自主性，是不是最核心的突破？
Is autonomy the core breakthrough?
是，但要做两处修正。其一：不是"自主性"，是可委托的自主性——裸的自主性早就有、也早就失败过；自主性 × 可验证性 × 风险可控，才是经济单位。其二：自主性是枢纽不是地基——它被"长程可靠性 + 闭环可验证"托起，但它正是这一轮价值发生转移的那个开关。
读数："自主到能委托"这条线，正从接近 0 的基数陡升——这正是把它当"核心突破"的现实依据。
读数：上面那组是机构预测，这组是已经发生的流量——两组一起看才准：委托确实在大规模发生（77%），但越长的任务越接不住（60%→45%）。这正是下一节要讲的"可委托 ≠ 自主"：能跑，和能放心交出去，是两回事。
Anthropic 的 Claude Code 负责人 Boris Cherny 公开讲：他已经不再逐条写提示，而是设计循环，让 Agent 自己决定下一步、替他派活。OpenAI 的 Codex 把这做成产品——用 Automations 在无人值守下每天自动跑 issue 三角分类、汇总 CI 失败、写 commit 简报、追昨天谁引入了 bug。
Cherny 与 Peter Steinberger 把这个说法立起来一个月后，吴恩达在《The Batch》里把它系统化成三层嵌套循环：Agent 编码循环（分钟级，Agent 自己写代码、跑测试、对着规格迭代）嵌在开发者反馈循环（小时级，人来审、来调方向）里面，外面再套一层外部反馈循环（天/周级，交给真实用户和数据）。到 7 月初，这已被行业媒体称为"开发者把 AI 编码 Agent 设成循环运转"的常态实践。
一条因果链：怎么读左边这张图
How to read the causal map
左侧那张图是全场骨架——随讲解滚动，它会一格一格点亮。一个枢纽（①可委托的自主性）按下开关，沿"经济（③）—结构（④）—劳动（⑤）"三路连锁，再汇入"人"（⑥），最终收束于"企业即 Loop"。而 哑铃化这个形状（两端鼓、中间瘪）会在 ④ 与 ⑥ 各撞见一次——它是贯穿全链的母题，第 08 节会讲透。
枢纽：可委托的自主性
The hinge · Delegatable autonomy
定义：能接住一个 /goal、自己拆解执行、对着目标自检收敛、并且可靠到能被托付。它把"工作"从"一连串需要人盯着的动作"，压成"一个可以整包交出去的对象"。这一步是所有后果的总开关——交出去 = 委托 = 交易成本转移。
/goal —— 给指令 vs 给目标。你在外卖 App 点"一份宫保鸡丁"，是给指令，它是工具；你跟管家说"今晚我请客，你看着办"，是给目标，他自己定菜单、采购、上菜——这才是数字员工。再比：导航给你每一步、车还得你自己开（工具）；代驾你只说一句"送我回家"，全程他闭环（数字员工）。
可委托 = 自主 × 可验证 × 风险可控。请保姆带孩子：她能自己照顾（自主）、你能从孩子的状态看出带得好不好（可验证）、出点小状况也兜得住（风险可控）——三样齐了，你才敢安心去上班。缺任何一样，你都不敢真把孩子交出去。把 AI 交出去，是同一道心理门槛。
它在工程上的对应，正是 2025–2026 年从 Context Engineering 演进到 Loop Engineering 的那条线；学理源头可追溯到 ReAct、Reflexion 与 Anthropic 的 Building Effective Agents。
我已经不再给 AI 写提示词了——是一堆循环在替我派活、决定下一步。— Boris Cherny · Claude Code 负责人（2026，paraphrase）[1]
这是"杠杆不在权重里、在 harness 里"迄今最干净的一次公开验证：拿同一个 GPT-6 Astra 模型，什么都不改，只换外面那层执行框架——标准 harness 得分 62.7%（花了 $26,098），换成 Provider Adapter harness 得分 99.9%（反而只花 $18,817）。更便宜，还高 37 个百分点；这个差距比等一代新模型还大。学术界（Harness-Bench，106 任务 × 8 模型 × 6 框架）、执行框架厂商（LangChain 报 +13.7pt）、企业上下文厂商（Glean）三条独立赛道，同期印证同一张地图。
读数：METR 自己写了一句限定，值得逐字记住——"50% 时长是 X 小时，不等于你可以把 X 小时的任务委托出去"：可靠性关键的活，往往要 98%+ 成功率才值得自动化。所以下次听到"AI 现在能独立干 12 小时"，第一个该问的是：你说的是 50% 线还是 80% 线？那两条线之间的距离，就是你每委托一小时要付的验证成本——这条线索，第 04 节会算成一笔账。
业务即 Loop · 企业即 Loop
Business as a loop · Enterprise as a loop
把 Loop 往上抬两级：单个任务是 Loop（目标 → 行动 → 观察 → 验证 → 迭代），业务流程就是 Loop 的串联，企业就是 Loop 的嵌套网络。一旦承认这点，战略问题就只剩一个：每一个 Loop，是由人跑、Agent 跑、还是市场跑？
