一家全员用AI工作的公司，一年之内人数从15人涨到30人，翻了一倍。
这不是什么传统企业数字化转型。这是Every——可能是全球最AI原生的初创公司。他们的CEO Dan Shipper，去年在播客上随口说了一句"大家都在低估Claude Code"，结果被验证得分毫不差。这次他带着一整年的实战数据回来了，每一条都在打脸"AI要抢你饭碗"的焦虑叙事。
Dan是Every的CEO兼创始人，公司做AI媒体和软件产品，团队不到30人，覆盖工程师、设计师、编辑、销售、客服。他们的特殊之处在于——每一个人，包括完全不懂技术的编辑和客服，每天都在用Codex和Claude Code工作。他们还提前拿到各大模型公司的内测版本，相当于一直在未来里过日子。
矛盾来了。按理说，全员AI化的公司应该越来越小才对。但Every反而在疯狂招人。Dan自己也说："我们有这么多自动化，这么多AI，但我也比以前工作更多了。"这个悖论怎么解？ benchmarks告诉你AI越来越强，Metaculus的测试显示顶级模型能以50%准确率独立完成17小时的任务。看起来人类该下岗了。但Dan的亲身体验完全不是这回事。
转折点来自他自创的一个测试。Dan用AI写了个产品叫Proof，上线后服务器每10分钟崩溃一次。他让Codex去修，Codex修好一个bug，又搞出四个新的。他找到两位人类高级工程师独立重写了代码库，然后拿这个作为基准——所有模型在这之前只考30分（满分100），人类高级工程师能考88到92分。直到GPT-5.5出来，考了62分，但那个62分还是靠Opus 4.7做规划才拿到的。关键不是分数，而是Dan发现了一件事：你让AI"修复这5个问题"，它会老老实实去补丁。但人类高级工程师看完代码会说："这写的是什么垃圾，得从底层重写。"这种判断力，模型完全没有。
第一步：工作方式正在一分为二
Dan观察到的第一个变化是，未来的工作会分成两种模式。第一种是"异步代理人"——每个公司会有一个超级AI代理人，员工在Slack里跟它对话，把活儿甩给它。注意，不是每人一个，而是全公司共享一个。Shopify有River，Ramp也有自己的。为什么？因为AI代理人太容易坏了，它需要一个专职人类像园丁一样持续维护。一旦没人管它，它就废了。第二种是"本地代理人"——Codex或Claude Co-work变成你的操作系统。你在里面写邮件、做文档、跑分析，所有工作都在这个界面完成。Dan说他已经连续10天保持收件箱清零了，这在以前根本不可能。他让Codex把所有邮件汇总到一页上，然后他对着邮件自言自语，说"这个去查一下""那个生成报告发给律师"，Codex就全办了。
第二步：SaaS没有死，反而会大涨
这是个极度反直觉的判断。很多人觉得AI会让SaaS工具完蛋。Dan直接说："我会现在买SaaS股票。"他的逻辑是：当你在Codex里用浏览器打开Notion或PostHog，你在用自己的token，不是用SaaS厂商的。这意味着SaaS公司不用替你付AI算力费了，利润率反而提高。而且，AI代理人会以极高频率使用这些工具——GitHub的使用量已经因为代理人而指数级暴增。代理人不会替代SaaS，它会让SaaS的用户量暴增。
第三步：最吃香的两类人——产品经理和全栈设计师
Every内部有个叫Marcus的产品经理，之前在Axios管写作产品做到几千万美元ARR。他技术功底很浅，就知道什么是数据库迁移，看代码能看懂但写不了。但现在，他用Claude Code配合自己极强的产品直觉和用户感知力，发货速度比团队里大部分人还快。设计师也一样。以前设计师做好交互稿，工程师懒得实现或者实现得走样。现在设计师直接自己提Pull Request，东西就上线了。Dan说："Vibe coding做出来的东西都长一样，但设计师做出来的东西完全不一样。"
第四步："骑在模型上"是唯一的生存策略
Dan的建议非常具体：每次新模型出来，把你之前觉得它做不到的事再试一遍。他的高级工程师基准测试就是个例子——从30分到62分，每过几个月就得重新评估。他还讲了个例子：他们要招一个培训负责人，他随口在Codex里输入"找曾在General Assembly工作、现在对AI感兴趣的人"，Codex找到一个人，背景完美，还关注了他的推特。他直接私信约饭，搞定了。这种事以前要花好几天。
第五步：前哨部署工程师成为新岗位
Every有个工程师叫Nitesh，他的主要工作是在Slack里跟AI代理人聊天。他们内部有个AI代理人叫Claudie，负责整个咨询业务。Nitesh大部分时间在跟它说"你为什么干了这件蠢事，咱们修一下"。这不是临时过渡。Dan认为即使模型越来越强，代理人越来越多，这类岗位也不会消失。自动化越强，需要照看自动化的人类就越多。
Dan引用了一个很有意思的框架：模型做的事情本质上是把"昨天的人类能力"变得廉价。它吃进去大量已有的数据和方法，然后让任何人都能低成本调用。但正因为所有人都在用同样的模型、同样的默认方式，产出会趋于同质化。真正有价值的是那些拿着"昨天的冷冻能力"，做出新东西的人。这就像中世纪人们对地平线那头的想象——有人觉得有龙，有人觉得是乌托邦，但到了那里发现：有些不错的东西，有些不那么好的东西，然后地平线又推远了一点。
当然，Dan也坦诚了很多局限。首先，他观察的是不到30人的AI原生公司，大企业的节奏完全不同。其次，他用自己的基准测试承认，模型在一年内可能追上人类高级工程师的水平——只是"追上"和"替代"之间有巨大鸿沟。第三，他说CLI（命令行）时代已经结束了，但他也承认CLI不会完全消失。最后，他反复强调"代理人需要人类"，但这个判断的时间尺度是一到两年，更长周期他不确定。
Dan有句话说得特别好："AI的前沿不在旧金山。AI的前沿在AI遇到一个真正的人类、在做一件真正的事情的地方。"那些在旧金山造模型的人，并不知道它所有用法。他们需要看你怎用它。所以不管你在哪里，只要你愿意把每个新模型拿来试一试，你就是全世界第一批发现它新用途的人。这个机会，是平等的。