摘要

Daniel Dines 认为，今天的 AI 可以记住工作，却不会被工作本身改变，因此“数据中心里的数百万个 Einstein”更像推理引擎，而不是可以雇用的人。 人会因经验而改变；模型只是添加上下文，并不会在工作中改变自身权重。在模型具备类似人类的主动性、意志和经验学习能力之前，Dines 预计企业采用将按流程逐步扩散，而不会一夜之间抹去就业。
企业真正持久的资产不是模型，而是“工作地图”：让公司运转起来的工作流、例外情况、系统、关系和未写明的判断。 模型可以相互替换，因此企业需要可迁移的文档体系，以便切换供应商、训练内部模型并保住自身 IP。“真正的价值就在工作流、工作地图，以及围绕工作地图展开的工作流里。”
AI 的概率性决定了它应位于设计层，而确定性软件仍应承担高后果工作的执行层。 Dines 举例称，一个单步可靠率为99%的流程，重复100次后完成整套流程的概率只剩大约60%。因此，他认为 coding agents 应负责生成、修复、测试和审计精确软件，而不是自主在生产环境中即兴发挥。“用 AI 创建以可预测、受治理、可审计的方式运行企业的软件。”
许多职能的员工数量会减少，但粗暴的 AI 裁员可能恰恰会削掉成功部署 AI 所需的主动性、信任和组织记忆。 Dines 预计持有正式资质的专业人士会减少，但能够处理例外、指导他人、维护客户关系并在正式职责之外做判断的员工，价值反而会提升。他的建议是建立一份 workforce ledger，先记录这些隐性产出，再决定“哪些人”应该保留或转岗。
Vibe coding 已经大幅压低原型开发成本，却没有消除从原型走向生产的昂贵过程。 UiPath 曾完全依靠 AI 做出一款采购工具，随后发现缺少连接器、权限、审计和安全要求，测试也不充分，数据库 schema 更是“完全错误”，最终仍需要人介入。Dines 警告，内部替代方案最终可能和采购软件一样昂贵，同时消耗公司最强的技术人员。
企业模型流量应集中到低成本模型，战略价值则会归属于工作流所有者、开源模型基础设施和上下文数据系统。 Dines 预计90%的运营流量会使用高性价比模型，负责任的企业还会保留开源备选方案。如果 Fireworks 能拿到大规模推理所需的算力，他“可能会”在其150亿美元估值时投资，但这可能需要数百亿美元资本。在法律 AI 中，模型调用和有价值的公司之间的差别，在于后者是否绘制并运营完整的法律工作流。他还认为 Jensen “受开源成功所制约”，因为封闭的前沿模型双寡头最终可能自己造芯片。
Dines 认为，尽管欧洲拥有顶尖人才和芯片制造设备，但由于美国公司下注更快、规模更大，欧洲在技术上“基本无关紧要”。 他建议打造通用技术的创业者前往美国，同时指出欧洲对本地部署软件、模型主权和选择权的需求，仍构成一个真实的反向市场。UiPath 的乐观逻辑在于，为企业 agents 提供底层的“地图和轨道”；悲观逻辑则是，真正免费、接近零成本的“Einsteins”出现后，能够替代完整的人类员工。