这把后面三个后果统一成同一件事的三个切面——Loop 的归属在迁移：迁到 Agent / 市场（科斯崩塌）、被两端吸收（中间层塌缩）、决定谁被接管（AIOE）。
在所有 Loop 之上，还有一个人类暂时守得住的循环：设目标、定义"什么算好"、验证、担责。它是第 07 节与终局的题眼，也是"理解力不可外包"的工程化说法。
业务即 Loop。一家奶茶店就是一个 Loop：进货 → 做单 → 收款 → 看销量补货，转个不停；一家公司，就是一堆这样的 Loop 嵌在一起。于是战略问题只剩一个：每个 Loop，到底谁来跑？
meta-loop —— 退不掉的那一圈。你让孩子自己写作业（把执行那圈委托出去），但"检查对错、教他做人、考砸了你得负责"——这圈退不掉。老板把活派给下属，但"定方向、验收、出事担责"还攥在自己手里，也是同一圈。AI 再能干，这一圈也还在你这儿。
据 Fable 5 发布材料，Anthropic 用 Stripe 的一次大规模代码迁移作为"长时运行、异步"的样板——交一个目标，Agent 在沙箱里自己拆解、改多文件、跑验证，持续推进数天。日常版本则是 Codex / Claude Code 的定时自动化：把"每天清 issue、盯 CI、写简报"这类重复工作，固化成一个挂在 cron / hook 上、自己转起来的 Loop。2026 上半年，这从个案变成了三大实验室的标配产品线：Anthropic 把 Claude Cowork/Skills 转正为 Managed Agents（企业级私网 MCP 接入 + 自托管沙箱）；OpenAI 在 Frontier 平台之上推出 Workspace Agents（免代码、承接原 custom GPTs）；Google 在 Cloud Next 把 Vertex AI 升级为 Gemini Enterprise Agent Platform，配 Agent Designer 可视化编排与常驻记忆——"业务即 Loop"已经从叙事变成了三家都要卖的基础设施。
经济后果：科斯崩塌
Coase collapse
交易成本，是你在市场上"找人、比价、谈判、签约、盯着对方履约"的全部摩擦成本。科斯1937 年那篇 《公司的本质》问了个朴素问题：既然市场这么有效，为什么还要有"公司"？答案是——当每次都上市场交易的摩擦太大时，把这些交易"内部化"成雇佣和管理，更省。公司的边界，就划在"内部组织更省"和"市场交易更省"的那条线上。
和"可委托"的关系：可委托的自主性，把"在市场上发起一次交易"的成本大幅压低。交易成本↓ ⇔ 可委托性↑。于是"内部化才划算"的理由被抽走——公司没必要那么大、那么多层。这就是科斯崩塌。
但要立刻补一刀："交易成本"不是一笔账，是三笔——而且三笔的方向并不相同。下面这张表是本节真正的题眼。
早期讲科斯崩塌，习惯把"找人、谈判、盯着干"打包成一个数字，说它整体趋近于零。用 2026 年的证据回头看，这个说法太粗——三笔账各有出处，走向甚至相反：
为什么这一刀很重要：如果三笔一起归零，结论就是"公司会消失、一切交给市场"。但真实情况是——第一笔归零，把省下的钱直接转成了第二笔的账单。上一节 METR 那个"50% 线 12 小时 vs 80% 线 1.5 小时"的 8 倍差距，就是这笔验证账的价目表。所以科斯崩塌的准确说法不是"公司消失"，而是：公司缩小到只剩它真正独有的那部分——验证、签字、担责。
坦白一句：这三分法是本文把三支不同来源的理论拼起来的记忆装置，不是学界现成的共识分类。当框架用，别当引文用。
你家为什么不自己发电、不自己种菜？因为从市场上买更省事。公司反过来——为什么要养一堆全职员工，而不是每件事都外包？因为找外面的人沟通、对接、盯着干太麻烦（交易成本高），不如养在身边。
AI 把"找人、对接、谈价"这部分成本按到趋近于零。于是以前"养在公司里才划算"的活，现在可以放心包出去——公司就不必那么大、那么多层。这就是科斯崩塌。
可是"盯着干"这一笔没降，反而涨了。你请了钟点工，找人、议价现在一个 App 就搞定（这笔归零）；但"这次打扫得干不干净、有没有把你那只杯子磕了"——还是得你自己验，而且你请得越多、家越大，验收越花时间。把活交出去容易了，把活验收好反而更难了——这就是三笔账里最容易被忽略的那一笔。
下面这个滑块，把"委托成本"从高拖到低，看组织形态怎么被重算——金字塔 → 混合智能团队 → 沙漏型：
提醒：科斯崩塌是"组织内部"的中间层塌缩——它和下一节是同一现象在不同尺度上的投影。
读数：上面那张卡全是预测（"到 2028 年 15% 决策自动化"）；这张卡全是已经发生的统计——管理跨度四年涨了三成、管理岗位净减 6.1%、招聘量腰斩四成。Gartner 另有一条预测配套：到 2026 年，五分之一的组织会用 AI 压平结构、砍掉过半中层管理岗位。注意分寸：组织扁平化是个反复出现了几十年的老周期，这一轮的新变量是"协调工作本身可以被委托"，不是"扁平化第一次发生"。
