Thesis:2027——布魯克林現場直播!
Thesis:2027——布魯克林現場直播!
布魯克林現場直播:前線部署工程師、Anthropic 的 Jeremy 與 Microsoft 的 Katie George 主張,AI 轉型要成功,關鍵在於重新想像工作流程並把流程知識編碼化,而非最佳化既有任務。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
Podcast 專家音訊節目
收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情
微軟(Microsoft)人力轉型企業副總裁 Katie George 說,讓員工能用 AI,不等於落實 AI——她團隊第一次向業務部門推行 Copilot,使用率一路掉到零,直到工程師、流程專家與人資共同重新設計工作本身才扭轉。這個教訓來自 100 多個內部案例研究,集結成微軟的《Frontier Playbook》,也是這場研討會錄影中最紮實的一段。其餘內容則是多場座談接力:Anthropic 與 Ode 談企業 AI 轉型、《大西洋月刊》(The Atlantic)的 Nicholas Thompson 與 Kevin Roose 談 AGI 之後的媒體、Sequoia 與 Walleye Capital 談 AI 估值、兩位單人創辦人談一人公司,最後由微軟壓軸談如何為 23 萬人做技能升級。節目標題裡的「2027」並沒有真的用來組織內容;各場座談確實前瞻,但並不是圍繞單一年份的論點搭建。
貫穿各場座談的主線是:真正的卡點已經從模型能力,轉移到組織設計、衡量方式與通路分佈。講者對這個轉移多快落定,有 productive 的分歧:Anthropic 的 Jeremy Hatfield 描述過去要一整個團隊花一年才能完成的正式生產環境改寫;Walleye 的 Will England 則警告,封閉系統在數學與程式碼上的勝利,無法乾淨地轉移到混亂的物理與生物領域。
微軟第一次推 Copilot 失敗,因為工具到位了,工作卻沒重新設計
Katie George 是微軟人力轉型企業副總裁,曾任 McKinsey 人資長,現在主持公司的「customer zero」委員會——由各事業單位負責 AI 轉型的主管組成,每月開會。在推出任何東西之前,委員會先研究了 100 多個內部 AI 轉型案例,把成功與失敗分開,並在 2026 年 9 月將結果發布為《Frontier Playbook》。George 說,這本 playbook 在付印時就已經過時了。
最經典的反面教材是業務部門那一役。微軟把 Copilot 當成一般工具上市來推:全面開放、大肆宣傳、基本 AI 素養訓練。使用率在熱潮中上升,然後「掉到什麼都不剩」。解方不是更多訓練,而是換一組團隊組成——把工程師派進業務部門,與精實/流程專家和人員專家並肩,和業務一起把微軟進入市場的「秘方」寫進提示與代理,讓它們貼合實際工作流程。George 現在的成功指標是績效,不是採用率:人均營收最高的業務,也正是 AI 用得最兇的一群。
她認為好的匯入需要哪些要素,以及她認為已經過時的做法:
| 要素 | George 的立場 |
|---|---|
| 領導層的清晰度 | 領導者要說出業務企圖,而不是使用案例;單靠省成本很少能帶來競爭優勢 |
| 團隊組成 | 領域專家+技術人員+流程/精實專家+人資專家,共同參與 |
| 重新設計的範圍 | 端到端工作流程,而非單一使用案例——只自動化其中一步,只是把瓶頸搬到別處 |
| 變革管理 | 舊模式(把人從定義好的 A 狀態移到定義好的 B 狀態)已經過時,由持續學習取代 |
| 員工技能 | 不只是 AI 素養:判斷力、商業敏銳度、系統思考、跨整個流程的整合能力 |
| 工作保障的說法 | 微軟無法保障任何人的工作未來,包括 George 自己;但可以讓員工參與重新設計自己的工作,幫他們保障自己的職涯 |
旗艦技能升級計畫是「Camp Air」,為期三週的沉浸式新人培訓,從軟體工程師開始,已擴散到人資等職能。完整的跨職能團隊——產品經理、設計師、工程師——一起參加。第一天的指示是:「把你們的專業留在門口……你們現在是 builder。」第一週是沉浸與心態;第二週把工具套用到團隊實際專案;第三週回到工作流中繼續。教練不是專業引導師,而是領先一步的同儕重度使用者;每一梯次都產出下一梯次的教練,這正是它能規模化的原因。George 說,連原本焦慮的工程師結訓後都不想再用舊方式工作。
