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。
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。
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]
多家拆解显示：旗舰级"问答模型"Fable 5 其实是一套完整的 Agent 系统——自带 Linux 沙箱，能自己跑命令、改文件、跨会话调用持久化记忆、分发子 Agent，可连续运行数天而无需人盯屏。更刺眼的是：有人把这份泄露的提示词套到旧的 Opus 4.8 上，输出复现了约 90%——"一半的魔力从来不在权重里，而在 harness 里"。
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。
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（找、谈、盯）按到趋近于零。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。
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"沟通、对接、盯着干"的成本按到趋近于零。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。
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。
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），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。
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。"
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。
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。
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。
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。
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。
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。
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）。Gartner 预测：到 2027 年，半数因 AI 裁员的公司会把人请回来；IBM 的 HR 也走了同一条路。
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
- 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