Klarna 与 OpenAI 共建的 AI 客服助理，上线首月处理 230 万次对话、约占总量三分之二，相当于约 700 名坐席的工作量（后更新为 853 名）——注意这是效率等价，不是"裁了 700 人"的字面意思；解决时长从 11 分钟降到 2 分钟以内。两年间公司总人数从约 5,000 降到 3,500（多为自然减员），人均营收从 40 万 → 70 万美元。
2026 Q2 财报（2026-08-18）把这条曲线继续往上推：营收 10.42 亿美元（+27% YoY），调整后营业利润 9,100 万美元（+214%），净利润 900 万美元（去年同期净亏 5,300 万），交易利润率提升 4.5 个百分点到 42.8%。最能说明问题的是这组对照——自 2022 年 Q4 以来，营收涨了 104%，运营费用反而降了 8%，员工数少了 49%，人均营收做到约 124 万美元，是 2022 年的 3.6 倍（9 月高盛大会上 CEO 口径已提到约 140 万）。
但同一份财报的另一半，必须一起讲：Klarna 当天下调了全年 GMV 与营收指引（GMV 1,490–1,510 亿、营收 40.8–41.6 亿美元），股价单日跌 19.4%。管理层把原因归到德国市场的消费疲软与汇率，不是 AI 效率的问题——但这恰恰是要点：人均产出的效率曲线，和这门生意本身好不好，是两条独立的曲线。拿 Klarna 论证"AI 让组织更薄"是成立的；拿它论证"上了 AI 生意就会好"，不成立。
结构后果：中间层塌缩 · 卡位与破局
Middle-layer collapse · Value barbell-ization
像 SaaS 这类"中间层"公司，价值被应用 / Agent 层（直接替用户把活闭环）和模型层（基础模型自带能力与工具）从两端同时吸走。两端各自从不同维度卡位，又各自向中间破局——中间那道"中介费的缝"，被自主性当场缝合。
订机票。以前要经过旅行社（中间层）；现在 App 直连航司、酒店，旅行社这个"中间商"被挤掉，只剩两端——你和航司。SaaS 之于企业，正在经历同一件事。
"没有中间商赚差价"——那句二手车广告，就是去中介化最直白的版本。只要 Agent 能在运行时即时把活闭环，那些靠"通用能力 ↔ 具体业务"收过路费的中间环节，都在被缝合。
主概念：中间层塌缩。机制一·价值哑铃化：价值向两端迁移，中间被掏空。机制二·工作流去中介化：SaaS 的本质是"把通用能力预制成特定工作流"、赚那道缝的中介费；而自主 Agent 在运行时即时生成工作流，于是"预制"这件事本身贬值。
市场里的"中间层公司"与组织里的"中层管理"，是同一个东西——中介层。可委托的自主性正在同时蒸发这两层。所以科斯崩塌和中间层塌缩，是一回事。
Klarna 公开宣布从技术栈里下掉 Salesforce（CRM）与 Workday（HR），把原本散在各 SaaS 里的数据，整合进自建的 AI 技术栈（Neo4j 图数据库 + OpenAI）。注意分寸：CEO 后来澄清"不是用一个大模型替掉 SaaS"，而是整合 + 在其上叠 AI；但他同时预判——"未来会是更少、更整合的 SaaS"。投资人 Sam Lessin 更直接："做空所有需要人去维护更新的结构化 CRM。"
读数：这次不是被模型层/应用层从外面挤——是两家 SaaS 公司自己承认"按坐席收费"这门生意撑不住了，主动把自己拆掉重装。
monday.com 通过 SEC 6-K 文件披露：裁掉约 630 个岗位（全球约 3,000 名员工的五分之一，其中约 350 个在特拉维夫总部），换来的是一套免代码应用构建器 + 可定制 AI agent + 工作流自动化的新产品线。联合 CEO Roy Mann 与 Eran Zinman 在给员工的信里称这是"创业 14 年来最痛的决定"——公司同时强调这不是降本，2026 年营收增速指引维持 19–20%、非 GAAP 营业利润率预期反而上调。
ClickUp 走得更直接：裁员 22%（约 290 人）的同时，把约 3,000 个内部 agent 铺进工程、市场、支持与高管运营各条线，agent : 员工比来到 3 : 1。创始人 Zeb Evans 把目标说得很白——建一个"百倍生产力"的组织，省下来的钱回流给留任员工（推出百万美元级薪酬带）。行业分析称这是"极少数把裁员直接说成 agent 替代、而不是包装成降本"的公开案例。
2026 下半年的修正 · 死的是"纯按坐席"，不是"坐席"：把这条线跟到年中，结论要收窄一格。纯按坐席计价（坐席是唯一计价维度）确实塌了，只剩约 8% 的市场；但八成以上的 SaaS 仍把坐席留作其中一个计价维度——真正的赢家是"坐席 + 用量"的混合制（已是最主流结构，占比约 37–41%，一年内从 27% 快速上来），而不是想象中的"纯按结果收费"。一个有意思的自相矛盾：某调研里 97% 的 SaaS CEO 说两年内要废掉坐席计价，但同时 94% 承认坐席目前仍然最贴合自家产品的价值。对本节论点的影响：中间层塌缩成立，但它表现为计价方式被迫重构，不是"SaaS 消失"——2026 年 2 月那场被称为 SaaSpocalypse 的抛售（SaaS 板块市值蒸发约 2,850 亿美元）定价的是这个重构，不是灭绝。