她也描述了一個結構性後果:知識工作多半是隱性的、沒有檔案化的,所以微軟用持續改善方法(Gemba walk、價值流圖、Kaizen)讓它變得可見。角色變成 T 型——專業仍然決定判斷力與品質控管,但每個人都必須看見整個流程。團隊變成動態編組、以完整工作流為範圍,功能矩陣讓位給端到端流程當責;例如微軟財務團隊已定義出財務交付方式的六個核心流程。
「我們不能再……談什麼變革疲勞……最後勝出的文化,是那些讓員工因學習與改變而充滿能量的文化。」
Anthropic 與 Ode 說失敗模式是野心不足,難的是把隱性知識挖出來
Jeremy Hatfield 在 Anthropic 待了兩年——先在 Applied AI 與高速成長的程式開發新創合作,現在在研發產品管理,聚焦軟體工程——他與 Ode 的工程師 Hugh Wimberly(做過六個客戶轉型專案)描述一套刻意挑戰客戶初始需求的探索流程。Hatfield 說,Anthropic 會推客戶「想大一點」,而不是接受第一個點子,因為客戶往往還沒重新想像什麼才叫可能。
Hatfield 舉的「野心不足」案例,如今都已不是失敗:
- Claude Code 背後的 JavaScript runtime Bun,用 Rust 把一百萬行的程式碼庫完全自主改寫,約一週完成,再加幾週驗證——這在過去要一整個團隊花一年多,而且未必做得成。
- Anthropic 用不會 Rust 的工程師,把整個第一方 API 改寫成 Rust,速度、效率與延遲都改善。
- 模型快速找出並修補了大量 Linux 核心漏洞。
Wimberly 反過來說,理想的 AI 問題長得像 Bun 那次改寫:龐大系統、測試完備、行為正確已知,可以一對一替換。人的流程恰恰相反。領域專家描述自己的工作時,只會講出腦中實際內容的一半,其餘都是隱性的。所以 Ode 的交付方法是觀察式的:坐在那個人旁邊,看他怎麼開車,問他為什麼忽略某份檔案。目標是讓模型去看互動逐字稿,找出沒有人想到要看的訊號,而不是蓋一個有預設指標的傳統可觀測性平臺。
至於怎麼知道專案做完了,兩人依專案型別分道。Hatfield 的成熟度指標:評估集還沒飽和,新模型才有東西可量;把人的流程中的知識萃取成模型可讀的上下文;一致性經過測試;護欄經過壓力測試,確保代理不越出公司政策。他舉一家軟體公司為例,每次 PR 審查的成本下降,審查品質卻提升、bug 變少;另一個政府機關把原本外包給承包商、要花好幾個月與數百萬美元的合規流程,用 Claude 壓到約一週。Wimberly 描述的是把人力投入趨近於零的專案,推論成本相對人力成本微不足道;也有一個專案,省人力根本不是重點:客戶單一管線錯誤的中位數成本是 70 萬美元,尾端風險是每錯一次 1 億美元,所以把錯誤率從 0.03% 降到 0.01%,還是很有理由繼續往下推。
兩人都提到意外。Wimberly 兩次打造滿載專家知識的系統,現任專家卻不理會——直到新進員工把它當新人上手工具,把三個月的學徒期壓縮掉,老手看到新人超車後才開始用。Hatfield 提到,有客戶從模型裡挖出科學與藥物探索能力,比 Anthropic 自己發現還早;也有客戶早早重押、Token 預算不設上限,後來隨著每單位智慧的單位成本下降,毛利率反而改善——他聲稱大約每年降 100 倍,Opus 5.5 比去年的模型更好又更便宜。
談到變革管理,Wimberly 的建議是產品導向:把工作中人們討厭的那部分自動化,把驗證步驟遊戲化,讓使用率帶動採用,而不是靠上級命令。Hatfield 補上草根路線——先給一小群早期採用者充裕的 Token 預算,再拿出具體 demo,因為「足夠先進的技術與魔法無異」。
《大西洋月刊》押注仍會有足夠的人閱讀,而當內容趨於無限,機構的價值反而上升
《大西洋月刊》執行長 Nicholas Thompson 與該刊特約撰稿人、與 Casey Newton 共同主持《Machine Gods》podcast 的 Kevin Roose,對閱讀的走向看法不同,但對策略回應看法一致。著有《The AGI Chronicles》的 Roose 主張,人類水準的通用智慧實質上已經到來,寫作在技術上與寫程式、算數學沒有差別,而文字消費正處於長期衰退——「我來自舊金山,那裡已經沒人在讀書了。」Thompson 的反駁是商業性的,不是文化性的:閱讀會萎縮,但仍有足夠的人會讀,讓《大西洋月刊》賺得到錢、請得起更多記者;如果對手過度轉向、離開文字,他的競爭市場反而變大。《大西洋月刊》提高紙本出刊頻率,部分原因就是要擺脫被 AI 中介的發行管道——社群動態裡的 AI、被 AI 打斷的 Google 搜尋——改為經營與讀者的直接關係。
