 进展的根本认识：「benchmark 之所以能涨分，是因为这些问题是我们已经框定好、能清晰表述、能打分的」；而大量人类工作「在你把它写下来之前根本没法被打分」，可「想到去给它提 prompt、把它写下来这个动作本身，是你没法度量的」。所以——「哪怕 benchmark 被刷满了（saturated），也不等于我们彻底替换掉了所有资深工程师」，「就算它真重写了，我们也总还能往上再拔高一层框架去看问题」。这正是「尽管模型在自动化上越来越强，我还是在招工程师」的原因。（Lenny 补了个旁证：数据标注公司正在收购「2021、2022 年之前、AI 还没火起来时由人类写的代码」当作非常有价值的训练数据。）→ 详细

• Dan 特意澄清：他不主张人类手写代码——「我并不是让人类纯手工把代码全写出来，那样有点傻；如果一个工程师不用 AI，我根本不会跟他合作」。他用赛跑比方说清楚：「这就好比，我会让一个人去跟一辆车赛跑吗？我大概不会；但我会让一个人开车去跟另一个人开车比，看谁更强」。他那个 benchmark 里的两位工程师「也用了 AI，只是用法是我做不到的——因为我看不懂、也没时间、老实说也不太想钻进那套代码库」。→ 详细
• 由此得出方法论级论断：「AI 不会自己用自己」（AI doesn't use itself）——「它或许能以某种略带递归（recursive）的方式做到一点，但在任何真实的使用场景里，背后总有一个离它很近的人在确保它正常运作」。所以「AI 对人」的比较，本质上永远是「一个用 AI 的人」对「另一个用 AI 的人」。→ 详细

Lenny 收尾第一大类时列了 4 条行动清单：①越来越多地用 Codex / Claude Code 做手头工作，尤其用里面的浏览器和工具；②让 agent 能像用户一样使用你的 SaaS；③找一个能当公司内部 AI agent 的 Slack bot 去试一试（「Slack 自己也有个 bot，听说挺好用」）；④「赶紧买 SaaS 股票」（不构成投资建议）。Dan 给第②条补了一句：为 agent 建软件会从「我委派任务、agent 用 CLI」演变为「你和 agent 一起用同一个 app」——「agent 大概还是用 CLI，但你用 web 界面，两边需要实时同步」，这是「一个全新的、非常有意思的挑战」。→ 详细 · → 详细

• 第二大类（工作的形态变）的头号现象：「你收到的 pull request（PR，代码合并请求）数量会暴涨（skyrockets）」——「我们这边做咨询的、做运营的、当编辑的人，他们都在提 PR」，意味着「公司里、或你的用户里，有更高比例的人开始去做以前只有技术人员才能做的事」。极端案例：Open Claw 的 Pete「每天能收到上千个 PR，然后他就起 5 万个 Codex 实例（spins up 50,000 Codex instances）去筛，最后 merge 进去差不多一千个」——「真的很疯狂」，而且 Dan 觉得「这种模式会越来越普遍」。→ 详细
• 新瓶颈是连贯性（coherence）：金句「每当你在流程的某个环节加足马力，就会把别的环节搞崩（whenever you add capacity in one part of your process, it breaks things）」。以前「做东西很难，现在很容易」，所以问题不再是「我们能不能做出来」，而是「它跟我们已经做的东西放一起合不合理、怎么保持整体的连贯统一、以及我们该删掉什么」。Dan 在这里点赞 Anthropic：「他们会从 Claude Code 里删掉很多东西，确保它不臃肿（not bloated）」。→ 详细
• 角色混乱：现在「人人都能干所有事——工程师能做设计，PM 能写代码，市场的人也能上线东西」，引发「那我这份工作到底还算啥？我到底负责什么？」的困惑。Dan 认为「这种状况最终会慢慢稳定下来、变得更正常」（「做市场的人还是会做市场，哪怕去碰网站——那现在也只是市场工作的一部分了」），但「如今当一个 generalist（多面手）能走得比以前远得多，对小公司尤其如此」。→ 详细

