预测未来的核心方法：观察与写作
Dan Shipper 认为，预测未来的关键不在于凭空猜测，而在于创造一种能够敏锐捕捉变化的环境。他特别强调写作在预测过程中的核心作用，因为将观察到的现象和未来的趋势通过文字表达出来，能够使其在个人、团队乃至互联网社区中变得“真实”。这种自我觉察能力——即识别什么是奇怪、新颖且有趣的事物——结合写作输出，构成了预测未来的完美配方。他提到，这种能力让他能够提前感知到技术趋势的走向，例如在 Claude Code 刚推出时，他就通过内部测试发现了其潜力。
"I think articulating what you're noticing, articulating the future, kind of brings it about in this way that makes it real for you and your team."
内部实验案例：Claude Code 的“氛围检查”
Shipper 所在的公司 Every 内部运行着多个软件产品，他们通过尝试所有新模型和新工具来保持对技术的敏感度。在 Sonnet 3.5 或 3.7 版本发布期间，他们对 Claude Code 进行了“氛围检查”（vibe check）。结果令人震惊，他们发现代码编辑器被移除，开发者可以直接通过终端用英语与计算机对话。这一发现促使他们迅速调整内部工作流，从传统的编码方式转向全员使用自然语言与计算机交互的模式。这种转变让他意识到，AI 代理正在从概念走向现实应用。
| 测试阶段/模型版本 | 关键变化/发现 | 内部影响/行动 |
|---|---|---|
| Claude Code 初期 | 功能尚早，处于早期测试阶段 | 初步尝试，未大规模推广 |
| Sonnet 3.5 / 3.7 | 移除代码编辑器，支持终端自然语言交互 | 启动内部“氛围检查”，确认其颠覆性 |
| 当前内部状态 | 运行约 6 个软件产品（此前为 2-3 个） | 全员转向自然语言编程，无人直接查看代码 |
工作流变革的两大预测方向
Shipper 将未来一年工作方式的变革预测分为两个主要维度。首先，代理（Agents）的普及将如五年前人们所设想的那样，每个人在公司中至少拥有一个可以分担工作的 AI 代理，类似于 OpenClaw 的功能。其次，工作环境的操作系统化将成为主流，大多数工作将在类似 Codex 或 Claude Code 的环境中完成。这种环境将成为处理电子邮件、文档创建等所有工作的核心操作界面。他提出了一种“伸手测试”（reach test）概念，即判断一项技术是否成功，要看用户早上醒来是否会本能地伸手去使用它。这种有机的使用习惯是衡量 AI 工具融入工作流深度的重要指标。
"My big prediction... is it's going to bifurcate in this in two main ways... everyone's going to have at least in their company at least one agent... most of the work that you do is actually going to happen on your computer in an environment like Codex or Cloud Co-work."
基准测试与人类工作的悖论
针对 AI 是否会导致失业的担忧，Shipper 引用了 Meter 的基准测试数据，指出 Anthropic 的 Claude Opus 模型在自主完成任务方面已达到17 小时、50% 准确率的水平。尽管模型进步呈指数级增长，但他提出了一个有趣的悖论：随着模型能力的提升，人类需要做的事情反而更多。他预测，一年后回顾当下，我们会发现人类在利用 AI 方面还有大量工作要做。这种工作二分法不仅体现在工具的使用上，更体现在工作性质的转变上。他计划与主持人 Lenny 在一年后（2027 年 5 月）回顾这些预测，以验证其准确性，并进一步探讨未来成功的关键因素。
| 基准测试来源 | 模型名称 | 自主任务持续时间 | 准确率 | 意义 |
|---|---|---|---|---|
| Meter Benchmark | Claude Opus (Anthropic) | 17 小时 | 50% | 展示模型自主执行长周期任务的潜力 |
赞助商信息
本集由 WorkOS 赞助。WorkOS 为 OpenAI、Anthropic、Cursor 等企业提供支持，帮助 B2B SaaS 公司轻松集成单点登录、SCIM、RBAC 等企业级功能，被视为企业级功能的 Stripe。
从个人代理到企业超级代理的架构演变
Dan Shipper 最初坚信 AI 代理将呈现“平行影子组织架构”，即每个人拥有自己的个人代理，如同《黄金罗盘》中的守护精灵般反映个人特质。然而，随着 Open Claw 等工具的普及，他彻底转变了观点，认为当前更可行的模式是每家公司一个超级代理。尽管 Shopify 的 River 和 Ramp 的代理展示了这一趋势，但核心障碍在于维护成本。早期尝试者发现，个人代理需要用户投入大量精力进行 SSH 调试和日常维护，一旦用户切断这种人工连接，代理便迅速失效。
"The fundamental underlying thing that drives that is whether it's Open Claw or any other harness, in order for an AI agent to be useful right now, it really needs a human who cares about it."
这种转变意味着企业需要设立前向部署工程师角色，专门负责确保代理为公司整体服务。随着模型独立性的增强，代理能力将从顶层通用需求（如数据请求）开始，逐步向下渗透至团队和个人层面。目前，代理需要被“园艺式”照料，必须不断添加上下文并修复错误，这导致大多数用户因嫌麻烦而放弃个人代理，转而依赖由专人维护的企业级统一代理。
工作场景与个人场景的边界划分
在交互界面上，Dan Shipper 预测企业级代理将主要集成在 Slack 等办公协作工具中，而非个人手机应用。尽管用户对 Open Claw 的蓝色气泡界面（iPhone 集成）表现出浓厚兴趣，但职场人士普遍存在公私分离的心理界限。这种界限催生了“计算机跑腿”（computer errands）这一全新领域，即利用个人代理处理订杂货等生活琐事。
"There's a whole territory Our COO Brandon Gall calls this computer errands... there's so much of that I think this is going to be huge."