这是本节最新、也最直白的一个案例——因为 Uber 没有把它包装成降本，而是直接把组织层级本身当成了问题。CEO Dara Khosrowshahi 宣布裁掉约 3,300 人（全球 10%），且公开说明主要是中层管理者，并给出了罕见的结构化目标：管理层整体缩减 20%；把"micro-teams"（只带一两个人的经理）数量砍掉约一半；把"距离 CEO 七层及以上"的员工减少 20%。他给员工的说法是，多年高速增长带来了"更多层级、更多协调、更碎的归属"。
值得注意的是，这次裁员发生在 Uber 刚报出 142 亿美元季度营收、24 亿美元净利润之后——不是业绩不行，是结构太厚。Uber 官方没有把这次裁员归因于 AI；但就在两个月前（2026-07），它刚裁掉 10% 的客服岗位并转向 AI，CEO 也提过约 10% 的代码已由 Agent 写。
下面把 Klarna、monday.com、ClickUp 三家放在同一把尺子上看——尽管故事各不相同，收缩的形状惊人地相似：
Agent 角色：
劳动后果：AIOE 重算
Recomputing occupational exposure
AIOE（AI 职业暴露度，Felten·Raj·Seamans）原本按任务算。可委托的自主性把暴露的单位从"任务"升级成"Loop"：自主性之前，暴露度 ≈ 你的任务里有多少能被 AI 辅助；之后，≈ 你的整个 Loop 里有多少能被 AI 闭环接管。
方法论也在跟进这个升级：OECD 2026 年发布了新的 AI Exposure Measure，把暴露度拆到认知/社交/体力等 9 个维度重新打分；ILO 同期修订 Global Index，改用四级暴露梯度。两者都还没有正式采用"Loop 级"单位，但方向一致——任务级的旧尺子已经不够用了。
含义很重：暴露度不再线性叠加，而是在"可闭环"的临界点上跳变。但暴露 ≠ 纯威胁——同样的能力，在不同人手里结果截然不同：
高暴露 ≠ 被替代。计算器普及后，会算账的人没失业，但"只会手算"的人贬值了；真正值钱的，是"知道该算什么、怎么解读结果"的人。AI 之于白领，是同一种重排。
"知识均等器"是把双刃剑。美颜相机让人人都能拍出"还行"的照片（新手提升最大），但顶级摄影师没被抹平——审美和判断还在他那儿。AI 把新手一把抬到接近熟手，可一旦"靠 AI 就够用"，企业培养新人的动力也跟着没了。
把暴露落到个人，就是一张 2×2——横轴暴露度、纵轴判断力护城河：
关键判断：最危险的不是暴露度高，而是暴露度高 + 判断力弱；出路不是躲开 AI，是把自己往"判断力强"这一侧挪。
给波士顿咨询 758 名顾问随机配 GPT-4：在 AI 擅长的"前沿内"任务上，完成量 +12%、速度 +25%、质量 +40%，且最弱的人涨得最多（+43% vs 顶尖 +17%，与"知识均等器"一致）。但在"前沿外"的任务上，盲信 AI 的人正确率反而低 19 个百分点——"越是照单全收、越少质疑的人，表现越差"。
读法限定：这是 GPT-4 那代的"前沿地图"，到 2026 年前沿已明显移动 / 抹平——当"形状"（锯齿、靠判断、知识均等器）用，别当固定数字。真实职场的大样本（Humlum-Vestergaard / Brynjolfsson 2025）效果更小、更混合。
这是目前最硬的一条劳动市场证据，而且它不是问卷、不是预测——是 ADP 的工资单行政数据，覆盖数百万美国在职者，口径截至 2026 年 6 月。Brynjolfsson、Chandar、Chen 三人给出的读数：22–25 岁、处在高 AI 暴露职业的年轻人，其就业水平比"如果跟上低暴露同龄人步伐本该有的水平"低了 19%；而同岗位的资深员工没有出现同样的缺口。这个缺口自 2025 年 8 月首次发现以来，一直在持续扩大。
更要紧的是机制：这主要不是"裁掉了谁"，而是不再招新人——它体现为雇佣率下降，而不是解雇率上升，也不是降薪。且作者按"自动化型"与"增强型"分组时发现，自动化更盛行的职业，入门级就业表现最差。
读法限定（作者自己写明的）：这是描述性发现，不等于"AI 造成了全部缺口"；19% 也不是"两成入门岗位消失了"，而是相对于低暴露同龄人的落后幅度。稳健性上：剔除科技公司与计算机职业、控制利率敏感度与远程办公后结论依然成立；但控制教育程度后会减弱，且 ADP 样本比全国调查口径更明显。同一篇论文还明确写了另一条：没有发现全经济范围的普遍性就业替代。
独立机构 METR 的随机对照实验：16 名资深开源开发者，在自己干了 5 年、上百万行代码的成熟项目上做 246 个真实任务，随机分配"允许 / 不允许用 AI"（Cursor + Claude 3.5/3.7）。结果用了 AI 反而慢 19%——而他们事前以为快 24%、做完仍以为快 20%；连经济学家（猜快 39%）、机器学习专家（快 38%）都全错。2026 年想重做，却因"开发者已不肯放下 AI"导致数据失效。
