达龙·阿西莫格鲁：自动化很好。问题在于，我们不能只做自动化。
达龙·阿西莫格鲁：瓶颈不在基础模型，瓶颈在应用。
达龙·阿西莫格鲁：让员工整体提效5%，企业得到的回报会更多。
AI为何率先渗透编程领域？麻省理工学院经济学家、2024年诺贝尔经济学奖得主达龙·阿西莫格鲁给出的解释直击本质：代码比大多数工作更容易检查。
编译成功、测试通过、接口返回正确，这些都能为模型提供迅速且明确的反馈。Agent写错后可持续修正直至测试通过。相比之下，客服、医疗和现场维修等工作充满临时变化、个体差异及业务例外，缺乏明确的结果判定标准，难以快速训练和验收。
然而，从“Agent能写代码”到“企业可削减程序员编制”，中间仍存在巨大鸿沟。代码通过测试并不意味着旧数据能顺利迁移。阿西莫格鲁担忧企业将二者混淆，急于将AI的能力换算为裁员人数，而忽视了更大的生产率提升机会。
阿西莫格鲁并不反对自动化，但他强调，若企业仅将AI视为替代人力的工具，不仅会加速裁员算计，更会错失开发更高价值生产率的机会。
AI发展的目的，不该只是少雇几个人
针对社交媒体上“用Agent替代招聘”的趋势，阿西莫格鲁明确表示：
达龙·阿西莫格鲁：“我不反对自动化，也不认为自动化能够被阻止。我们需要自动化。但问题在于，如果我们只做自动化。”
企业自动化某项任务虽能直观看到成本下降，但软件接入组织后，还涉及旧系统对接、异常处理、员工培训、结果复核及事故承担等隐性成本。模型跑通演示与稳定减少人力之间，隔着漫长的工程化过程。
以客服为例，企业可能节省5分钟人工成本，却导致用户等待时间增加20分钟。这种效率提升仅体现在公司报表中，而将时间成本转嫁给了用户。
达龙·阿西莫格鲁：“我打客服电话遇到AI时，简直像一场噩梦。”
客服请求多变，包含情绪、历史记录及例外情况，缺乏类似代码的“测试通过”标准，因此难以像编程那样快速迭代和验收。
编程最先被AI攻下来，因为结果太容易检查
阿西莫格鲁承认，AI在编程领域的进展显著快于其他职业。
达龙·阿西莫格鲁：“AI在编程上的进展，确实非常快。”
他指出，编程发生在数字环境中，监督者具备技术背景，且代码拥有清晰的反馈机制。
达龙·阿西莫格鲁：“代码和数学、棋类相似，都有规则。一段程序要么能运行，要么不能运行。”
编译器、类型检查、单元测试等能提供快速反馈，使Agent能在开发团队中迅速站稳脚跟。但“能运行”仅是软件工程的最低层级。订单服务通过测试不代表旧数据能平滑迁移；无报错的修复也可能在高并发下引发重复扣款。随着Agent编写能力提升，开发者需更专注于补齐业务约束、失败信号处理及回滚路径。
编程率先被自动化，并非意味着程序员价值降低，而是提醒团队：易检查的实现成本正在降低，而难检查的系统责任价值正在上升。
100名员工提效5%，比裁掉5个人更划算
面对追求利润的企业决策者，阿西莫格鲁通过算账阐明观点。
达龙·阿西莫格鲁：“员工是企业最重要的资产。想象一下，如果能让他们提高生产率，这对企业会非常有利。”
假设公司有100名员工。方案A是自动化5%的岗位并削减相应成本；方案B是让100名员工整体提效5%。线性计算显示，前者相当于节省2.5个岗位成本，后者则相当于多出5个人的产出能力。
按阿西莫格鲁访谈中的100名员工案例进行最简线性示意，未计工资差异、实施成本和质量变化
若Agent的目标是减少工程师配置，团队关注点将是工单关闭量；若目标是赋能现有工程师解决以往无法处理的问题，指标将转变为平均恢复时间、回归率、人工复核时间及上线后的稳定性。
达龙·阿西莫格鲁：“那些被人记住的公司，并不只是削减成本。它们创造了新市场、新技术和新任务。”
节省5%的成本仅能优化短期财务数据，难以形成长期优势。唯有利用AI放大员工掌握的客户习惯、历史数据和现场经验，才能构建难以复制的产品能力。