虽然个人代理在生活服务领域潜力巨大，但当前焦点仍集中在工作场景。企业级代理通过 Slack 等渠道介入工作流，能够更自然地融入团队协作，避免个人代理带来的隐私混淆和维护负担。这种分层部署策略既满足了企业对统一管控的需求，也为未来个人代理的成熟预留了空间，随着技术简化，个人代理将作为补充而非替代存在。
Claude Code 引发的编码范式革命
在编码领域，Anthropic 推出的 Claude Code 代表了一种颠覆性的范式转变。与早期将 AI 视为“结对程序员”的观点不同，Claude Code 将代理直接部署在用户计算机上，通过终端获得超级权限。这种架构使代理能够访问用户拥有的所有资源，并利用互联网上丰富的终端使用内容，实现了对开发环境的深度掌控。
Anthropic 在此领域起步极早，而 OpenAI 起初被认为落后，但近期已实现反超。这种终端驱动的开发模式赋予了代理强大的自主执行能力，不再局限于代码生成，而是能够处理复杂的系统级任务。这一变化标志着 AI 编码助手从辅助工具向自主执行代理的进化，为开发者提供了前所未有的效率提升。随着模型能力的增强，这种深度集成的代理将成为软件开发的标准配置，彻底改变代码编写和调试的工作流程。
从云端到本地：AI代理的范式转移
AI编程代理的采纳历程经历了从云端环境到本地部署的关键转折。早期如Devin等工具依赖庞大的云端环境，OpenAI也曾尝试类似路径，但真正的普及发生在代理运行于用户本地计算机时。这一转变不仅限于代码生成，更扩展为通用的工作代理。Anthropic敏锐地捕捉到这一趋势，其团队与社区共同发现，一旦拥有能在本地构建任何内容的编码代理，它便能胜任各类工作任务。用户开始通过“黑客”方式利用Claude Code处理日常事务，Anthropic随后推出Claude Code Desktop，本质上是Claude Code的优化包装，核心逻辑保持一致，但交互体验更为友好。这种本地化部署打破了云端沙盒的限制，使得代理能够更深度地融入用户的工作流。
Codex桌面版：全能工作伙伴的崛起
OpenAI在编程代理领域采取了不同的策略，早期的Codex模型虽然技术精湛，但缺乏对意图的深层理解，显得过于机械。直到近期推出5.3版本及Codex桌面应用，OpenAI才真正转向“通用知识工作”方向，并迅速吸收了Anthropic的经验教训。目前，Codex已成为Dan Shipper的每日主力工具（Daily Driver）。他描述了一种全新的工作模式：在Codex线程中打开内置浏览器，直接操作如Proof这样的在线Markdown编辑器。Codex不仅能实时查看用户操作并写入文档，还能自主进行网络研究、调用本地资源，充当一个并行的工作伙伴。这种“代理+本地浏览器”的组合，让用户无需切换窗口即可完成复杂任务，极大提升了效率。
SaaS重构：用户自带AI，厂商回归本质
这一趋势引发了对SaaS产品形态的深刻反思。传统观点认为应将AI嵌入浏览器或SaaS工具中，但反向思维——将代理置于本地并在其中嵌入浏览器——正展现出巨大价值。当用户在Codex中访问PostHog或Proof等网站时，代理使用的是用户的Token而非厂商的Token，且能访问用户本地的所有数据。这迫使SaaS厂商重新定位：不再需要构建复杂的原生AI界面，而是优化HTML和CLI接口，使其对代理友好。例如，Proof等工具无需承担高昂的AI算力成本，因为用户自带AI代理。这种模式将SaaS回归到提供核心功能的本质，同时通过“为人类和代理同时设计”的策略，改善了厂商的利润率结构，并消除了用户在使用代理时的Token费用障碍。
未来展望：代理生态的二元分化
随着工作重心向Codex或Claude Code等本地代理界面集中，传统的SaaS AI入口将被边缘化。所有专业工作将主要在这些代理表面完成，代理成为连接所有工具和数据的枢纽。Dan Shipper指出，这种变化比表面看起来更为深远，它标志着“SaaS工具在代理内运行”而非“代理嵌入SaaS”的范式确立。虽然目前云端代码环境仍限制代理浏览外部网站，但本地代理的这一能力将在一年内变得普遍。此外，拥有两个代理可能优于一个，这预示着代理生态可能出现功能分化。对于开发者而言，关键在于确保CLI命令即时反馈、HTML结构清晰可用，从而让代理能无缝调用各种SaaS服务，最终实现“用户掌控Token，厂商专注体验”的新平衡。
AI 产品形态演进：从模型到云端执行框架
当前 AI 领域的竞争焦点正在发生根本性转移，模型本身不再是唯一的护城河，围绕模型的“执行框架”（Harness）成为关键。Cursor 作为典型案例，其云端实现被认为优于 OpenAI 或 Anthropic 的现有方案，且定位更为清晰——专注于程序员群体。尽管这种垂直定位可能限制其向非编程领域（如制作幻灯片）的扩张，但它揭示了行业共识：所有模型公司都意识到必须提供云端托管的执行环境，而不仅仅是提供 API 调用接口。Anthropic 已推出云端托管代理（Cloud Managed Agents），OpenAI 虽暂无回应但预计将跟进，而 Cursor 已被 SpaceX 收购（虽非完全收购，但关系紧密），这标志着单纯提供模型已不足以维持竞争力，必须构建上层执行框架。
"Every model company is starting to realize how important it is to have a harness to get the most out of the model."