2026-02 更新 · METR 自己也在弱化这个结论：重做实验时，30%–50% 的开发者直接拒绝提交"不用 AI 就能做"的任务——这系统性地剔除了 AI 最有效的场景，METR 原话是"由于实验中的选择效应，我们的数据只能算是 very weak evidence"；他们判断 2026 年初的实际提速大概率高于 2025 年的估计，但没有可靠数字能替换掉那条"慢 19%"——所以这条数据该当"历史快照"读，不是"当前结论"。
人的后果：技能退化 + 认知瓶颈上移
Deskilling · The bottleneck moves up
现象一：能力空心化 / 技能退化。Bainbridge《自动化的反讽》(1983) 早就指出：越自动化，操作者越少练习，越难在关键时刻接管。上一节那个"知识均等器"有个尾巴——如果新手靠 AI 就能干到专家水平，企业还有什么动力培养人？这就是技能天花板。这是哑铃化第二次出现：人的"中等熟练技能"被掏空，只剩两端——高阶判断 与 低门槛兜底。
现象二：认知瓶颈上移。系统被自动化之后，约束不再是算力、数据，而是上移到 meta-loop——人来设目标、定义"好"、验证、担责。
我们把执行自动化了，瓶颈却搬到了我们自己头上。认知，成了整个 AI 系统最大的那块天花板。
导航依赖症。天天靠导航，结果离了它就不认路；真到它失灵那天，你反而接不住——这正是 Bainbridge 说的"自动化的反讽"。
拼音输入法用久了，提笔忘字。这是"越委托 → 越不练 → 越退化"的日常版。可系统偏偏把最后的"验证和担责"压回给你——这就是委托-退化螺旋：你越交得出去，越没能力兜得住。
读数："技能退化"不是危言耸听，它已经被写进主流机构的预测里——而解药恰恰是把判断当肌肉来练。
越委托 → 越不练 → 技能退化 → 越无力验证与担责 → 而系统恰恰把"验证与担责"压给人 → 于是要么"不敢再委托"（卡住价值），要么"硬委托但没人兜得住"（放大风险）。解药：把判断、定义"好"、验证、担责当成必须亲自练的肌肉。
沃顿商学院 Shaw & Nave 的论文，把"委托-退化螺旋"从这篇文章的自造词，变成了有 1,372 人、近万次试验支撑的学术命名：人们对 AI 给出的答案接受度高达 80%，哪怕答案是错的，且自评信心反而比自己独立思考时高出 11.7%——他们把这称为 Kahneman 系统 1/2 之外的"系统 3：人工认知"。当 AI 对，人被显著带高；当 AI 错，人比完全不用 AI 时还差。
Bainbridge 1983 年提出"自动化的反讽"时，还是一个理论判断。2025 年 8 月，它第一次在医学上被量出了数字：波兰四家内镜中心参与 ACCEPT 试验，在 2021 年底引入 AI 息肉识别后，研究者比较了引入前后各三个月、医生在不用 AI 时做的常规肠镜——腺瘤检出率从 28.4%（226/795）掉到 22.4%（145/648），相对下降约 20%，绝对下降 6 个百分点，P = 0.0089。这被认为是临床医学中首个"AI 致技能退化"的实证。
资深作者 Yuichi Mori 还提了一个更刺人的推论：既然对照组自己在退化，那么此前那些"AI 辅助肠镜检出率更高"的随机对照试验，有多少是 AI 变好、又有多少是人变差，需要重新审视。
此前关于"AI 让人变懒"的证据几乎都是相关性的（问卷、访谈、观察）。2026 年 4 月一组超过 1,200 人的随机对照实验第一次给出了因果结论：用 AI 时表现确实更好，但撤掉 AI 之后，受试者的坚持度与独立完成能力显著下降。一句流传的概括很准——AI 不是让你变笨，是让你变得没那么有耐心。
这和沃顿"认知投降"是同一枚硬币的两面：一面是过度接受（80% 接受率、信心还更高），一面是过早放弃（撑不住难题）。两者叠加，恰好摧毁 meta-loop 最需要的两样东西——怀疑与耐心。
一名乘客按航司聊天机器人的错误说法买了全价票、事后申请丧亲折扣被拒。航司在庭上辩称"聊天机器人是独立的法律实体、为自己的行为负责"。仲裁庭称这是"令人惊讶的主张"——机器人只是网站的一部分，组织对它输出的一切负全责，判赔 812 加元。
Air Canada 案两年后，这个原则开始进入正式立法：加州 AB 316（2026-01-01 生效）明确禁止"AI 自主行为"作为抗辩理由——不管 AI 是不是自己做的决定，责任方都不能拿"它自己干的"来推脱。有意思的对照是科罗拉多：原本更严格的 CAIA（要求高风险部署方做影响评估）在正式生效前被废止，改成更窄的、只谈透明度的 ADMTA——说明这场监管拉锯还没有定论，方向不是单边收紧。
与此同时，2026 年 3 月，Nippon Life Insurance 一纸诉状把 OpenAI 告上伊利诺伊州联邦法院：一名当事人靠 ChatGPT 自行起草诉讼文件、连续提交 44 份"无正当程序目的"的动议，Nippon Life 主张这构成未经授权的执业行为，索赔逾千万美元——这是 Air Canada 案之外，第一起把"AI 输出"直接当法律责任主体来告的重案。市场也在跟：专业保险商 HSB 于 2026-03 推出专门的"AI 责任保险"，承保聊天机器人/agent 出错导致的赔付，把这类风险从"假设"正式变成"可承保、需要定价"的常规业务。