• 这个岗位「是真成立的」（is for real），逻辑根源就是「每个 agent 都需要一个人」；「你去看那些大模型公司，他们内部跑着这些 agent，背后有一整个团队在运营。我不认为这些团队会消失——模型会越来越强、agent 会越来越强、agent 数量会增长，但还是得有人去管它们」。又一次落到那句感叹——「自动化本来应该消灭工作，结果它好像反而创造了一个、甚至好多个工作」（automation was supposed to take away jobs, but it looks like it just created one or many）。→ 详细
• 典型案例：AI engineer Nitesh（符合 forward deployed 画像）「大部分时间其实是在 Slack 里跟我们的某个 agent 对话」——Every 内部有个 agent 叫 Claudie，「整个咨询业务都是它在跑」；Nitesh 当然也写代码、用 Claude Code，但「很多时候就是在跟它对话，问它『你刚干的这蠢事是为啥？咱把它修一下』」。→ 详细
• 数据科学的新痛点（Lenny 转述一位数据科学家朋友）：以前的活是「做分析、回答问题、看实验是不是正向的」；现在「人人都在做这些、然后把结果发出来」，数据科学家的工作大部分变成了「review 别人做得很糟的数据科学工作」。Dan 的解法：搭一个 data science bot——「至少有一家大模型公司真的有，组织里每个人都能去查询，它接到了数据仓库、知道谁是谁，所以在仓库层面知道谁有权限访问什么」；有专门团队维护它、确保它答对那些基础问题，这样「数据科学团队就不必去回答所有那些破问题」，能去钻「更深、更有创造性的问题」。Dan 还提醒别把这理解成消极的「带娃」（babysitting），而是「一个极其有意思的工程挑战：搭一套系统，让组织里其他所有人都能去做以前属于技术岗的活、又不至于干出蠢事」。→ 详细

Lenny 问「哪个产品技术类岗位从根本上变化最小」（前提：工程师、PM、设计、数据科学都已大变）。Dan 给反直觉答案：表面看 CEO 和投资人用不用 AI「似乎仍很可选」，但「我其实觉得恰恰相反」——金句「你公司在 AI 上能走多远，取决于你的 CEO 在 AI 上走多远，而这不是能委派出去的事」，CEO 现在「大概能蒙混过去」，但早晚变成「糟了，我已经落后一大截了」。两人一致认为销售（sales）变化最小，因为「太非个人化了」（so impersonal）；AI 在 BDR、sourcing、资格筛选这些「漏斗顶端」帮大忙，但「销售这个人本身的工作并没有根本变化」。Lenny 的招聘案例：要招 head of L&D，他把「找一个在 General Assembly 待过、现在又入了 AI 坑的人」敲进 Codex，回来一看找到「完美人选——当过讲师、深度 AI 信徒、还在 Twitter 上 follow 我」，直接 DM 约饭。对比之下 Dan 补一句关键——「而客服则发生了根本性的变化」。→ 详细 · → 详细

• 预测：未来会读到「多得多的、AI 生成的文档和邮件，而且我们会喜欢它」。在写代码这块「其实已经在这么做了——我们会读 plan 文档（计划文档）」，而「我可不想让工程师手写一份 plan 文档，那太蠢了，明显很蠢」。→ 详细
• Notion agent 季度规划案例：2025 年底 Every 做季度规划「全程都用 Notion agent」——先定一个「公司层面的顶层战略」，再让每个人去跟 agent 对话，agent 会问「去年发生了什么、进展如何、你的目标是什么、今年想做什么、你的指标是什么」，还会反驳你（it pushed back），并追问「这跟公司整体的想法怎么对得上」。最后 Dan 拿到「一份份质量好得惊人的、AI 生成的战略报告」，他就能进去看「哪些团队之间需要沟通、但他们自己还没意识到需要沟通」，「让处理起来容易太多了」。→ 详细
• 区分「水货」（slop，粗制滥造的 AI 内容）的判据：「他们生成它所花的时间，比我读它所花的时间还短，而且他们对里面的每一行字并不负责（it took them less time to make it than it takes me to read it, and they don't stand behind every line）」。Dan 的规则——「你给我发一份 AI 生成的文档，我觉得很好；但如果我们一聊起来，明显你根本不知道里面写了啥，那就是大忌，绝对不允许」。他还点出门槛其实很低：「大多数人本来就写不好战略文档」。→ 详细
• 邮件实例：Dan「现在大部分邮件都是 GPT-5.5 和 Codex 写的」，他甚至「更希望它注明这是 GPT-5.5 写的」。有一次他让 Codex 给一位投资人发邮件，「Codex 一般会先问我、这次却没问，直接就发了，我压根没看，当时就想『妈呀』」，结果去「已发送」里一翻——「咦，这正是我自己会发的内容」。他的理由：「你大部分邮件其实都挺套路、挺平淡、挺程式化的，我希望由我来想它该说什么，但具体那些句子怎么遣词，通常没那么重要」。而这话是从一个写作者嘴里说出来的——「我极其在意写作，认为人类的写作无比重要」，Every「只发表人类写的、或人类+AI 混合的内容，但一定会标注清楚」，他强调「那种对 AI 写作的反感是很傻的」。（外部内容也一样：Every 发布的 guide 常常是「agent 当合著者、供人类和 agent 同时阅读」的，因为 agent「能在一秒内读一万页」，让你把想法「落地（operationalize）得好得多」。）→ 详细

