编辑 | 姜篇
达龙·阿西莫格鲁：自动化很好。问题在于，我们不能只做自动化。
达龙·阿西莫格鲁：瓶颈不在基础模型，瓶颈在应用。
达龙·阿西莫格鲁：让员工整体提效5%，企业得到的回报会更多。
AI为什么先攻进程序员的工位？
阿西莫格鲁给出的解释很直接：代码比大多数工作更容易检查。
编译是否成功、测试有没有通过、接口返回是否正确，都能迅速给模型反馈。Agent写错以后可以继续修改，直到测试变绿。
客服、医疗和现场维修则不同，里面有大量临时变化、个人差异和业务例外，很难用一个明确结果判断任务是否完成。
所以，编程成了AI最早取得明显进展的职业领域之一。
但从“Agent会写代码”跳到“公司可以少招程序员”，中间还缺了一大段。代码通过测试，不代表旧数据能够顺利迁移。
阿西莫格鲁担心的正是企业把这两件事混在一起：看到AI能完成一部分任务，就急着把它换算成可以裁掉多少人。
备注：达龙·阿西莫格鲁是麻省理工学院经济学家、2024年诺贝尔经济学奖得主。他在Silicon Valley Girl（硅谷女孩）的访谈中谈到了AI编程、企业裁员和下一批应用机会。
他并不反对自动化，重复任务当然可以交给Agent。
问题是，如果企业只拿AI替人，开发者做得越快，裁员的算盘也会打得越快，而那些更大的生产率机会反而没人开发。
以下为访谈内容，我们进行了翻译与整理。
AI发展的目的，不该只是少雇几个人
主持人提到，她在社交媒体上看到不少创业者说：“我没有招人，而是部署了一个Agent。”
阿西莫格鲁先把自己的立场表面。
达龙·阿西莫格鲁：“I am not against automation, nor do I think it's possible to stop automation. We want automation.”
达龙·阿西莫格鲁：我不反对自动化，也不认为自动化能够被阻止。我们需要自动化。
达龙·阿西莫格鲁：“The problem is if the only thing we do is automation.”
达龙·阿西莫格鲁：问题在于，如果我们只做自动化。
阿西莫格鲁明确表示，他支持自动化，但反对把自动化当成AI唯一的用途
企业把一项任务自动化，通常会立刻看到成本下降。
可软件真正进入组织后，还有接入旧系统、处理异常、培训员工、复核结果和承担事故的成本。模型跑通一次演示，离公司稳定少雇一个人，中间还隔着很长一段工程。
客服就是他反复提到的例子。企业省下5分钟人工，却可能让用户多等20分钟。公司报表里的效率提高了，用户的时间却被挪到了报表之外。
达龙·阿西莫格鲁：“It's like a nightmare when I call customer service and I get AI.”
达龙·阿西莫格鲁：我打客服电话遇到AI时，简直像一场噩梦。
问题不只是模型不够聪明。客服请求会变化，同一句话有很多种说法，还夹着情绪、历史记录和例外情况。这类工作没有一个简单的“测试通过”，也就很难像代码一样快速训练和验收。
编程最先被AI攻下来，因为结果太容易检查
阿西莫格鲁承认，AI在编程上的进展比很多职业都快。
达龙·阿西莫格鲁：“I think the advances in coding have been really, really rapid.”
达龙·阿西莫格鲁：AI在编程上的进展，确实非常快。
阿西莫格鲁解释，编程是AI进展最快的职业任务之一
他给出的原因很朴素：编程发生在电脑里，负责监督它的人本来就熟悉技术；更重要的是，代码有相对清楚的反馈。
达龙·阿西莫格鲁：“Just like math, just like chess, coding has rules. Something either runs or doesn't run.”