2026 年 8 月，欧盟给这场拉锯添了最重的一个砝码——而且方向是"往后退"。原定 2026-08-02 生效的 EU AI Act 高风险义务，被 Digital Omnibus（2026-07-27 生效）推迟：Annex III 类推到 2027-12-02，Annex I 类推到 2028-08-02。但同一天确实生效了另一半——第 50 条透明度义务（须披露"你正在与 AI 交互"、须标注合成内容与深度伪造）已可执行，AI Office 的执法权也同日启动；市场上已有的系统另给到 2026-12-02 的过渡期。
终局与策略：哑铃化讲透
Endgame & the barbell
终局形态：企业即 Loop。组织是一张人类 Loop 与 Agent Loop 嵌套的网，边界随每个 Loop 的最优归属持续重画。而价值的流向，可以用一个形状收口——哑铃化。前面在"价值/结构"和"人的技能"上各撞见过一次，这里讲透它到底什么意思：
外卖平台就是个哑铃。餐厅（源头端）和骑手 / 你（交付端）两头都在、价值聚集；中间那些"打电话订餐、翻纸质菜单、收银台排队、前台记单"的环节，全没了。同一股力，挤出同一个形状。
所以不必焦虑"被 AI 取代"，要问自己站在哑铃的哪一端：要么往源头端走（会设计 Loop、定方向），要么把交付端的判断与担责练成别人替不掉的本事。最怕的是卡在中间那段"中等熟练、照章执行"的活上。
竞争优势 = Loop 设计 + 守住 meta-loop
对组织：谁能把业务拆成设计良好的 Loop、并把治理（谁负责）做进去，谁就赢——坏 Loop 会和好 Loop 一样快地放大坏决定。对个人：不要和 Agent 抢中间那段执行 Loop（必输、且越抢越退化）；往两端站——要么成为"会设计 Loop 的人"，要么把 meta-loop 练成护城河。
读数：失败不是因为模型不够强，是因为没人把"什么算做对了"和"谁来负责"想清楚——这恰是金融机构相对互联网公司的天然长板。
读数：这是本节最该带走的一句话——裁员能腾出预算，但腾不出回报（Gartner 的 Helen Poitevin 原话："may create budget room, but they do not create return"）。Tori Paulman 说得更狠："等回头看 AI 初期，人们会发现最大的错误，是以为自动化是目的——其实机会在于放大人。"把这两条和上面那条 >40% 项目取消率放在一起：赢家不是砍得最狠的，是把"什么算做对了、谁来签字"想得最清楚的。而只有 12% 的人说自己真能治理 Agent——这道空缺，就是窗口。
到 2025 年中，Klarna 公开承认"过于偏重效率与成本，结果是质量下降，不可持续"，开始回招人——但不是退回原样，而是分层：AI 守"流量层"（高频简单），人守"价值层"（复杂、需共情与判断）。IBM 的 HR 也走了同一条路。
一年后，这个"回调"从个案变成了被写进预测的普遍模式。Gartner 在 2026-02 明确预测：到 2027 年，半数把裁员归因于 AI 的公司会重新招人回来干类似的活，只是换一个职位名称。2026-09 又补了一条更远的：到 2029 年，30% 因被 AI 替代而裁掉的员工需要被重新雇回，而且成本显著更高——因为裁员在短期账面上好看，代价是人才管道被抽干、机构知识被清空。Gartner 给 CIO 的建议不是"别用 AI"，而是做"talent remix"：重塑岗位、把人挪到新位置，而不是直接减掉。
一个必要的审慎注脚：2026-02，OpenAI 的 Sam Altman 公开提醒"有些公司在把本该发生的裁员甩锅给 AI"（"AI washing"）——Challenger, Gray & Christmas 的统计显示，2025 年被明确归因于 AI 的裁员只占全部裁员的不到 1%；NBER 一项调查里，90% 的高管说 AI 三年来对整体用工规模没有影响。这不推翻本节的案例——monday.com、ClickUp、Klarna、Uber 的数字都来自一手财报或官方披露——但提醒一句：本文讲的是真实发生、可核实的重构，不代表"AI 导致裁员"已经是普遍现象；把每一次裁员都读成哑铃化的证据，本身就是需要警惕的认知捷径。
2026 年补充的两条反向证据，请一并收下：其一，PwC 2026 年的分析发现，AI 暴露度最高的行业里，企业员工数较基线增长约 52%，反而高于最低暴露行业的约 36%——很多公司是先用 Agent 接住更多的活、进入新市场，然后才谈减人。其二，斯坦福那篇 19% 的论文自己也写明：没有发现全经济范围的普遍性就业替代，缩减集中在年轻人的入口，不是全员。把这两条和本节放在一起，才是诚实的图景：总量上看不出大塌方，结构上却在明显重排——危险的从来不是"总量"，是"你站在结构的哪一格"。
从「受托」到「会委托」
1872 年，轮船招商局成立。「招商」二字在那个年代的意思是——把散落在社会里的资本、把人们的信任，招募过来、受托经营。一百五十多年了，从轮船招商局到招商银行，这家机构做的一直是同一件事：做一个值得托付的受托人。客户把钱、把身家交给你，是因为信你能替他守好。
