跳转至

The best argument I’ve heard for why AI won't take your job

Ch01.798 The best argument I’ve heard for why AI won't take your job

📊 Level ⭐⭐ | 8.0KB | entities/platformer-ai-job-loss-levie.md

The best argument I’ve heard for why AI won't take your job

摘要

Platformer 与 Box CEO Aaron Levie 的对谈系统反驳了「SaaSpocalypse」与大规模 AI 失业叙事：AI Agent 将「乘以」而非取代企业软件的使用者，专业工作真正创造价值的「最后 20%」远比舆论想象的耐用，seat 制 SaaS 之上将叠加 agent 消费层。Levie 由此预测软件工程师不会减少，但工程师会从「写应用」转向在制药、银行、制造等各行各业部署 AI。

核心要点

  • 90/10 反转之争：当前约 90% 的软件交互来自人类，三年后可能倒转为 90% 由 agent 发起；Levie 的判断是「10x 倍增」而非「人类减少 90%」——agent 是并行运行的新工作者，使数据与平台更有价值。
  • 「前 80%」陷阱：vibe-code 生成的内容只是职业的前 80%，最后 20%——领域知识、判断、上下文、关系——才是全部价值创造所在；外行看到 AI 产出的文本就误以为整份工作被取代。
  • 工作是动态方程：静态看可逐层自动化（90% → 9% → 0.9%），但能力每抬升一档，市场对交付的期望也同步抬高，自动化掉的 90% 会变成新基准的 50%——需求增长抵消替代。
  • seat 不死，叠加 consumption：seat 承载身份、权限与状态化表征，agent 在其上做百倍于人的「无界消费」；超出阈值后按用量计费，形成「人类 seat + agent 消费」的 stacking 双层模式。
  • vibe-code 重写 SaaS 不划算：Box 内部没有任何获批项目去重写 ERP/HR/CRM——现有系统即将因 agent 调用其数据而增值 10 倍；全民自建企业软件的安全与维护负担（凭据泄露、漏洞升级）在经济上不成立。
  • 企业数据与治理在 agent 世界更值钱：agent 要读、写、理解企业内容，非结构化文档仍需存储、治理、安全与保留策略；数据层成为所有 agent 的公共底座。
  • 工程师焦虑不具代表性：工程是「产出即文本」的特例；律师、医生、药剂研究员渴望自动化的是苦役（病历、pitch deck），而非被取代。
  • 未来工程师 = 组织内 FDE：Eli Lilly 的「lab automation software adviser」是原型——把 AI 创新部署进具体业务流程；原本流向硅谷大厂的人才将转向制药、银行与制造。

深度分析

Agent 是乘数而非减法：90/10 之争的产业含义

Levie 把「人类交互从 90% 降到 10%」定义为本行业最开放的辩论：这到底意味着人类岗位缩水 90%，还是 agent 数量增长 10 倍？他押注后者，证据来自企业内部软件消费——几乎找不到「削减 seat」的实例，反而到处是新的 agentic 用例：Salesforce 的销售代表今年不减反增，而可想象的 agent 用例从两年前的个位数变成 10–100 个。agent 未必直接操作 Salesforce 界面——它们出现在 Claude Cowork、Codex 或 ChatGPT 里——但底层「某人以某级权限访问某类数据」的 seat 表征不会消失，这与 The UI is dead, long live the agent 的判断一致：交互入口迁移到 agent，系统与数据层仍是承载者。

「最后 20%」：价值藏在生成文本之外

Levie 用 Gell-Mann 失忆症解释外行的高估：人用自己的 AI 做事时看得见收尾的琐碎与上下文，看别人的工作时却只看到「前 80%」的文本产物。真正难自动化的恰是最后 20%——问对问题、补齐缺失信息、审校输出、响应安全事件、保证系统上线与质量。更关键的是动态方程：自动化前 90% 后市场会立刻抬高期望，把 90% 变成新的 50%，于是需求增长持续抵消能力替代。这解释了「If You Give a Mouse a Cookie」效应——AI 降低了启动任务的固定成本，让原本不值得做的事变得可行，反而制造出更多下游工作，甚至催生新岗位（Levie 自嘲考虑雇一个专职的人陪他做 agent 客户调研）。

从 seat 到 stacking：SaaS 商业模式的适应性重构

「SaaSpocalypse」是「软件已死」故事的最新版本，Levie 认为市场其实在分化定价：Box 股价跑赢多数 SaaS 同行，因为「最 agentic、最 vibe-code 的未来也得把数据存到某个地方、治理并保护它」。seat 模式不会消失，但 agent 的消费规模是人的百倍，超出阈值必然出现 consumption 计费层，形成「seat + 消费」的 stacking 结构。至于「vibe-code 重写 Salesforce/Workday」的加速主义论，Levie 明确否决：现有系统即将因 agent 使用其数据而增值十倍，此时迁移自建会同时输掉旧投资与新机遇。

企业数据成为 agent 时代的「新护城河」

Levie 给出判断平台存亡的框架：是否承载业务逻辑与工作流、是否存储数据、是否拥有 agent 训练无法替代的领域上下文、是否涉及安全治理信任、是否有网络效应、是否受益于「多 agent 共享数据」而非「单 agent 独占」。保险理赔自动化案例说明：agent 无论建在 Anthropic 还是 OpenAI 上，都必须连接企业内全部内容与数据，企业要做的是升级基础设施而非砍掉它。数据应抽象在 agent 之外、结构化治理后再供所有 agent 对话——这正是 Databricks、Snowflake 持续增长的原因，也呼应了 谁在赢得企业 AI 的竞争议题。未来十年的管理问题随之变成：智能充裕但不免费时，如何像管理 headcount 一样分配 token——参见 Token 经济学。

实践启示

  1. SaaS 从业者：用「Levie 公式」自检产品——有工作流逻辑、是数据的自然存放处、受益于多 agent 共享者最安全；纯任务型 to-do 类工具风险最高（Levie 直言「那个行业正在 pivot」）。
  2. 企业决策者：不要用 vibe-code 重写成熟的 ERP/HR/CRM；正确路径是在现有系统之上叠加 agent 层，把 IT 资源投向「用 agent 挖掘存量数据价值」的新用例。
  3. 知识工作者：把「执行生成」升级为「定义问题 + 校验输出」——最后 20% 的判断、上下文与关系能力比生成文本的技能更抗替代；同时警惕只做「review AI 输出」的枯燥岗位。
  4. 工程师与求职者：不必挤硅谷大厂——关注制药、银行、制造等行业的 FDE 型岗位（如 Eli Lilly 的 lab automation software adviser），未来工程师的价值在于把 AI 部署进具体业务。
  5. 管理层：开始像管理 headcount 一样管理 token——建立消耗热力图与价值分配机制；「70% 的 agent 工作可能无价值，但没人知道是哪 70%」，需要可观测性而非一刀切禁止。
  6. 投资者与分析师：区分市场对 SaaSpocalypse 的分化定价——押注拥有专有数据、治理与工作流深度、受益于 agent 倍增的平台，而非被「软件已死」叙事一锅端。

相关实体

→ 原文存档