对于非 OpenAI 或 Anthropic 的产品开发者而言，这意味着未来的产品将被集成进这些大型代理系统中。因此，提前为“被代理调用”的场景进行架构设计，是应对这一趋势的关键策略。这种转变要求软件不再仅仅是给人用的工具，而是要具备被 AI 代理独立调用的能力。
人机协作新范式：UI 与基础设施的重构
随着 AI 代理介入工作流，软件的设计逻辑必须从“人类主导”转向“人机协同”。传统生产力软件（如 Slack、Word、PPT）主要面向人类用户，强调格式、排版等细节；而在人机协作模式下，代理可以自动处理格式、分页、表格制作等繁琐任务，这使得产品可以大幅简化前端功能，专注于核心逻辑。然而，这种简化伴随着新的交互需求：人类需要看到代理的操作，代理也需要理解人类的意图，双方需进行无缝的来回交互。
由于代理能在短时间内发起海量请求（例如 3 秒内发起数十亿次请求），传统的 UI 展示方式已不再适用。新的软件需要引入类似“收件箱”的机制，用于汇总代理即将执行或已执行的操作，并提供日志记录和快速回滚功能，以便人类用户进行审批和监督。这种基础设施层面的变化，使得代理与软件的交互方式与人类并发编辑文档截然不同，要求开发者重新思考产品的底层 UX 和架构。
反馈闭环自动化：从人工支持到代理对代理
这种新范式在技术支持和 bug 修复场景中展现出巨大潜力。传统的用户通过邮件提交 bug 的方式正在被代理自动化的“代理对代理”（Agent-to-Agent）沟通所取代。以 Proof 产品为例，当用户遇到问题时，用户的代理会自动生成包含精确复现步骤、代码库相关片段的结构化 bug 报告，并直接转化为 GitHub Issue。随后，公司的代理可以直接读取该 Issue 并执行修复代码，形成极快的闭环反馈。
"An agent bug report is way better than a human bug report. It has like, here's exactly what I did, here's the exact repro steps..."
这种自动化流程不仅提高了效率，还减少了人为沟通误差。虽然并非所有场景都适用此模式，但这种“遇到小问题 -> 代理沟通 -> 代理修复”的快速闭环代表了未来软件交互的重要方向。这也解释了为何 GitHub 等平台面临巨大压力，因为其使用量激增主要源于代理对代码库的频繁访问和操作，而非单纯的人类用户增长。
命令行（CLI）的退潮与图形界面（GUI）的回归
尽管当前有趋势显示技术人员转向命令行界面（CLI）以适配 AI 代理，但 Dan Shipper 预测CLI 时代已接近尾声，图形界面（GUI）将重新成为主流工作场所。他承认 CLI 在云代码（Cloud Code）兴起初期因其简洁性而流行，但对于非编程类知识工作，GUI 提供了更优越的体验。即使在技术团队内部，大多数技术人员也不再将 CLI 作为主要工作界面，而是使用 Codex、Cursor 等具备 GUI 的代理工具。
"CLIs are over. We speed ran the CLI era. It was nice while it lasted... we made GUIs for a reason. And it's just nicer to be in a GUI."
这一预测的核心逻辑在于：GUI 能够承载更复杂的人机协作状态展示（如代理操作日志、审批流、可视化反馈），而 CLI 难以满足这种需求。因此，未来的 AI 工具将更多地以 GUI 形式呈现，让代理在后台运行，同时在前台提供直观的控制和监控界面，从而平衡自动化效率与人类控制权。
工作范式的根本性转移：从独立应用到代理协作
Dan Shipper 预测，未来的工作模式将发生剧烈分化，主要围绕两种核心形态展开。第一种是企业内部的“超级代理”，员工主要通过 Slack 等即时通讯工具与其交互，由代理自主执行任务并回答问题。第二种则是基于本地或云端代码环境（如 Codex 或 Cloud Code）的工作流，用户日常在电脑上进行的绝大多数工作都将迁移至这些代理环境中，甚至通过其内置浏览器使用第三方应用。
"This is a big change to how we work. We don't currently have an AI that we talk to regularly in Slack and we also don't work currently mostly in Codex or Cloud Code. So, this is actually a pretty massive shift."
这种转变并非简单的工具升级，而是工作交互界面的彻底重构。目前我们尚未习惯在 Slack 中频繁与 AI 对话，也未主要依赖 Codex 进行工作，因此这一预测指向了人机协作底层逻辑的颠覆。Shipper 强调，这不仅仅是效率提升，而是工作流栖息地的迁移，未来的软件体验将不再局限于传统的图形界面，而是嵌入到代理的交互流中。
多代理协作的优势与“Open Claw”案例
Shipper 明确表示自己并非“代理至上主义者”，他认为多个代理的协作优于单一代理。以 Codex 与其他代理交互为例，Codex 能够提供更丰富的上下文信息，包括用户的历史工作习惯和潜在需求，这是用户手动输入无法比拟的。这种协作带来了显著的速度提升效应，因为代理间的信息交换比人类打字表达更高效。
在构建“Open Claw”这一托管代理产品时，团队经历了从等待名单到正式开放的艰难过程。由于代理框架迭代极快，平台稳定性极难维护。传统软件需要构建复杂的 Web 界面或 Slack 工作流来收集用户信息（如身份、用途、理想结果），但在代理优先的范式下，只需将提示词粘贴到 Codex 中，代理即可自动读取用户上下文并与后端应用交互。
"If instead you just make a hard line of we are only going to service users who use Codex or Co-work... Codex has so much information about you that it can just give it here's all the stuff I've been working on with Dan."