• 第三大类（谁会赢）的头一个答案：Dan「超级超级看好 PM」。说服他的案例是 Marcus（运营 Every 的写作 app Spiral）：PM 出身，「之前管 Axios 的写作产品、带一个大团队、做到几千万美元的营收和 ARR（年度经常性收入）」；后来「休息了一年、深度入了 AI 坑」，先「把 Cursor 用得特别溜」（后来才用 Claude Code），只是「轻度技术（lightly technical）——知道什么是数据库迁移、看代码大概能看懂」。Dan 直言「一年前我们根本招不到他来干这个活」，但如今写代码模型够好了，他能把自己的技术底子和「尖锐的产品直觉、对写作的直觉、对用户的直觉」配在一起，「出活比团队里几乎所有人都快（ships faster than almost anyone）」，对「每一个用户、每一次对话意味着什么、怎么把它收集成一个关于下一步往哪走的故事」有特别敏锐的眼光；而且他「感觉被解放了，因为不必再组织一整个团队去做这事，自己就能做」。→ 详细
• 全栈设计师（full-stack designers）会成超级强者：他们「太熟悉那种感觉了——我做了一个特别漂亮的交互，结果工程师根本不想实现，或者实现出来跟我设想的不一样」。现在他们「特别被赋能，能自己动手搭东西了」，「我们内部跟他们合作时看到的就是，他们现在直接提 PR、不太需要再交接给别人了（they just make pull requests, don't need to hand it off as much）」。Dan 觉得这对公司运作「太了不起了」，对这些人也是「自己出来创业」的巨大机会，「设计师都是特别有创造力的人，AI 对这类人简直是个超级工具」。→ 详细
• 创造力溢价：vibe coding 做出来「全都长一个样、全是 slop」，「你一眼就能看出来那肯定是 AI 设计的」；而设计师「能做出风格迥异、好看的东西」。Lenny 顺势补了金句——「为了从大家不停产出、不停上线的那堆 slop 里脱颖而出，创造力会越来越值钱」；他还给出一个可证伪的观察：「我会研究就业市场，有趣的是设计师岗位已经好一阵子没增长了」，正好可以拿来验证这个预测（「看大家有没有在招更多设计师」）。→ 详细

• 结论：「总体上看，所谓 AI 引发的就业末日其实根本不存在」。Dan 承认「确实看到一些公司开始重组」，但「说实话，很多重组你可以说是因为 AI，但其实更像是当初招人招多了、公司业绩又不太行、本来就该裁，而 AI 正好是个好借口」；至于「某些 AI 公司 CEO 嘴里那种大规模失业的说法，我觉得不会发生」。→ 详细
• 机制（全场的理论内核）：模型的本质是「把昨天的人类能力变得很便宜」——「它们把已经发生过的所有数据吃进去，让你能极其廉价地把那种能力部署到任何场景」。于是这成了「每个人都拥有的新能力，被超快采纳，一下子到处都是：突然人人都能做落地页，新落地页满天飞；突然人人都能写作，slop 推文满天飞」。但关键转折：「正因为这些全都出自这些模型、大家用的基本是同一批模型，你要是用最默认、最基础的方式来用，做出来的东西全都长一个样，于是它被商品化、不再值钱」。而人类会「钻进去说：我们手里有这一整套昨天冻结下来的人类能力，那我怎么用它做出点新的、有意思的东西？」——「从结构上讲，由于模型的工作方式、由于模型公司有财务动力把模型做得顺从、对齐（compliant and aligned），它们在结构上永远会落后于那些拿模型去创造新专长、针对自己非常具体的情况做前所未有之事的人」。→ 详细
• 工程师例子把这讲透：「突然人人都是工程师了，但这不意味着我们就把工程师裁了——对工程师的需求反而大得多，因为你需要工程师来搞清楚：好，这些全是 slop，那这玩意儿到底该怎么进我们的代码库？」Dan 说这正是「benchmark 上涨所没法真正捕捉到的东西，而且感觉是个要花很长时间才会改变的事」。→ 详细