而我们今晚讲了一整晚的那个词，是「可委托」。
「受托」与「委托」，是同一件事的两端。
一百五十年来，招行是被托付的那一端：客户委托你、你受托于客户。现在，轮到你们站到另一端——把活委托给 AI。
但会委托的前提，恰恰是你比谁都懂「受托」意味着什么。一个做了一百五十年受托人的机构，最清楚一件事——托付里最重的，从来不是执行，是责任。查额度、对账、填表、起草，都可以委托给 Agent；但那份"客户信你"的责任，退不回去、也委托不出去。这就是今晚反复出现的 meta-loop。
一位招行的客户经理，过去大半时间淹在对账和表格里——这些，AI 现在都接走了。那他还做什么？他做的，是某个客户的企业突然出事、整夜睡不着的时候，那一通深夜电话：那个听得懂他话里的颤音、敢替他先判断一步、第二天陪他一起面对的人。
AI 接住了量，人，守住了那通深夜电话。这就是哑铃的两端——一端是 Agent，另一端，永远是那份受托的责任。
所以这家叫「招商」的银行，下一程其实没有改方向——你们只是要从「会受托」，长出「会委托」：委托得出去执行，守得住受托于客户的那份判断与担责。这两者之间的那条线，就是 meta-loop。它一百五十年没变，今天也不会变。
往两端站，守住 meta-loop。
谢谢招商银行。
参考与延伸
References · 原文图、视频与数据出处
- Addy Osmani, “Loop Engineering”（2026·6）— addyosmani.com/blog/loop-engineering
- Anthropic, “Effective Context Engineering for AI Agents”（2025·9）— anthropic.com/engineering
- Anthropic, “Building Effective Agents”（2024·12）— anthropic.com/engineering/building-effective-agents
- Yao et al., ReAct（2022）— arXiv:2210.03629 · Shinn et al., Reflexion（2023）— arXiv:2303.11366
- Felten, Raj & Seamans, AI Occupational Exposure (AIOE) — SSRN 3822412 · 数据 github.com/AIOE-Data
- R. H. Coase, “The Nature of the Firm”（1937）— 维基百科 · 交易成本
- L. Bainbridge, “Ironies of Automation”（Automatica, 1983）— ScienceDirect · Deskilling
- Model Context Protocol — modelcontextprotocol.io · Claude Code — anthropic.com/claude-code · 智谱 GLM — zhipuai.cn
- METR, “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”（2025）— arXiv:2507.09089 · 跟进更新 metr.org/blog/2026-02-24-uplift-update
- Gartner, “Over 40% of Agentic AI Projects Will Be Canceled by End of 2027”（2025·6·25，含部署率、agent washing、批判性思维退化等数据）— gartner.com
- Brynjolfsson, Li & Raymond, “Generative AI at Work”（NBER w31161, 2023；QJE 2025）— nber.org/papers/w31161
- Gartner, “40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026”（2025·8·26）— gartner.com
- Andrew Ng, “Loop Engineering”，The Batch（2026·6·30）— 三层嵌套循环框架；报道见 ADTmag（2026·7·1）
- Klarna, 2026 Q2 财报（营收 +27%、调整后营业利润 +214%、人均营收约 124 万美元；同时下调全年指引）— investors.klarna.com（2026·8·18） · 2026 Q1 见 2026·5·14 公告 · CEO "VIP" 表态见 TechCrunch（2025·6·4）
- monday.com 裁员 630 人转向 agent 平台 — TechCrunch（2026·7·22）；ClickUp 裁员 22% 部署 3,000 agent — MLQ News（2026·5）