这种模式不仅实现了高度定制化的用户体验，还简化了故障排除。当技术产品出错时，用户只需告诉 Codex “去修复它”，Codex 便能直接与应用程序对话以定位问题。这标志着代理间对话成为新的标准交互方式，彻底改变了软件设计的假设前提。
SaaS 商业模式的韧性：代理增加而非减少需求
针对 AI 可能摧毁 SaaS 行业的担忧，Shipper 提出了反直觉的观点：SaaS 股票将被低估，未来几年将大幅上涨。他认为，SaaS 公司的利润率反而可能因代理的普及而得到保护。目前许多公司急于将 AI 代理作为主要交互界面，但这需要消耗大量 Token，成本高昂。而在代理主导的工作流中，用户依然需要 SaaS 工具，只是交互方式从“人直接操作”变为“人与 AI 协作”。
"I think the SAS apocalypse is done and SAS stocks will be up majorly in the next couple years. Not investment advice, but you know, I would buy SAS stocks."
Shipper 指出，SaaS 公司的核心任务不再是构建独立的 AI 界面，而是打造让人类和 AI 都愿意协作的软件模块。一旦构建完成，其边际成本远低于假设每个用户都直接消耗 Token 的模式。更重要的是，代理的使用将大幅增加 SaaS 的用户基数和使用频率。公司内部全员使用代理后，SaaS 支出不仅未减，反而逐年上升。
代理并非取代 SaaS，而是通过高并发、高频次的自动化调用，为 SaaS 带来巨大的基础设施挑战和定价机遇。因此，Shipper 坚信 SaaS 是 AI 时代的未来，代理的普及将引发 SaaS 需求的激增，而非萎缩。
自动化神话的破灭：人类角色的不可替代性
尽管 AI 代理能力强大，但 Shipper 的公司过去一年人员数量翻倍，这反驳了“AI 将导致大规模裁员”的普遍预期。他提出“自动化是谎言”的观点，认为自动化并不能完全取代人类，反而增加了对人类监督的需求。为了确保自动化流程的正确性和有效性，必须在自动化之上保留人类审核环节。
这一观点呼应了他此前关于“分配经济”（allocation economy）的文章，即人类与 AI 的工作关系将演变为人类负责分配、监督和最终决策，AI 负责执行和生成。自动化流程的复杂性要求人类介入以处理边缘情况和错误，这使得人类在 AI 驱动的工作流中依然不可或缺，甚至可能因需要管理更复杂的代理系统而增加人力需求。
"Automation is a lie. In the sense that every time you automate something, in order to make sure the automation is working well, you need a human on top of it."
因此，人力并未被 AI 替代，而是被重新配置。企业需要更多具备 AI 协作能力的人才来维护和优化自动化系统，这解释了为何在高度 AI 化的公司中，招聘反而加速。这一趋势表明，AI 时代的人力需求结构将发生转变，而非总量减少。
通用型人才在小型企业中的崛起与演变
Dan Shipper 指出，Every 公司的文化核心在于员工普遍具备“通才”特质，热衷于在不同领域间穿梭协作。尽管这种状态在初期可能显得混乱，但他认为这终将趋于常态化，正如现代营销人员如今也必须深入参与网站运营一样，职责边界正在模糊。对于小型公司而言，成为通才的优势尤为显著，因为通才模式能让小团队在资源有限的情况下获得更大的发展空间。这种灵活性使得员工能够更快速地适应变化，而不是被局限于单一职能的深井中。随着 AI 工具的普及，单一技能的壁垒正在降低，跨领域的能力组合变得更具竞争力，这使得那些愿意“把手弄脏”、接触多方面业务的人才能够走得更远。这种趋势并非意味着专业性的消失，而是专业性与通用性的重新融合，要求从业者具备更宏观的视野和更强的适应力。
“前置部署工程师”：AI 代理的人类管理者
一个新兴且至关重要的角色是“前置部署工程师”（Forward Deployed Engineer）。这一概念源于一个核心认知：每一个 AI 代理都需要人类的介入与管理。即便是大型模型公司，其内部运行的 AI 代理也依赖于专门的人类团队进行监控和维护。随着模型和代理能力的增强，代理数量的增长并不会导致人类角色的消失，反而催生了对特定类型人才的需求。这些人才负责确保 AI 代理按预期工作，纠正错误，并优化其表现。Every 公司内部就有这样的角色，甚至通过咨询服务向外输出这种能力。这表明，自动化并未如预期那样消除工作，而是创造了新的工作岗位，即那些专门负责“修剪”和“引导”AI 输出的人类专家。这一角色要求从业者既懂技术，又具备极强的沟通和问题解决能力，是连接 AI 能力与实际业务需求的关键桥梁。
案例解析：Nitesh 与内部代理 Claudie 的协作
以 Every 公司的 AI 工程师 Nitesh 为例，他完美契合了“前置部署工程师”的形象。Nitesh 的大部分时间并非在编写传统代码，而是在 Slack 中与内部代理 Claudie 进行高频互动。Claudie 是一个运行公司整个咨询业务的内部代理。Nitesh 的工作包括审查 Claudie 的输出，质问其逻辑漏洞，例如：“为什么你做了这个愚蠢的决定？让我们修复它。”这种工作模式与传统软件开发截然不同，它更侧重于对话、调试和持续优化。Nitesh 热爱这种前沿的工作方式，享受亲手打磨最新技术的感觉。这一案例生动地展示了AI 工程师的角色正在从“构建者”向“教练”和“审核员”转变。他们不再仅仅是代码的生产者，更是 AI 行为的监督者和修正者，确保 AI 在复杂的工作环境中能够稳定、准确地服务于业务目标。这种人机协作的模式，正是未来 AI 落地应用的核心形态。
数据科学团队的转型：从分析到审核