达龙·阿西莫格鲁：代码和数学、棋类相似，都有规则。一段程序要么能运行，要么不能运行。
这句话也解释了为什么Agent先在开发团队里站稳脚跟。
编译器、类型检查、单元测试、集成测试和性能指标，都能给模型快速反馈。写错了，它可以继续改；测试变绿，至少说明一部分目标已经达到。
但“能运行”只是软件工程里最低的一层。
订单服务通过测试，不代表旧数据能平滑迁移；一个修复没有报错，也不代表它不会在高并发下重复扣款。Agent越能写，开发者越要补齐业务约束、失败信号和回滚路径。
编程最先被自动化，并不等于程序员最先变得没有价值。它更像是在提醒团队：容易检查的实现正在变便宜，难检查的系统责任正在变贵。
100名员工提效5%，比裁掉5个人更划算
面对只看利润的老板，阿西莫格鲁没有谈情怀。他直接算了一笔账。
达龙·阿西莫格鲁：“Your workers are your greatest asset. Imagine making them more productive. That's fantastic for the business.”
达龙·阿西莫格鲁：员工是企业最重要的资产。想象一下，如果能让他们提高生产率，这对企业会非常有利。
假设公司有100名员工。方案A是自动化5%的岗位，并把这5个岗位的成本砍掉一半；方案B是让100名员工整体提效5%。
按最简单的线性计算，前者相当于省下2.5个岗位的成本，后者相当于多出5个人的产出能力。
阿西莫格鲁认为，让100名员工整体提效5%，通常比只自动化5%的岗位更有回报
按阿西莫格鲁访谈中的100名员工案例进行最简线性示意，未计工资差异、实施成本和质量变化
一个自动修Bug的Agent，如果目标只是少配两名工程师，团队会盯着关闭了多少工单。若目标是让现有工程师处理以前排不进去的问题，指标会变成平均恢复时间、回归率、人工复核时间，以及上线后有没有再次出事故。
同一个Agent，因为企业算账的方法不同，会被做成两种完全不同的产品。
达龙·阿西莫格鲁：“They didn't just cut costs. They imagined new markets, new technologies, new tasks.”
达龙·阿西莫格鲁：那些被人记住的公司，并不只是削减成本。它们创造了新市场、新技术和新任务。
省下5%的成本能让一个季度的数字好看，却很难成为长期优势。员工掌握的客户习惯、历史数据和现场经验，如果能被AI放大，才可能变成别人不容易复制的产品能力。
模型已经够用了，真正缺的是应用
谈到AI为什么还没有带来预期中的生产率增长，阿西莫格鲁只给了一个词：应用。
达龙·阿西莫格鲁：“I would have just one word for my vision of how we can improve the economic effects of AI: applications.”
达龙·阿西莫格鲁：如果只用一个词概括怎样提高AI的经济效果，那就是应用。
阿西莫格鲁认为，AI产生经济价值的关键已经转向实际应用
他的判断很尖锐：硅谷把太多工程人才和资本放在基础模型上，却没有投入同样多的力量，把模型接进医院、学校、工厂和维修现场。
达龙·阿西莫格鲁：“Existing models are already very capable as a foundation upon which to build applications.”
达龙·阿西莫格鲁：现有模型已经足够强，可以作为搭建应用的基础。
阿西莫格鲁表示，很多应用不必等待下一代基础模型
他举了护士、教师和电工的例子。护士面对的是质量控制和信息不完整；电工到了陌生设备前，可能因为没有见过型号而无法处理；工厂则需要把机器人、模型和生产线一点点磨合起来。
这些问题不需要一个会解所有难题的AGI。
它们需要产品把说明书、传感器数据、历史维修记录和现场流程接起来，再把答案交给正在干活的人。
达龙·阿西莫格鲁：“The bottleneck isn't the foundation model. The bottleneck is the application.”
达龙·阿西莫格鲁：瓶颈不在基础模型，瓶颈在应用。
达龙·阿西莫格鲁：“Even last year's models would have been good enough for most of the things that we could do.”
