单击上方“图灵人工智能”，选择“星标”公众号

您想知道的人工智能干货，第一时间送达

“Coding is the obvious one. And there the revolution already has arrived.”

Tyler Cowen：编程是最明显的领域，AI革命已经率先发生。

程序员大概不会觉得这句话夸张。

代码写得对不对，编译器会报错，测试会失败，日志也会留下痕迹。Agent每走一步，都有人替它判分。

换到客服、财务和医疗，情况就不一样了。

一个客服回复是否妥当，可能要等客户投诉才知道；一份财务分析能不能采用，需要经过多层审批，模型可以给出结果，公司却不知道该怎样检查，也不敢让它继续往下执行。

这也是经济学家Tyler Cowen在访谈中提出的问题：同样一批AI模型，为什么程序员的工作方式已经变了，其他行业的生产率却没有明显增长？

备注：Tyler Cowen是乔治梅森大学经济学教授、Mercatus Center主任，也是一位长期研究技术、生产力和人才的经济学家。

他的判断很直接：模型已经足够强。现在卡住AI落地的，是公司还在用原来的流程、权限和管理方式接住它。

以下为访谈内容，我们进行了翻译与整理。

编程最先被AI改写，因为结果能当场验收

主持人问Tyler，AI模型已经表现出很强的能力，为什么宏观数据里的生产率提升仍然不明显？

Tyler先把编程单独拿了出来。

在他看来，软件开发是少数已经明显进入AI革命的领域。

Agent写完一段代码，可以直接编译；修复一个Bug，可以运行复现测试；修改接口，可以检查类型和调用链；性能有没有提升，也能用基准测试比较。代码错了，编译器、测试和日志会迅速把问题暴露出来。

这套反馈回路让Agent能够连续工作。它不必每写几行代码就回来问一句“这样对吗”，而是可以根据工具返回的结果继续调整。

Tyler认为，编程是AI变革最先落地的领域

换到客服、法务和医疗，Agent很快会碰到另一类问题。

客服回复是否合适，可能要等客户投诉才知道；一份合同有没有遗漏，律师之间也可能意见不同；医疗方案是否有效，还要经历真实治疗和长期观察。缺少即时、可靠的反馈，Agent就很难独立跑完任务。

编程率先被AI改变，不只因为训练数据里有大量代码。软件工程现成的编译器、测试、日志、版本控制和回滚机制，正好可以给Agent当“裁判”。

模型已经够强，公司却还没换工作方法

Tyler Cowen：AI的质量已经不是瓶颈，真正拖慢变化的是人怎样采用和使用它。

不少公司的AI改造，还停留在给旧流程增加一个聊天窗口。

原来由员工整理的客服工单，现在让AI先生成摘要，后面仍然要复制进另一套系统；AI写出分析报告，审批人依旧需要在邮件和表格之间来回确认；Agent可以查资料，但没有访问业务系统的权限，最后还得等人补完剩下的步骤。

模型节省了十分钟，整个流程仍然需要三天。

Tyler：很多企业短期内得到的，只是一套几乎没人知道该怎么使用的新软件。模型供应商甚至要派团队进入客户公司，手把手帮助它们重新设计工作流。

技术已经可用，组织怎样采用它成了新的限制

开发团队也在经历同样的问题。

买下AI编程工具的团队很多，真正改掉开发流程的团队并不多。

有人仍然把Agent当成更长的代码补全；有人允许它修改仓库，却没有准备自动测试；还有人让它跑长任务，但权限、日志和回滚路径全靠临时决定。工具进来了，工程系统没有为它变化。

整代员工重新学习工作，比升级模型难得多

Tyler举了一个很直白的场景：告诉一名已经熟悉现有岗位的员工，过去的工作方式从明天起全部改变，以后要围绕AI重新学习。这在组织里很难推动。

员工愿意打开新工具，只是第一步。

工作被重新拆分后，谁负责发起任务，谁来检查结果，AI犯错由谁承担，原来的绩效又该怎样计算，这些都要重新安排。任何一项说不清，团队都会退回最熟悉的旧流程。

AI落地需要员工重新学习，也需要公司重新划分工作

开发者做企业AI项目时，经常把注意力放在模型、Prompt和工具调用上。项目上线以后，真正卡住进度的却可能是另一组问题：财务不允许Agent读取完整订单，法务要求每次生成都能追溯来源，业务部门不知道怎样抽查结果，出了错也找不到明确负责人。

这些问题没有模型参数那么新鲜，却直接决定Agent能走到哪一步。

先把业务变成“可以测试的东西”

编程给其他行业的启发，不是让每个人都去学写代码，而是把工作改造成可以检查、可以复现、可以撤回的过程。

假设团队想让Agent处理退款申请。只写一句“判断这笔退款是否合理”，它很难稳定执行。开发者还要把隐藏在老员工经验里的规则整理出来：哪些订单可以自动通过，哪些情况必须交给人工，应该查询哪些系统，结果要留下什么证据，误判后怎样撤回。

一项任务要交给Agent，至少要补齐四个部分：

·输入从哪里来。需要读取哪些数据库、文档和接口，哪些数据禁止访问。

·什么算完成。结果要满足哪些条件，谁有权确认通过。

·失败怎样暴露。用规则、测试、抽样还是业务指标发现错误。

·出了问题怎样退回。保存操作记录，允许人工接管，也要准备回滚路径。

这些内容写清以后，模型才有机会独立工作。否则再强的Agent，也会在每个模糊路口停下来等人。

“We don’t need GPT 8 for that.”

Tyler Cowen：很多已经能带来改善的工作，并不需要等到GPT-8。

Tyler在访谈中说，现有模型已经可以完成事实核查、校对和不少日常任务。企业一直等待下一代模型，往往是在回避自己的流程问题。

模型已经进入公司，合适的工作流仍在摸索。

当智能变便宜，主动性开始涨价

“Initiative will matter much more.”

Tyler Cowen：主动性会变得重要得多。

Tyler认为，当知识和智能越来越容易获得，读过什么学校、记住多少知识，带来的差距会缩小。更值钱的能力，是发现问题、形成判断，并知道怎样把不同的AI能力组织起来。

对开发者而言，“主动性”最后仍要落到具体工作上。

同样面对一个客服团队，有人只会给模型写一条摘要Prompt；有人会继续追问：哪些工单占用了最多人力，哪一步最适合自动化，系统里有没有可用的失败信号，Agent能否先处理80%的常规情况，再把剩下的交给人工。

后者并不一定写了更多代码，却把模型变成了一条真正能运转的流程。

知识更容易获得以后，主动发现和组织问题的能力会升值

写在最后

程序员率先进入“后AI时代”，靠的是软件工程早已准备好的编译器、测试、日志和版本控制。

Agent来到这里，立刻得到一套可以行动、可以犯错、也可以被纠正的环境。

财务、客服、制造和企业运营还缺少这样的基础设施。

这也给开发者留下了一批很具体的工作：把业务规则接入系统，把完成标准写成机器可以检查的条件，为异常准备日志和告警，再给高风险操作留下人工接管与回滚入口。

下一代模型当然会更强。但在公司真正用起来之前，总得有人先回答四个问题：任务怎么开始，结果怎么验收，失败怎样暴露，出了问题由谁接手。

文章精选：

1.图灵奖得主姚期智最新演讲： AI有边界，恰恰是好事