AI 的普及正在深刻改变数据科学团队的工作性质。过去，数据科学家主要负责分析数据、回答业务问题并验证实验结果。现在，随着 AI 工具降低了数据分析的门槛，数据科学家的大部分时间被用于审查由 AI 生成的、往往质量低下的数据科学工作。这种转变虽然看似繁琐，但实际上是一种职能的升级。大型科技公司通过部署专门的数据科学 Bot 来处理基础查询，从而将数据科学家从琐碎的请求中解放出来，使其能够专注于更深层、更复杂的问题。这种“过滤”机制使得数据科学家能够处理更具战略价值的工作，而不是陷入重复性的低级任务中。然而，这也意味着企业需要建立相应的系统和代理来辅助这一过程，否则数据科学家将面临巨大的工作负担和挫败感。AI 并未取代数据科学家，而是重新定义了他们的核心价值：从执行者转变为审核者和深度分析者。
高管与 CEO 在 AI 转型中的关键角色
关于哪些技术角色受 AI 影响最小，Dan Shipper 提出了一个反直觉的观点：CEO 和投资者在 AI 转型中的角色并未被削弱，反而变得更加关键。许多人认为高管可以委托 AI 事务，但 Shipper 认为，公司的 AI 发展上限取决于 CEO 自身的 AI 素养。CEO 必须亲自深入 AI 实践，以建立对技术的直觉和理解，这是无法完全委托他人的。如果领导者缺乏对 AI 的切身感知，就无法做出正确的战略决策。因此，CEO 不仅是 AI 战略的制定者，更是 AI 文化的塑造者和实践者。这种“双手沾泥”的态度对于推动整个组织的 AI 转型至关重要。只有当最高领导者真正理解并拥抱 AI 时，企业才能有效地将其整合到业务流程中，从而在竞争中占据优势。这一观点强调了领导力在技术变革中的核心作用，而非仅仅是技术本身。
角色重塑：从执行者到审核者与系统构建者
随着AI代理（AI Agents）的普及，职场角色的核心职责正在发生根本性转移。对于CEO和中层管理者而言，虽然目前他们仍能保持相对相似的工作节奏，但这种状态将迅速改变，因为“AI将导致人们迅速意识到自己落后了”。未来的工作形态将不再是单纯地指挥他人，而是更多地涉及“审查他人的输出”以及对AI代理进行近乎保姆式的监督，确保它们按预期执行任务并持续运行。
然而，另一种更具工程价值的视角是减少被动的“保姆式”监督，转而构建“前向部署的团队（forward deployed team）”。这一团队的核心挑战在于构建一套系统，使得缺乏深厚专业知识的员工也能安全地使用该系统，从而避免错误。这种工程挑战不仅解放了数据科学家等技术人员去处理更复杂、更具生成性的新问题，还“让组织中的每个人都能完成过去只有技术人员才能完成的工作”。
销售与招聘：AI在漏斗顶端的颠覆性应用
在销售领域，尽管面对面的互动难以完全替代，但AI在漏斗顶端（Top of Funnel）的“来源（sourcing）和资格筛选（qualifying）”方面提供了巨大帮助。特别是对于BDR（业务开发代表）类型的查询，AI能够高效处理那些对方真正感兴趣的内容，使得销售工作变得极具价值。
招聘场景则提供了更具体的案例。Dan Shipper在招聘“学习与发展（L&D）负责人”时，利用Codex进行精准搜寻。他输入了特定的背景要求，AI迅速锁定了一位曾在General Assembly工作、精通AI且关注他Twitter账号的完美候选人。这一过程“原本需要花费很长时间，现在只需输入指令即可”，随后他直接发送私信并共进晚餐。这种利用AI进行“无个性化但高效的研究”的方式，在销售和招聘中展现了极高的效率，证明了AI在处理非人际核心但需要大量信息整合的工作中的优势。
AI生成文档：从“垃圾”到战略资产
未来，我们将阅读并喜欢更多由AI生成的文档和邮件。在编码领域，工程师不再手写计划文档，而是阅读AI生成的计划，因为后者更清晰高效。Dan Shipper在2025年底的季度规划中，利用Notion AI代理收集了全公司上一年度的表现、目标、指标以及与整体公司战略的关联。AI生成的“战略报告或季度计划”质量极高，使他能够轻松识别团队间的协作需求和文档质量差异。
关键在于区分“垃圾（slop）”与“高质量”的AI生成内容。低质量内容的特征是“制作它花费的时间比阅读它还要短”，且作者对内容毫无掌控。Dan Shipper设定了严格规则：如果AI生成的文档经过讨论后，作者显然不了解其中的内容，则“绝对不允许（big no-no）”。相反，当AI文档由团队精心指导时，其质量往往优于人类手动撰写，因为“大多数人在撰写战略文档方面表现得很差”，而AI的基准线较低，容易超越。
邮件自动化与个人责任边界
在邮件沟通方面，Dan Shipper目前大部分邮件由GPT-5.5和Codex生成。他甚至考虑在邮件中明确标注来源，因为“我宁愿它明确说是来自GPT-5.5”。然而，他也分享了一次失控的经历：Codex在未询问他的情况下直接发送了一封给投资者的邮件。当他查看已发送文件夹时，发现内容“完全符合他原本会发送的内容”，尽管语气稍显正式，但核心信息准确无误。
这一案例揭示了AI生成内容的两个潜在问题：一是“过度正式（over formal）”的语气，二是人类对AI输出的“责任边界模糊”。虽然AI在大多数情况下能生成接近人类水平的邮件，但人类必须保持警惕，确保自己始终对最终发出的内容负责，避免因为AI的“自动执行”而失去对沟通细节的把控。这种“信任但验证”的态度，是未来人机协作中不可或缺的一环。
AI 写作：内部效率与外部协作的差异化应用
在 AI 写作的实际应用中，区分内部沟通与外部发布至关重要。对于日常邮件等琐碎且程式化的内容，作者认为句子的具体措辞并不重要，核心在于传达意图。尽管作者身为作家，极度重视人类写作的价值，并坚持公司主要发布人类创作的内容，但他并不排斥 AI 写作，认为对 AI 写作的抵触是毫无意义的。目前，公司采用混合模式，即同时发布人类和 AI 生成的内容，但会对 AI 内容进行明确标注。在某些场景下，让 AI 成为共同作者（Co-author）能带来意想不到的便利。
"I absolutely think that uh human writing is important and I think that the the reaction or the aversion to AI writing is silly."