Roose 離開《紐約時報》,現在經營一間六人公司,每週產出兩個節目,他說團隊 Slack 裡的代理比人還多。Claude 打造了把影片轉出各種格式、把節目轉錄並發布的工具;合約與記帳先由 AI 出初稿,再搭配約聘的人類律師與記帳士。有一個代理半夜在預算試算表裡抓到多出一個空格,那個空格可能讓第一會計年度的預測整個歪掉。Thompson 乾乾地回了一句:「我現在就坐在一個好像正在取代我的記者旁邊。」
談到 AI 政策,界線清楚且不對稱。《大西洋月刊》永遠不會用 AI 寫任何一個字的編輯內容,但在商業端用得很重——為 Facebook 行銷生成標題候選,再用 AI 驅動的引擎來投放與行銷報導、帶動訂閱。Roose 寫書時除了寫作本身,什麼都用 AI,包括一個七個代理組成的「Claude 議會」,各自被指派人格,在他的人類編輯於 FSG 看到稿子之前先審過一輪。兩人都提到讀者反彈是理由之一:Thompson 引用一份廣告研究,AI 製作的廣告在未標示時勝出、標示後落敗;並指出最近一次選舉中的 44 項資料中心倡議,有 43 項遭到否決。
談到代理網路(agentic web),Thompson 說《大西洋月刊》封鎖所有爬蟲,而且據他所說,是第一個與 Parallel 合作、向代理流量收取微額付款的出版商——目標是從代理身上拿到錢,來養為人類寫作的人類。Roose 擔心資訊公地問題:他用 Claude Code 做書的註腳時,它抓的是低品質聚合站,因為最高品質的來源都封鎖了爬蟲。Thompson 的解法是:「AI 公司可以付錢給我們,而不是偷。」
Roose 對未來的想像是兩個平行經濟——為人類而做的手工式人類內容,以及為 AI 而做的 AI 內容,後者從小開始長——他預期產業終將離開人類護城河還有效的「窄帶」。Thompson 同意這些策略在窄帶內是對的,但擔心窄帶之外會怎樣,同時點出可能的極限:泡沫,或合成資料訓練像狂牛症一樣劣化。談到初階人力,Thompson 認為難看的招聘資料是真的,但會自我修正,AI 原生的畢業生會是最好的新血。談到查核,兩人都看到生意:把事實查核與驗證當成賣給代理網路的服務,人加 AI 勝過單獨一方。
公開市場與私募市場對 AI 看法分歧,報酬數學才是未解的問題
Sequoia Capital 合夥人 Lauren Reeder 做早期投資,曾任職 Segment 與 Twilio 的產品職;Will England 是 180 億美元避險基金 Walleye Capital 的執行長兼投資長。兩人從相反的位子看估值問題。Reeder 指出 Anthropic 在 2026 年初以 8,000 億美元估值募資,公司規模化的速度前所未見;數學家出身的 England 說他同意「我們幾乎確定身處泡沫」,但強調泡沫分佈並不均勻,而且看對世界、看錯時點,在按市值計價的資產上照樣賠錢。
England 的核心數字:美國未來五年預計把約 GDP 的 3.5% 投入 AI 建設——超過網路、公路、電力與運河,其中多數加起來的總和。這需要你相信很多關於報酬從哪裡來的假設。今天大部分價值流向硬體製造商與算力擁有者;他把資料中心這筆交易形容成用某個價位買機器、層層轉租,到終端使用者手上要付五到六倍,並質疑這是否真的提高了總要素生產力。他引用一位知名首席經濟學家的說法,稱科技業以外很少人看到好處,認為這「可能有點極端」,但是健康的辯論。
談到需求問題——算力需求是否被可能活不下來的創投支援新創灌大——England 部分同意,但主張真正的美國企業才剛起步:多數公司只是淺淺用過 ChatGPT 或 Claude,擔心資安與 IP 外洩,還沒開始租資料中心或買 GPU。他拿光纖類比:光纖最後被用上了,但很多公司在獲利之前就死了。Reeder 的反駁是創投會自我修正——無法創造價值的公司募不到下一輪——而 Harvey、Pace 等被投公司的客戶今天就從 Token 得到真實價值,需求仍跑在供給上限之外。
Reeder 的投資視角是創辦人的深度與差異化洞見:Sail Research 創辦人 Neil Mova 的母親在 Intel,大學暑假都在 Nvidia,是 Together 的早期員工,他得出推論市場不是鐵板一塊——於是打造專為代理而生的基礎設施,她預期代理將成為多數工作負載。她想的比較不是終值,而是市場規模與執行力,並指出 Nvidia 大約 25 年前被投資時,沒有人能預測今天的價值。England 偏好會賺錢的生意與有資產支撐的模型,並主張資本密集度不是區分點——差異化的硬體製造能保住價值(SpaceX),而一般性的資料中心施工,跟電力合約與許可相比不值多少錢。