• Lenny 提醒这个「就业末日不存在」的结论「可能几乎太让人安心了，因为你将来要想保住工作，很可能还是得改变做事方式」，于是问「要不被裁掉，得做哪几件事」。Dan 的答案只有一句——「你唯一要做的，就是骑在模型上往前走（the only thing you need to do is ride the models）」：不管你干的是什么，都拿它们来用（如把 Codex/Co-work 当工作的标准操作系统），并且「每当新模型出来时都去试、去琢磨它们的新能力」，而不是「因为它让你害怕就想着无视它」——「说实话，那种害怕是理性的、是合理的反应」，但「你要是骑在它们上面，它们就会以一种不把你甩在身后的方式拓展你的能力」。→ 详细
• 「翻石头」（turn the rock over）方法论：「用新模型我最喜欢做的事就是玩。有些事我知道它现在还做不到，但每当新模型出来，我总会再把那块石头翻过来看看：现在能做到了吗」——他那个资深工程师 benchmark 就是这么从「过不了」翻到「100 分里拿 60 分」的。关键「不是某一个具体的招（因为模型一直在变），而是保持好奇和爱玩，把新模型用到你在意的任何事上，然后不停翻石头」。一个现实障碍：「很多公司其实把员工的手脚都捆住了」（不一定能用上最新模型），「所以也许你得在自己的业余时间干」。→ 详细
• 反共识地理学：「AI 的前沿不在旧金山」——「大家都以为 AI 的前沿在旧金山，但我不这么觉得；前沿在任何 AI 遇上一个真实的人去做真实事情的地方（wherever AI meets a real human doing something）」。因为「旧金山那帮人在造它，但他们其实并不太懂怎么用，他们需要看别人怎么用」，所以每当新模型出来，普通用户「都有机会成为全世界最早一批发现它能派上什么用场的人，这就像一次全新的发现」；Dan 说正因如此，「我们在布鲁克林，但我真心觉得我们其实远远走在旧金山那帮人前面，因为我们什么都拿它来用」。→ 详细
• 「智能便宜到不值得计量」（intelligence too cheap to meter）：Dan 庆幸 AI 诞生在硅谷文化里——「如果当年是 IBM 发明了 AI，它绝不会是现在这样——会贵得离谱、只有顶级公司用得起，而且他们会用最古怪、最无趣的方式去用」。现在的现实是「不管你钱多钱少，都能在它一发布就立刻用上」（当然「它不是免费的，所以你得有点钱」；「也许唯一有优势的就是在 OpenAI 或 Anthropic 工作的人」）。Lenny 补充：这套文化「还顺带造就了史上增长最快、史上最大的公司」。→ 详细

Lenny 拉远来看，发现这事像「一枚硬币的两面」：一面「其实没那么多东西在变——SaaS 还在、工作没消失、我们还在互相发邮件、还在 Slack 里干活」；另一面「每个角色都被重塑了——工程师不写代码、PM 不写 PRD、设计师也是」。Dan 完全认同这种双重感受。他用「地平线」比喻收束：我们对未来的直觉「就像中世纪的人对地平线尽头会发生什么的那种直觉——那边有龙吗？是会掉进虚无吗？」，而实际你真走到那儿一看，会发现「有些挺酷的东西、有些不那么酷的东西，然后它就只是又一道地平线而已」；所以在亲眼看见前「很重要的一点是别让脑子脱缰」，真相在某处是「一切都变了」和「什么都没变」同时成立。Dan 顺带批评 AI 公司「特别擅长拿未来可能发生的事来吓唬我们」，但他觉得这套「吓人的 PR 策略」「正在转变」，而且「这套策略既没效果，我觉得也是错的」。→ 详细