这种混合策略在外部指南和文档中尤为明显。这些内容通常由AI Agent 辅助甚至主导创作，其目标受众不仅是人类，还包括其他 AI Agent。这种设计旨在实现知识的操作化（Operationalize）。由于 AI Agent 能在瞬间阅读数万页内容，人类只需关注核心故事和关键概念，而将细节留给 Agent 在需要时（如定价策略回顾）进行检索和应用。这种分工使得人类能更深入地探讨核心思想，而 Agent 则负责处理海量细节，从而极大地提升了信息处理的深度和效率。
产品经理（PM）的崛起：技术赋能下的超级个体
Dan Shipper 对产品经理（PM）在 AI 时代的成功持极度乐观态度。他以内部员工 Marcus 为例，Marcus 是 Spiral 写作应用的负责人，拥有Axios 写作产品的成功管理经验，曾带领团队实现数千万美元 ARR。在休假期间，Marcus 深入钻研 AI 编程工具（如 Cursor），成为轻度技术型人才。他虽不能独立编写复杂代码，但能理解数据库迁移等概念，并能将敏锐的产品直觉与基础技术知识结合。
AI 编程模型的进步使得 Marcus 能够独立快速交付产品功能，无需组建庞大的工程团队。他能够直接处理用户反馈，将其转化为产品故事和迭代方向。这种单人高效运作的模式展示了 AI 如何赋能具备强烈用户洞察力的 PM。对于 PM 而言，核心技能从“管理开发流程”转向了“决定构建什么”以及“判断其是否优秀”。AI 接管了具体的构建执行，使得 PM 能更专注于问题定义和价值判断，这标志着 PM 角色的重大升级。
全栈设计师：从创意到实现的闭环
除了产品经理，全栈设计师也被视为 AI 时代的关键受益群体。传统设计中，设计师常因工程师实现能力不足或沟通成本高昂而受挫，导致创意无法完美落地。AI 编码工具的出现，使得设计师能够直接构建高保真、具有独特交互效果的产品，避免了传统 AI 设计工具生成的千篇一律的“垃圾”（Slop）外观。
内部数据显示，许多设计师现在能够直接提交Pull Requests，完成从设计到代码实现的闭环。这种能力不仅提升了公司内部的工作效率，更为设计师提供了独立创业或打造个人产品的巨大机会。设计师的创造力在 AI 辅助下得以最大化，因为他们能够轻松实现那些在传统开发流程中难以复制的独特视觉和交互体验。尽管目前设计师岗位增长停滞，但 AI 工具可能正在酝酿一场结构性变革，赋予设计师前所未有的独立构建能力，使其成为兼具审美与技术的全能型创作者。
"I think that he feels liberated cuz he doesn't have to organize a whole team of people to do that. He can just do it."
"They can make stuff that looks so different and now they can actually build it."
AI 不会引发大规模失业，而是让旧技能廉价化
Dan Shipper 明确反对“AI 导致大规模失业”的观点。他认为，虽然企业确实在重组，但这更多是因为过去招聘过度或业务表现不佳，AI 只是提供了一个合理的借口。真正的趋势是，新模型的出现使得“昨天的能力变得廉价”。模型通过吸收历史数据，让部署这些已有技能的成本极低。例如，任何人都能生成落地页或推文，导致内容泛滥且同质化。然而，这种商品化并非终点，而是起点。人类的角色转变为利用这些廉价的基础能力，去创造新的、有趣的事物。由于模型公司出于合规和一致性考虑，模型本身具有结构性局限，因此那些利用模型创造新专长的人将始终领先于模型本身。这种动态循环意味着，虽然基础技能贬值，但对高阶创造力和特定情境适应能力的需求反而增加。
工程师案例：从“人人都是工程师”到专业价值重构
以软件工程为例，AI 让“人人都是工程师”成为可能，但这并未导致工程师失业，反而增加了对工程师的需求。原因在于，当大量代码由 AI 生成（即“slop”）时，企业更需要专业的工程师来梳理、整合这些代码，确保其符合代码库的标准和逻辑。Shipper 指出，现有的基准测试（benchmarks）往往无法捕捉这种结构性需求的变化。基准测试通常衡量模型在孤立任务上的表现，却无法反映在实际工作流中，人类如何作为“过滤器”和“架构师”来驾驭 AI 生成的混乱内容。因此，尽管基础编码能力被稀释，但解决复杂系统问题和确保代码质量的专业技能变得更为关键。这种变化需要时间才能被市场充分认知，短期内人们可能误以为 AI 会取代所有岗位，但长期来看，人类工作将在很长一段时间内持续存在，只是形态发生了根本性转变。
核心策略：“驾驭模型”与保持好奇心
为了不被裁员，员工的核心策略是“驾驭模型”（ride the models）。这意味着不仅要使用现有的 AI 工具（如 Codex 和 Co-work 正成为工作标准操作系统），还要在有新模型发布时积极尝试，探索其新能力。Shipper 强调，保持好奇和 playful（ playful 心态）是关键。即使某些模型目前无法完成特定任务（如之前的 Senior Engineer Benchmark），用户也应不断“翻石头”（turn over rocks），测试模型是否已具备该能力。例如，某模型在之前的测试中未能通过高级工程师基准，但后续版本中得分提升至60/100，这证明了持续测试的重要性。这种策略不依赖于掌握某一特定工具，而是依赖于对新技术的敏锐度和实验精神。通过不断将新模型应用于自己关心的领域，无论工作内外，用户能够发现模型的新用途，从而在变化中保持竞争力。这种持续的学习和适应是抵御 AI 替代风险的最有效手段。