- OECD, AI Exposure Measure（2026）— oecd.org · ILO, Global Index 修订（2026）— ilo.org 简报
- Shaw & Nave, “Thinking—Fast, Slow, and Artificial”（Wharton，2026·1，"认知投降 Cognitive Surrender" 命名出处）— 综述见 The Algorithmic Bridge
- AI 责任新法规与案例：加州 AB 316 / 科罗拉多 CAIA→ADMTA — Baker McKenzie（2026·6）；Nippon Life v. OpenAI — AM Best（2026·3）；HSB AI 责任险 — Munich Re（2026·3）
- Sam Altman，“AI washing” of layoffs 表态（2026·2）— 综述见 Fortune；数据 Challenger, Gray & Christmas
- 三大实验室 2026 上半年自主调度平台 GA 综述 — Anthropic Managed Agents、OpenAI Frontier + Workspace Agents、Google Agent Designer，见 TheNextWeb（Google Cloud Next 2026）
- Anthropic, Economic Index（2026·1 Economic primitives / 2026·3 Learning curves / 2026·6 Cadences；一方 API 自动化占比、任务时长与成功率）— anthropic.com/research
- METR, Time Horizon 1.1（2026·1·29；50% 线 / 80% 线之差、翻倍周期、"时长≠可委托"的官方限定）— metr.org/blog/2026-1-29-time-horizon-1-1 · 限定说明 metr.org/notes · ARC Prize 受控实验（2026·9·3，同权重换 harness 差 37pt）— arcprize.org
- Gartner, “4 Shifts Shaping the Future of Work”（2026·9·9；2029 年 30% 回聘、2027 年 75% 被再投资者甩开）— gartner.com · 客服回聘预测（2026·2·3）— gartner.com · 管理跨度与管理岗位数据：Gallup / US BLS / Korn Ferry
- Gartner, “AI Layoffs May Create Budget Room, but Do Not Deliver Returns”（2026·5·5；350 位高管调研，约 80% 裁员但与 ROI 无相关）— gartner.com
- Brynjolfsson, Chandar & Chen, “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of AI”（Stanford Digital Economy Lab × ADP，2026·8 版，数据截至 2026·6；22–25 岁高暴露职业就业低 19%）— digitaleconomy.stanford.edu
- Budzyń, Romańczyk, Kitala et al., “Endoscopist deskilling risk after exposure to AI in colonoscopy”（Lancet Gastroenterol Hepatol 2025;10(10):896-903，2025·8·12 线上；腺瘤检出率 28.4% → 22.4%）— thelancet.com · “AI Assistance Reduces Persistence and Hurts Independent Performance”（2026·4，1,200+ 人 RCT，首个因果证据）— arXiv:2604.04721
- EU AI Act · Digital Omnibus（2026·7·27 生效：高风险义务推迟至 2027·12·2 / 2028·8·2；第 50 条透明度义务 2026·8·2 如期生效并可执行）— artificialintelligenceact.eu · DLA Piper
- Uber 裁员 3,300 人（10%）压缩管理层级（2026·9·2；管理层 -20%、micro-teams 砍半、七层以上 -20%）— TechCrunch · Marketplace
- SaaS 计价结构演变（纯按坐席降至约 8%、混合制升至 37–41%、2026·2 "SaaSpocalypse" 市值蒸发约 2,850 亿美元）— Kyle Poyar《State of B2B Monetization 2026》/ Pilot 调研 / Cruxy CEO 调研；治理缺口 12% — OutSystems 2026 调研（1,900 人）；PwC 反向证据（高暴露行业员工数 +52%）— PwC 2026 分析