談到人形機器人,England 對消費場景公開存疑(「我要讓機器人幫我摺衣服……這他媽的太蠢了」),並舉責任問題——機器人砸到你的腳——是真實的限制。Reeder 的反例是機器人控制:一家新創的創辦人做過 DeepMind 的機器人研究,他們說幾年前做第一支機械臂與控制堆疊要六個月,用現在的模型只要兩週。England 讓步,但指出物理瓶頸:能從樹上摘水果的機器人真的很難,解決了也不代表到處都有機器人採收工,更不代表在經濟上划算。
被問到在 AI 裡穩賠錢的方法,Reeder 不接受這個框架——Sequoia 想的是押注下一個價值創造者,只要這一槍值得開,賠錢也可以接受。England 也不接,然後給了一個通則:顯而易見的共識點子,通常價格已經反映了。
單人創業正在成為預設選項,第一家十億美元的一人公司很可能是娛樂業
Solo Founders 計畫創辦人 Julian Weiser(該計畫從他共同創辦的 On Deck 長出來)與 Pulsia 創辦人 Ben Serre(Pulsia 是一套端到端自動化業務的 AI 產品)告訴主持人、Every 營運長 Brandon Gale:一人十億美元公司只是時間問題。Weiser 的資料:單人創辦的創投規模公司五年前約佔 20%,現在約 40%。Serre 預期一個人就能做出數十億美元營收,靠的是 2026 年初前後出現、會使用工具的代理。
Serre 押第一家這種公司會是遊戲或娛樂產品,不是 SaaS。遊戲可以多人、有社交性、付費意願高,單一創作者也可能做出爆款——他舉 Minecraft 是一個人做的,以及 Blumhouse 的低成本恐怖片模式(約 25 萬美元拍成、回收約 7 億美元)。一個人做企業銷售是難走的路。Weiser 對普遍性有意見:有些生意還是需要隊友——他舉 Celine Halioua 單人創辦的狗狗長壽公司 Loyal,最後還是得找製藥與生技高階主管進來。
兩人都把單人創業定位成對共同創辦人失敗的回應。Serre 上一家新創有三個共同創辦人,吵了好幾年;他形容那種模式是「辯論決策」而不是「做出決策」,並說最早期的共同創辦人,帶來的摩擦往往多於支援。Weiser 指出,早期公司失敗約有三分之二是人的問題,而且還發生在達到產品市場契合度(product-market fit)之前;一個平庸共同創辦人的風險,大過擲硬幣般的上檔報酬。Weiser 的計畫篩選標準:這個人相信一件「如果他對了就很重要」的事,而且願意順著線頭一直拉,直到找到真正的天花板——他舉 Lyra Space 的 Tan Mai(衛星/國防背景)與 Magic School 的 Adil Khan,後者是前高中校長,他說這家公司觸及的學校,教育了至少四分之一的美國學生,B 輪由領投 SpaceX 的那家機構領投。
談到營運,Serre 說他把基礎設施外包給合作公司——瀏覽器、沙箱、資安、算力成本——換取流量與獨家,而不是自己請工程師;自己的時間花在成長與產品品味:YouTube、X、LinkedIn,付費管道則在代理跑預算變得太危險時交給代理商操作。他跑過讓 Pulsia 自主找出並修好使用者回報 bug 的迴圈,後來一次失誤把系統弄掛就關掉,現在正重新開啟。談到護城河,兩人都指向通路與親身經驗:Weiser 說有工程師想把 Magic School 當「AI 外殼」複製,卻複製不了校長與學區之間的關係;並舉 Juritas 創辦人 Michelle(前 Legora、前 Revolut)為例,說明領域可信度本身就是銷售動能。談到最難的部分,Serre 說是不放棄,他曾用 AI 幫自己撐過去;Weiser 的建議是,多數決策都是可逆的雙向門,做了就往前走。
跨場座談:卡點在組織,但各場對它多快鬆開看法不一
當天各場座談從不同位子得出同一個診斷:微軟失敗的 Copilot 推行、Ode 的隱性知識問題、《大西洋月刊》封鎖爬蟲、Sequoia 的擴散落差,都是同一個問題的不同版本——能力跑在工作流程、衡量方式與激勵結構前面。分歧在於速度。Hatfield 與 Serre 描述已經實現的跳躍(一週改寫一百萬行、單人公司靠代理規模化);England 與 Thompson 警告,封閉系統的勝利無法轉移到生物、物理機器人或市場這種混亂的開放賽局,而佔 GDP 3.5% 的建設仍缺乏已被證明的報酬路徑。兩個值得追蹤的說法:Hatfield 的每單位智慧成本每年約降 100 倍,以及 Weiser 的單人創業從 20% 到 40% 的位移——兩者都是講者在臺上的主張,不是經過審計的數字;但若成立,都會實質改變組織設計與創投的結論。