收尾的行动建议：「骑在模型上」；把你「所有的工作流都拿到 Codex 或 Co-work 里试一遍」；公司不让就在业余时间试这些 agent 类产品——给技术的人推荐 Open Claw / Hermes，给不那么技术的人推荐 Victor，Every 自己也有「1+1」之类。最关键的一句心态建议——「去找乐子」（try to have fun）：「我觉得现在有太多人是出于 FOMO（错失恐惧——怕丢工作、怕错过大风口）在做这件事，而真正想搞清楚 AI 能干出哪些有意思又有用的事，最好的办法就是去做点让你享受的事」。他引用前嘉宾 Nikhil Singhal 的说法——「你得找到你跟 AI 在一起的那个快乐时刻（your moment of joy with AI）」，一旦找到那种「哇，我简直不敢相信 AI 帮我做出了这个，太牛了，我要继续接着搭东西」的感觉就对了。Lenny 补充具体做法：「在你的生活或工作里找一个真实问题，去 Lovable、Claude Code、Replit 试着把那东西搭出来」。→ 详细 · → 详细

Lenny 问了五个固定问题。

• 最常推荐的书：① Annie Dillard《The Writing Life》——Every 每人入职都会拿到一本、必须读，但「你只需要读最后一章」，因为最后一章「正好处在写作、技术和未来的交叉点上……就像把 Every 的一切都浓缩进了一个非常紧凑的章节里」；② 丘吉尔的二战史——「我学到一件我之前不知道的事，丘吉尔其实是个很好的作家」，这部书是「历史和回忆录的结合体，因为他人就在现场」，他「刚读完第一卷，正在读第二卷，纳粹刚入侵法国」；③《The Rigor of Angels》——一部观念史，把海森堡（测不准原理）、博尔赫斯（阿根廷小说家，「现在因为跟 AI 关系密切而开始大火」）、康德联系在一起，「简直炸裂，跟 AI 有很多有意思的交叠」。Lenny 补充自己「现在着迷的是《The Power Broker》」。→ 详细
• 最近喜欢的影视：今年成了 Knicks（尼克斯）球迷；强烈推荐迷你纪录剧集 《The Dark Wizard》——讲 Dean Potter，「他算是 Alex Honnold 成为 Alex Honnold 之前的 Alex Honnold」，「什么都徒手攀岩，又穿着翼装做 BASE 跳伞」；以及《100 Foot Wave》（讲大浪冲浪手，「让他想起创业者」）。→ 详细
• 最近喜欢的产品：Codex，「它简直是最好的，是真的好，真的好」。→ 详细
• 最喜欢的人生格言：① 大学时给自己写的核心一句——「做值得被书写的事，写值得被阅读的东西（do things worth writing about and write things worth reading）」；② Rob Brezsny（在「AI 和冥想交叠」的圈子里很受欢迎、已去世）的一句话——应对难事时要「从一个开阔且有力量（spaciousness and strength）的位置去面对它」，而不是一味 David Goggins 式的「硬上、豁出去」。Dan 的用法：「我特别害怕 AI 会怎么改变我的工作，这时候特别有帮助的是问自己——我是不是从一个开阔且有力量的视角在面对这件事？如果不是，能不能让自己到达那个状态？」→ 详细
• 最被低估的 AI 工具：还是 Codex——「我其实不太想这么说，但又不得不说」。他在 Anthropic 的大会上当面跟 Claude Code 团队的 Boris 和 Kat 说「你们一定得试试 Codex」，尤其配 Anthropic 的浏览器去「处理邮件、查数据分析」，「它彻底改变了我的工作方式」。→ 详细
• Anthropic 能追上吗：Dan 认为「能」，这会是「一场拉锯战（horse race），不同时间段会有不同的人领先」，但「现在 OpenAI 确实又拿回了一点『天命』（mandate of heaven）」（之前「大概有六个月左右挺艰难的，但现在又支棱起来了」）。他主动澄清没收 OpenAI 的钱——「我就是单纯聊我喜欢的东西；当年我对 Claude Code 也是疯狂安利」，而且「针对不同场景两个一起用价值很大，我是真的现在还经常用 Claude」，哪家更好他也会换过去。→ 详细

• Dan Shipper：X / Twitter @Dan Shipper（拼写 s-h-i-p-p-e-r）；订阅 Every：every.to（every.to/subscribe）。
• 他对听众的唯一请求：「尽情享受 AI 吧。说真的，它超级好玩。当大家都真正上手去玩、一起摸索，而不是停留在争论上的时候，一切都会变得更好。所以你能做的最有用的事，就是去找到把它用好的方法、融入到自己的生活里，然后分享出去。」→ 详细