模型已经够用了，真正缺的是应用
关于AI为何未带来预期的生产率增长，阿西莫格鲁认为关键在于“应用”。
达龙·阿西莫格鲁：“如果只用一个词概括怎样提高AI的经济效果，那就是应用。”
他指出，硅谷将过多资源投入基础模型，却忽视了将模型接入医院、学校、工厂等实际场景。
达龙·阿西莫格鲁：“现有模型已经足够强，可以作为搭建应用的基础。”
护士面临的质量控制与信息缺失、电工面对陌生设备的维修难题、工厂机器人生产线的磨合等问题，无需通用人工智能（AGI）即可解决。这些场景需要的是能将说明书、传感器数据、历史记录与现场流程结合，并将准确答案交付给一线人员的应用。
达龙·阿西莫格鲁：“瓶颈不在基础模型，瓶颈在应用。”
达龙·阿西莫格鲁：“我们能做的很多事情，甚至用去年的模型也已经够了。”
对开发者而言，选型重点应从“模型跑分”转向业务数据位置、答案确认机制、系统集成能力及错误退出机制。
好应用不是坐在办公室里想出来的
阿西莫格鲁认为，高质量数据和垂直应用是商业优势所在。开源模型和通用能力趋于同质化且价格下降，而现场知识难以通过网络获取。
达龙·阿西莫格鲁：“我认为，真正的商业机会在高质量数据和应用里，优势也会出现在这里。”
一线员工掌握的隐性知识，如忽略特定报警、识别设备故障前兆、追踪退款链路等，往往未写入标准作业程序（SOP），却决定AI工具的可用性。
达龙·阿西莫格鲁：“你不能坐在办公室的电脑前，守着一个强大的AI，就凭空做出真正的应用。你得去现场动手，和一线员工交谈。”
构建垂直AI应用需深入现场，记录信息缺失环节、不可执行答案及需人工确认的操作。模型能力越趋同，对流程的理解深度越接近产品壁垒。
把任务交给AI，别把思考也一起外包
阿西莫格鲁本人使用AI查找资料、批评文章，并鼓励学生搭建AI研究环境，但他设定了明确边界：
达龙·阿西莫格鲁：“建立AI研究环境来支持人的工作，绝不是取代人。”
他坚持亲手进行数学推导，以便从过程和错误中学习。这并非要求程序员放弃Agent，而是强调：重复实现可交由AI，但关键推理不能完全跳过。
若开发者未亲自理解故障链路，便难以判断Agent修改的正确性；未参与测试编写，便难以理解测试通过的含义；未经历上线回滚，便易将“代码生成完成”误判为“任务完成”。AI可提供答案，但工程判断力源于对真实问题的长期参与。
评论区：一边质疑企业的效率账，一边嫌他太保守
评论区中，多数网友认同客服案例，指出企业节省人工时间却浪费用户时间，实质上并未提升社会总生产率。
YouTube网友质疑，企业节省人工时间却浪费用户时间时，究竟提高了谁的生产率
另有观点认为，阿西莫格鲁仍沿用“员工与公司”的旧框架理解AI，忽视了工作方式的根本性变革。
YouTube网友认为，阿西莫格鲁对AI和组织变化的判断过于保守
争议的核心在于：AI带来的效率提升，应从何种视角进行核算。
写在最后
阿西莫格鲁并未否认Agent将接管部分任务，也未反对自动化。他只是重新审视了简单的“裁员账”。
对开发者而言，随着模型能力增强，难点向外围转移。功能实现不再稀缺，将模型融入真实流程、挖掘隐性规则、界定人工责任并证明系统改善，才是更具挑战的工作。
企业既可用AI削减人力，也可用其解决以往无法解决的问题。两种路径均称为AI转型，但最终塑造的企业形态将截然不同。
参考链接：
- END -
文
章
精
选
-
2026 年，日本翻盖手机终于过气了
-
小米电视遥控器意外火了：很多人拿来直接指
-
我的五线老家成了“Token之都”
-
同框刷屏！55 岁马化腾现身，右手边坐着 28 岁姚顺雨
-
Windows XP 为什么能跑那么多“老古董”软件？外媒：微软当年用了一个“骗术”
更多精彩等待你的发现
点分享
点点赞
点在看