达龙·阿西莫格鲁：我们能做的很多事情，甚至用去年的模型也已经够了。
阿西莫格鲁认为，许多行业缺的不是更大的模型，而是能嵌入工作现场的应用
对开发者来说，这个判断很现实。下一次选型未必还要先问“哪个模型跑分最高”，而要先问：业务数据在哪里，谁来确认答案，工具能否接进现有系统，错误发生后怎样退出。
好应用不是坐在办公室里想出来的
阿西莫格鲁把高质量数据和垂直应用看作更可能形成商业优势的地方。原因很简单：开源模型会追上，通用能力会降价，现场知识却很难从网上直接下载。
达龙·阿西莫格鲁：“I think the money is in high-quality data and in applications. That's where I see the edge.”
达龙·阿西莫格鲁：我认为，真正的商业机会在高质量数据和应用里，优势也会出现在这里。
一线员工知道哪些报警可以忽略，哪种噪声意味着设备快坏了，客户说“退款没到账”时应该先查哪一条链路。这些知识往往没写进SOP，却决定一个AI工具到底能不能用。
达龙·阿西莫格鲁：“You can't just sit in your office in front of a computer and have a very powerful AI and come up with an application.”
达龙·阿西莫格鲁：你不能坐在办公室的电脑前，守着一个强大的AI，就凭空做出真正的应用。
达龙·阿西莫格鲁：“You need to go there, get your hands dirty and talk to workers.”
达龙·阿西莫格鲁：你得去现场动手，和一线员工交谈。
阿西莫格鲁认为，构建垂直AI应用需要进入现场，找到一线员工掌握的隐性知识
这也是开发者很容易忽略的一步。把文档塞进向量库，再接一个聊天框，只能证明模型能检索。要让它进入生产，还要跟着用户走一遍完整任务，记录什么信息总是缺失，什么答案无法直接执行，什么操作必须经过人工确认。
模型能力越趋同，谁更懂这段流程，谁就更接近产品壁垒。
把任务交给AI，别把思考也一起外包
阿西莫格鲁自己也用AI。他让模型查背景材料，批评自己的文章和想法，也鼓励学生搭建AI研究环境。但他给这套用法加了一条边界。
达龙·阿西莫格鲁：“Set up an AI infrastructure for their research as support for what they do, never to replace them.”
达龙·阿西莫格鲁：建立AI研究环境来支持人的工作，绝不是取代人。
阿西莫格鲁鼓励学生使用AI辅助研究，但不把思考和写作直接交出去
他甚至仍然坚持自己做数学推导。
达龙·阿西莫格鲁：做计算时，我仍然会亲手完成，因为我能从中学到东西，也能从错误里学到东西。
这并不是要求程序员放弃Agent，回到手敲样板代码。更实际的边界是：重复实现可以交给AI，关键推理不能完全跳过。
如果开发者没有亲自理解一次故障链路，就很难判断Agent改错了哪里；没有写过测试，也很难知道测试绿了究竟证明什么；没有参与上线和回滚，就很容易把“代码生成完成”误当成“任务完成”。
AI可以替你写出一个答案，但工程判断要靠长期参与真实问题才能长出来。
评论区：一边质疑企业的效率账，一边嫌他太保守
评论区里，获赞较多的一条留言接住了客服的例子。企业节省的是自己的5分钟，用户损失的20分钟却没有进入成本表。
YouTube网友质疑，企业节省人工时间却浪费用户时间时，究竟提高了谁的生产率
另一条留言完全不同意阿西莫格鲁。它认为，这位经济学家仍然在用“员工和公司”的旧框架理解AI，实际工作方式早已开始变化。
YouTube网友认为，阿西莫格鲁对AI和组织变化的判断过于保守
这两条评论争的也是同一件事：AI带来的效率，究竟应该从谁的角度计算。
写在最后
阿西莫格鲁没有否认Agent会拿走任务，也没有要求企业停止自动化。他只是把那张最容易做的“裁员账”翻了过来。
对开发者来说，模型越来越强以后，难点会继续往外移。写出功能不再稀缺，把模型接进真实流程、找出隐性规则、留下人工责任，并证明它确实改善了整个系统，才是更难的一段工作。
企业可以用AI少雇几个人，也可以用它让现有的人解决过去解决不了的问题。两种路线都叫AI转型，最后做出来的公司不会一样。