精读

1. 模型可以像 Einstein 一样推理，却不会成为 Einstein

Dines 写书的部分动机，是想整理自己的思路；在近6个月的过程中，他把 Claude 和 ChatGPT 当作“代笔人”。贯穿全书的问题是：AI 的持久局限是否仍然存在，还是数百万个数字 Einstein 很快就会完成所有有经济价值的工作，而人类“去玩”？
他的区分在于：拥有 Einstein 的部分推理能力，和成为一个像 Einstein 一样、能够在工作中学习的人，并不是一回事。一个经过20年日本料理训练的厨师，和一个经过20年意大利料理训练的厨师，面对同一份菜谱时会有不同理解；读完所有棋书不会让人成为特级大师，就像看完滑雪视频也不会让人变成滑雪者。
Harry 的反驳值得保留：模型已经能够保留记忆、不知疲倦、不要求加薪，并执行金融、营销、销售和社交媒体中的大量工作。Dines 的回应是，scratchpad 改变的是提示词，不是模型本身：“记忆未必等于学习。”人类会以被对话改变后的状态继续下一场对话；已经部署的模型则仍然拥有同一组权重。
递归自我改进最终可能改变这一约束，但 Dines 将推理能力和意志区分开来。无限算力或许可以生成复杂程度与世界相当的模拟，但他认为，认为足够大的自我改进模型必然会产生意志，是“愿望式思考”。AI 能解决新颖的数学问题，却仍然没有提出可与相对论相提并论的理论框架；风格和个性同样需要被经验改变。

2. “推进前沿”可能掩盖一场围绕开源的争夺

Dines 的安全标准很直接：如果前沿实验室真的相信自己的实验可能失控并造成实质伤害，就应该“不惜一切代价”放慢速度，不应等待政府施压。一个对此感到担忧的开发者，现在就应该担心法律责任；按他的直白说法，甚至要担心入狱。
他认为，呼吁协调“好人”的行动，隐含诉求是继续自由建设，同时限制自身承担的后果。现实中不可能说服未知的坏人参加全球暂停；Dines 甚至会把今天的中国 AI 实验室也归为好人，因此真正的争论对象其实是失控的下游访问。
在他的解读中，这份安全备忘录“间接地……攻击了开源”：即便是善意的开发者，也可能发布最终触达恶意用户的能力。这一解读带有保留，并非断言，但很重要，因为开放模型也是防止前沿供应商权力过度集中的主要对冲手段。
大型企业保持谨慎，倒不完全是因为 OpenAI 可能去制造螺丝，而是因为专有信息可能泄露，变成现有竞争对手可以利用的情报。Dines 认为这是一项正当担忧：企业需要保护自身 IP，并保留一条可验证的路径，以便摆脱任何一个封闭模型。

3. AI 应该创造精确软件，而不是即兴处理每笔交易

Dines 认为，第二个持久局限是“精确性”。在他的例子里，一个每一步可靠率为99%的概率型 agent，连续完成100步的概率大约只有60%；当操作规模达到数百次甚至数百万次时，微小错误率会不断累积。因此，能力不等于适用性：模型可以做乘法，但计算机仍然是正确的执行引擎。
Harry 认为，便利性会胜出，因为用户会向自己已经身处其中的环境提出任何需求。Dines 同意这一点适用于界面层：ChatGPT 把自然语言转化为工具调用，而确定性计算负责给出答案。对应到企业，凡是要求精确性的任务，都应被路由到对同一输入始终做出相同行为的技术上。
这形成了一种不对称：部署可靠的自主 agents 并没有比2年前更容易，但创建自动化却已经变得容易得多。Dines 将 coding agents 与 ChatGPT、chain of thought 并列为重大里程碑，因为它们作用于设计时阶段，生成确定性系统；系统进入生产后可以反复执行，而不会改变行为。
当上游系统发生变化时，AI 也可以修复自动化流程。人类可以审计生成的软件、验证其结果，并构建保证行为的测试。因此，Dines 认为正在形成的模式不是让概率模型直接运行企业，而是让 AI“创建运行企业的软件”，并把软件放进可预测、受治理的轨道中。