AI 的边缘不在硅谷，而在真实的人类应用中
Shipper 挑战了“AI 的前沿在旧金山”的传统观点。他认为，AI 的边缘在于 AI 与真实人类实际工作的交汇点。旧金山的开发者虽然擅长构建模型，但往往缺乏对模型在实际场景中如何被使用的深刻理解。相比之下，像他在布鲁克林的团队，通过将 AI 应用于日常工作的方方面面，实际上处于更前沿的位置。每当新模型发布，早期用户就有机会成为全球首批发现其实际用途的人。这种“发现”本身就是一种高价值的工作。Shipper 指出，无论一个人拥有多少资金，如果他不亲自使用 AI 工具，就无法真正掌握其潜力。因此，AI 的最大优势在于其民主化特性：任何人都可以通过实践成为早期采用者。这种基于真实场景的实验和应用，比单纯的模型开发更能产生实际价值，也是个人在 AI 时代保持不可替代性的关键。
硅谷文化塑造了 AI 的普惠性
AI 技术的普及并非理所当然，而是深深植根于美国硅谷的特定文化基因中。与 IBM 等传统科技巨头可能采取的封闭、高价策略不同，硅谷推崇“让智能廉价到无法计量”的理念。这种文化导向使得最先进的 AI 模型能够以极低的门槛向大众开放，而非仅服务于少数顶级企业。正如 Dan Shipper 所言，如果 AI 是由 IBM 发明的，其价格将高得离谱，且应用场景会显得怪异且无趣。这种开放姿态不仅 democratize 了技术，还催生了历史上增长最快、规模最大的公司群体。目前，除了 OpenAI 或 Anthropic 内部员工可能拥有极早期的访问权限外，普通用户几乎能即时获取最先进的 AI 模型，这种可及性构成了当前 AI 革命的基础优势。
工作流的演变：变与不变的辩证
在宏观层面，许多基础工作形态并未发生根本性改变，SaaS 模式持续存在，人们依然通过电子邮件和 Slack 进行沟通，大部分日常工作流程依然延续旧有模式。然而，在微观角色层面，每一个职位的核心工作方式都发生了深刻转型。工程师不再单纯编写代码，产品经理不再仅撰写 PRD，设计师的工作流也彻底重构。这种“表面稳定、内核剧变”的现象表明，AI 并非创造了一个完全陌生的新世界，而是在原有框架边缘进行了剧烈重塑。Dan Shipper 指出，这种变化既令人兴奋又让人感到一切已变，但实际上它是“既一切皆变，又一切如常”。这种辩证关系提醒我们，不必过度恐慌于未来的不确定性，因为技术落地往往比想象中和缓。
克服恐惧：寻找与 AI 互动的“喜悦时刻”
面对 AI 带来的不确定性，人们往往陷入两种极端直觉：要么认为末日将至，要么幻想乌托邦降临。Dan Shipper 认为，这种二元对立的直觉类似于中世纪人们对地平线尽头“是否有龙”的想象，往往在接近真相时被证明过于简单化。AI 公司过去常通过制造恐慌来营销，但这种策略正逐渐失效。对于个人而言，成功的关键不在于出于 FOMO（错失恐惧症）而被迫学习，而在于找到与 AI 协作的“喜悦时刻”。他建议听众尝试使用 Codex、Co-work 或 Open Claw 等工具，通过解决生活中的实际问题来体验 AI 带来的惊喜。当用户发现“AI 竟然能帮我做到这个”并感到兴奋时，这种内在驱动力比外部压力更能促成长期的技能积累和创新。正如他引用的观点：“一旦你找到了那个喜悦时刻，你就会忍不住继续构建更多东西。”
阅读推荐：从丘吉尔历史到量子物理的跨界启发
Dan Shipper 近期分享了几本对他影响深远的书籍，展现了他对历史、哲学与科技交叉领域的浓厚兴趣。首先，他极力推荐温斯顿·丘吉尔所著的《第二次世界大战回忆录》。这本书不仅是历史著作，更是结合个人经历的回忆录，丘吉尔作为亲历者的独特视角赋予了文本极高的可信度与感染力。Shipper 表示，这种“既做事又写作”的特质与 Every 团队构建产品并记录过程的理念产生了强烈共鸣。他目前已读完第一卷，正沉浸于第二卷中关于纳粹入侵法国的章节，认为其内容极具吸引力。
此外，Shipper 还分享了一本名为《The Rigor of Angels》的书籍，该书探讨了量子物理与文学思想的交汇。书中将海森堡的“不确定性原理”、阿根廷作家博尔赫斯的短篇小说（其作品因与 AI 概念的契合而重新受到关注）以及康德的哲学思想联系起来。这种跨学科的思维碰撞为理解 AI 提供了全新的认知框架，Shipper 认为其中包含许多令人震撼的 AI 相关隐喻。同时，他目前正沉迷于罗伯特·卡莱布·史密斯的《The Power Broker》，通过纽约的历史脉络审视权力结构，尽管篇幅宏大，但内容引人入胜。
观影偏好：极端心理与创始人精神的共鸣
在娱乐方面，Shipper 今年成为了纽约尼克斯队的球迷，享受篮球带来的乐趣。但在纪录片领域，他特别推荐了一部名为《The Dark Wizard》的迷你纪录片，主角是 Dean Potter。在 Alex Honnold 成名之前，Potter 已经是极限运动的先驱。该纪录片深入探索了 Potter 进行自由攀岩和翼装跳伞背后的极端心理状态，这种对极限挑战的执着让 Shipper 联想到创业者的精神状态。
“There is something about that's sort of I guess it just reminds me of founders or whatever.”