4. AI 时代的 workforce planning 要从记录人类的隐性产出开始

UiPath 约有4,000名员工，其中超过1,000名是工程师。Dines 已经告诉员工，转型不可避免，但反对把 AI 当作随意裁员的借口：员工重组应与企业成功采用 AI 同步，而不是先裁掉20%员工，再承诺未来的自动化最终会证明这场裁员合理。
每份工作都会产生可衡量的产出，也会产生更难识别的组织价值：客户信任、指导新人、文化延续、主动性，或者在数据确认之前就察觉某个客户可能流失的直觉。如果因为 agents 能发邮件就裁掉岗位，可能连维系客户的关系也一并摧毁。Dines 希望企业建立一份 ledger，在决定员工数量之前记录这些次级产出。
他所说的“有资质的中间层”可能尤其容易受到冲击：企业过去之所以招聘持有资质的领域专家，正是因为 AI 现在可以大范围提供这类知识。但专家减少并不意味着有价值的人减少；在转型期，主动性、AI 素养、处理例外的能力和维护关系的能力，可能比狭窄的专业知识更重要。
Harry 以受训律师为例，进一步说明了收缩幅度：一个过去招聘25人的项目，预计只会招聘4人。Dines 同意大多数岗位可能需要更少的人，但不同意 Harry 的可验证性测试。关键变量在于，是否有人已经定义了问题框架；即便是发票，也包含未被记录的客户优先级。因此，选择问题是“哪些人”，而不只是数字能否对上。

5. Cartography 把隐性工作变成可部署的地图

Dines 将“工作地图”定义为完成一项流程所使用的全部工作流、例外、程序和系统。企业不能只把一份整洁的岗位说明交给 AI，然后期待它具备工作能力；企业必须把那些由长期亲历工作的人逐步积累下来的未写明选择显性化。
UiPath 提出的这套方法叫作“cartography”。其 Cartographer Agent 会观察领域专家在桌面上的操作，记录工作过程，并实时向他们提问：为什么换了一个 ZIP code，发票路径就发生变化？为什么这次例外要用不同方式处理？来自多名员工的证据随后会被整合成一份 as-is 流程图。
有了这张地图，coding agents 就能重新设计流程，并“打印”出所需软件。目标是让企业从员工手动操作记录系统，转向由自动化和 agentic AI 操作更多系统；人类则集中在仍然需要例外处理、主动性、关系维护和问责的环节。
Harry 提出了员工最直接的反应：观察可能看起来像是为了自动化掉员工而设计的监控。Dines 认为转型不可避免，但信任取决于传达方式——不能假借 AI 之名进行大规模灭绝式裁员；员工必须真正有机会获得 AI 素养；采用也必须逐个流程推进。随着员工看到这些 Einstein“还没法雇用”，恐惧已经有所缓解。

6. 替代经济学只有在生产现实中才能成立

如果一台机器真的能达到或超过人的能力，即使成本更高，Dines 也会选择雇用它：人工成本会上升并引入错误，而机器成本应当下降，从而形成未来优势。因此，他把推理成本视为次要问题。当前真正的阻碍更简单：“这个 Einstein 还不存在。”
Harry 反驳称，Jason Lemkin 已经把团队从25人缩减到2人，并声称 AI 替代了财务和营销负责人。Dines 拒绝从单个创始人或狭窄场景外推，理由是有些公司裁掉数百名客服员工后又重新招聘。替代必须在多个行业、足够大规模上得到证明，才能成为普遍规律。
UiPath 自己的 vibe coding 实验起初看起来非常惊艳。一款采购应用完全由 AI 编写，但进入生产环境后暴露出连接器、权限、审计、安全要求和测试不足等问题，数据库 schema 更是“完全错误”。业务用户仍无法在没有工程师及其他人员参与重构和维护的情况下，独立负责完整生命周期。
这也是 Dines 仍然会购买 Salesforce 作为 system of record 的原因。原型现在异常便宜，但真正的工作仍发生在生产环境中。内部替代方案最终可能和被替代的软件一样昂贵甚至更贵，同时占用公司最优秀的人员。

7. 工作流、低成本模型和上下文数据承载价值

法律 AI 同时体现了颠覆和收入压缩。Harry 将美国法律服务市场规模估算为3,000亿美元，并认为30%的自动化对应900亿美元机会；Dines 则认为，其中或许只有10%会变成 token 收入。通用法律意见可以由可互换的前沿模型或开放模型生成，更大的机会属于那些绘制工作流、并实际运营一个法律部门的产品。
Dines 预计，90%的企业运营流量会流向高性价比模型，而不是真正的前沿系统，例如原话中的“Astra 或 Fable”。Anthropic 和 OpenAI 可能会通过更便宜的模型服务其中很大一部分需求，但负责任的企业应保留可验证的开源备份，并保有切换能力。
工作地图会成为公司的核心 AI IP：这份记录了“我是谁”的文档，既是训练今天内部模型所需的基础，也能让企业在2个月后把知识转移到更好的基础模型上。Dines 预计企业至少会维护自己的模型作为备份，同时承认前沿供应商凭借基础设施规模，仍可能以每美元提供更多智能。
如果开源模型逻辑成立，Dines“可能会”在 Fireworks 150亿美元估值时投资，但他认为 Fireworks 必须拿到算力，才能按目标规模提供推理服务，这可能需要数百亿美元资本。谈到数据供应商时，他区分了存储和智能：原始数据只是磁带，价值在于挑选正确的上下文，并在正确时刻将其交给模型。
同一套开源模型逻辑也支撑着他对 NVIDIA 的判断：如果 OpenAI 和 Anthropic 形成双寡头，它们最终可能自己制造芯片，因此 Jensen“受开源成功所制约”。他认为 NVIDIA 支持开源生态，与保护自身基础设施机会是一致的。

8. UiPath 押注的是美国主导的 AI 经济中的“地图和轨道”

Dines 认为，尽管欧洲拥有 ASML、充足人才，且许多领先 AI 建设者拥有欧洲背景，但欧洲在技术上“基本无关紧要”。问题在于商业文化：美国公司更愿意在缺少验证的情况下押注更大的愿景，即便是中层管理者也能批准100万美元级的实验。因此，他给一位在欧洲打造通用技术的年轻人的建议是，虽然不情愿，但仍然是“去美国”。
欧洲仍然拥有主权这一切入口。客户偏好本地部署软件、模型主权和模型选择权；Dines 也曾敦促 Fireworks 提供本地部署产品。与美国“拿结果给我看”的姿态不同，欧洲买家首先需要看到经过验证的技术，但他相信真正的商业机会会随之而来。
UiPath 上一年度收入约为16亿美元，增速为14%。Harry 说，公开市场会惩罚增速低于20%的公司；Dines 同意，在由情绪驱动的市场中，增速较慢的软件公司可能会被自动归类为 AI 输家。他还认为，许多2021年的私营公司“僵尸”如果进入公开市场，处境可能反而更好：员工和投资者至少会拥有流动性出口，即便市场也会暴露它们真实的估值。
50亿美元 UiPath 的乐观逻辑，建立在公司从 RPA 走向编排之上。Dines 指出，Gartner 新设的 BOOT——Business Orchestration and Automation Technologies（业务编排与自动化技术）Magic Quadrant 中，UiPath 已从挑战者升至领导者；Gartner、Forrester 和其他分析机构也给出了积极评价。Agent 接收一个目标、一张描述现实的地图，以及一套限制可行操作范围的轨道。
在基础设施方面，Dines 说每一轮重大基础设施周期都会出现过度建设：参与者可能正在建设相当于100%机会的200%产能。他不认为 AI 基础设施未来10年会过剩，但如果替代人类工作需要10年，基础设施就可能在未来3年内过剩；时点可能残酷地决定结果。
悲观逻辑是，模型变成真正像人的 Einstein，token 成本接近于零，企业可以把任何工作交给它们，而不再需要同样的地图或确定性轨道。Harry 提到，token 价格已经从每百万60美元降至1美元；Dines 承认成本可能消失，但真正的问题是，替代一个人的能力是否会到来。与此同时，他每天约一半时间都在 Visual Studio Code 中使用 Claude 和 ChatGPT，通过 strategy folder 和 agents 放大自己的杠杆。

Adam Foroughi，AppLovin CEO：92%回撤求生、广告即 ML 1.0与500亿美元游戏广告市场