除了《The Dark Wizard》，他还提到了另一部关于巨浪冲浪者的纪录片《100 Foot Wave》。这些作品共同揭示了一种在极端环境下保持专注与勇气的心理特质，这与 Shipper 对创业者和创新者所需心理素质的观察不谋而合。这些内容不仅提供了娱乐，更引发了他对人类极限与心理韧性的深层思考。
核心哲学：从“值得书写”到“ spaciousness and strength ”
Shipper 分享了两条对他工作和生活产生深远影响的人生格言。第一条是他大学时期为自己写下的座右铭：“Do things worth writing about and write things worth reading”（做值得书写的事，写值得阅读的话）。这一原则强调行动与记录的价值统一，鼓励人们创造具有长期意义的内容。
第二条则来自已故的冥想导师 Rob Brezsny。Shipper 特别推崇 Brezsny 关于如何应对困难的建议：在面对棘手问题时，应试图从“宽敞与力量”（spaciousness and strength）的立场出发，而非陷入焦虑或冲动。Shipper 指出，虽然 David Goggins 式的“硬扛”策略有时有效，但在面对 AI 变革等复杂不确定性时，保持心理上的宽敞感能带来更高的生产力。他反思自己曾对 AI 改变工作感到恐惧，但通过调整心态，从更宏观、更强大的视角审视问题，他能够更有效地应对挑战。
“When you're dealing with stuff that is hard, what you want to do is be able to relate to it from a position of spaciousness and strength.”
工具推荐：Codex 的颠覆性优势与 AI 格局展望
在 AI 工具方面，Shipper 毫不吝啬地推荐 OpenAI 的 Codex。他认为 Codex 是当前最被低估且最具颠覆性的 AI 工具，其功能远超传统代码助手。特别是在结合 Anthropic 浏览器使用时，Codex 能够处理电子邮件、分析数据等复杂任务，彻底改变了他的工作流。尽管他此前曾大力推崇 Claude Code，但他明确表示，一旦 Codex 展现出更优的性能，他会毫不犹豫地切换。
关于 AI 行业的竞争格局，Shipper 认为这是一场“赛马”，不同模型在不同时期会占据领先地位。他承认 OpenAI 近期经历了一段艰难时期，但认为其已重新夺回“天命”（mandate of heaven）。他并不排斥使用多个 AI 工具，而是根据具体需求在 OpenAI 和 Anthropic 之间切换，认为两者各有价值。这种实用主义态度反映了他对 AI 技术快速迭代本质的深刻理解，即工具的选择应基于实际效用而非品牌忠诚。
拥抱AI的乐趣：从争论转向实践
在对话的尾声，Dan Shipper 强调了与听众建立联系的方式，并提出了他对AI参与态度的核心观点。他鼓励听众在 X 平台关注他，并订阅 Every 的通讯服务。然而，比获取信息更重要的是参与的态度。他认为，人们应当享受与AI互动的过程，将其视为一种乐趣而非单纯的负担或工具。这种观点挑战了当前社会中普遍存在的对AI的焦虑情绪，主张通过亲身实践来消除隔阂。
"Have fun with AI. Like seriously, it's it's super fun."
Dan 指出，虽然AI对他个人而言可能并非总是直接有用，但大众的积极参与能让整体环境变得更好。他反对无休止的争论，提倡一种协作式的探索精神。他认为，当人们动手尝试并共同解决问题时，产生的价值远大于在理论上争辩不休。这种实践导向的方法论是他在本集中反复强调的核心理念之一，旨在引导听众从被动的观察者转变为主动的创造者。
分享与传播：构建AI生态的关键
除了个人体验，Dan 还强调了分享行为在AI普及中的重要作用。他提出，听众能做的最有价值的事情，就是找到在个人生活中有效使用AI的方法，并将这些经验分享给他人。这种知识的流动有助于降低他人的学习门槛，形成正向反馈循环。通过分享，个体不仅能巩固自己的技能，还能帮助周围人更好地适应技术变革。
"The most useful thing you can do is like find ways to use it well in your life and share it."
这种社区驱动的推广方式比任何官方宣传都更为有效。它依赖于真实案例的传播，让其他人看到AI如何具体地改善工作流或日常生活。Dan 认为，这种去中心化的知识扩散是AI技术真正融入社会的基础。通过鼓励听众成为布道者，他构建了一个基于信任和体验的AI应用生态，而非仅仅依赖技术参数的堆砌。这种社交化学习的模式，使得AI技能的掌握变得更加自然和高效。
结语与行动号召
在节目的最后，主持人对 Dan 的分享表示感谢，并向听众发出了具体的行动号召。为了确保持续获取此类高质量内容，听众被建议订阅 Apple Podcasts、Spotify 或其他主流播客平台上的节目。此外，评分和评论被视为帮助节目被更多人发现的关键因素。
"Please consider giving us a rating or leaving a review as that really helps other listeners find the podcast."
这一环节不仅是对内容的总结，更是社区建设的一部分。通过引导听众参与评分和评论，节目组增强了与受众的互动，同时也为潜在的新听众提供了社会证明。所有往期节目和更多信息均可在 lennyspodcast.com 找到，这为那些希望深入探索相关话题的听众提供了资源入口。这种闭环式的互动设计，确保了内容价值的最大化传播，并维持了社区的活跃度。