文章解读 Acemoglu 等人的论文《Automation and Reproduction》，该论文首次用经济学模型量化了面对自动化引发的社会动荡时，资本方的三种选择：管制、再分配与镇压。核心结论是：自动化与镇压是互补品——再分配是变动成本，随自动化程度上升而变贵；镇压是固定成本，相对越来越便宜。因此随着资本积累，代表资本利益的国家会从再分配转向镇压。模型还显示市场会过度自动化（因外部性），民主政体也面临政变临界税率。作者提出第四条出路：分散资本所有权，让工人持有资本，但这条路必须在再分配的窗口期内建立。
Mustafa Suleyman 转述诺贝尔经济学奖得主 Daron Acemoglu 在 The Humanist Review 创刊号中的观点：AI 短期内不会大规模取代人类工作，未来十年仅约 5% 的人类工作会被替代。文章指出 AI 尚未在生产力统计中显现实际收益，未来十年 GDP 仅增加约 1.5%；如同电力普及耗时数十年，AI 采用也会因企业需重组而较为缓慢；即使 99% 准确率也不足以实现完全自动化。作者主张停止构建替代人类的 AI，转而发展'亲劳动者 AI'，让人与 AI 配合协作，并批评美国税收政策补贴自动化、科技巨头集中度过高等问题。
文章针对出海团队每天人工盯热搜、找选题效率低、时间滞后的痛点，介绍如何用代码和 AI 搭建一套 24 小时自动巡检的选题流水线。核心思路是抓住搜索量短时间暴增但内容供给空白的上升词红利。流水线分三层：一是围绕种子词库做周期性快照轮询并计算趋势斜率，自动发现飙升关键词；二是通过黑名单过滤、商业意图词性筛选和聚类去重，剔除娱乐八卦等噪音，保留排查解决、选型对比、资源索取类高价值需求，并附完整 AI 过滤提示词；三是接入大模型，把上升词拆解为痛点解决方案、工具选型、成本风险、可交付资源四张选题卡，实现选题自动化裂变。文中提供了两段可直接复用的详细提示词。
作者作为一家30多人AI公司的创始人，用5天时间打造了一个基于Agent的企业中台。他先让Claude生成了品牌VI、UI设计组件和PPT模板，并将其封装为Skill；随后解决了同事们Vibe Coding应用部署与分享的痛点，将中台包装成MCP，接入飞书登录与权限体系，实现应用一键部署、子域名分配、权限管控。同时搭建了应用广场、Skill分发、资料库、OKR可视化面板及千人千面的个性化首页，并让Agent自动维护多维表格数据。作者认为数据和协同关系是企业未来的核心资产，期待AI原生的组织变革。
作者提出，与其担忧AI夺走工作，不如关注它创造的新职业——自动化工程师。文章指出：工作需求无限，自动化需求也无限；构建自动化从未如此容易，但难点在于判断该自动化什么，并将其嵌入有真实人、流程与政治的企业环境中。以SeatGeek为例，部署AI后IT工单量暴增，通过自动化，三周内自动解决了40%的IT请求，六十天内超过50%，而原团队成员被重新部署到客服、合规和法务等部门构建新自动化，公司还因此增设了五个自动化工程师岗位。作者认为这是AI时代真正的新兴职业，并公开招聘首批百名自动化工程师。
作者展望了未来5-10年软件开发的变化：AI模型正以每半年约10倍的速度变强，未来将极其智能、快速且廉价。开发模式将从IDE自动补全，演进到终端中的AI编码代理，最终只需用自然语言或语音告诉计算机想要什么，AI代理即可自动完成构建、测试、修复和上线。文章还探讨了为AI代理设计的意图式操作系统（无需UI）、为每个用户动态生成的应用界面、面向AI代理的新协议（如MCP），以及未来5-10年最抢手的技能，强调经验与意图表达能力将比手写代码更重要。
Karri Saarinen 探讨了 AI 时代工具效率提升背后的隐忧：产品和工程工作产出两样东西——产品本身和制作过程中的学习。AI 和 Agent 能写更多代码、开更多 PR、做更多实验，但团队的理解力和判断力会因此变强还是退化？作者以 CEO 亲身经历指出，一旦疏离产品和客户，产品认知就会变得模糊。他主张不应抗拒 AI，而是利用效率红利让团队有更多时间贴近客户、探索问题和保持产品判断力——自动化已知工作，但让学习、发现与决策始终留在人的手中。
Chamath 探讨了 AI 投资回报率（ROI）难以在生产力数据中体现的原因。AI 成本极低——企业中位数每月每位员工仅花费 12.50 美元，只需提升约 0.15% 的效率即可回本。但价值端难以衡量：企业员工大部分时间花在协调、会议和流程审批上，而非产出工作，人成为 AI ROI 的瓶颈。2026 年一项 515 家初创公司的实验显示，几乎所有收益都来自最顶尖的 10% 企业——关键在于围绕 AI 重组工作流程，而非工具本身。作者引用 Solow 的生产力悖论和 Musk 的五步自动化流程，指出企业应先简化流程再自动化，生产力提升将取决于大企业采纳的速度。
武汉米禾堂快餐店老板董泽军有近30年厨师经验，他将三个厨师换成了两台炒菜机器人，门店日接待300多位食客、月节能30%-40%、面积从50平扩到260平。商用炒菜机器人渗透率目前不足2%，连锁品牌渗透率已达约40%，行业预计2026年为放量元年。文章拆解了厨师难找且不稳定、机器回本周期约8.4个月等行业账目，指出机器适合快餐团餐等标准化场景，并提醒店主先算清成本、写出量化菜谱、确认单量稳定再上设备。厨师的手艺可以从手上搬到纸上，被复制和放大。
文章以1865年杰文斯提出的“效率提升反而导致资源消耗增加”的悖论为切入点，解读新发布的AI模型Jev比现有大模型便宜444倍、快近200倍的意义。作者认为判断成本骤降将推动各行业从“抽样”走向“全检”，重演历史上铝、钢铁等价格崩塌后催生全新应用的规律。同时提醒三大代价：缺乏可解释性、判断力外包、责任真空，并指出杰文斯悖论只在需求未饱和时成立。最后建议读者从工作中的具体判断入手思考自动化机会，把人的位置从“做廉价判断”上移到“决定什么值得被判断”。
作者分享用 Codex 自动化运营小红书账号的经历。他看到一个小红书账号讲“生活中常见物品的英文名”类内容，于是拆解其选题模型：熟悉的事物+陌生的英文名+好奇心问题。随后将找选题、查名称、写标题、做图、排版等执行环节全部交给 Codex，自己只负责定方向和审核。最终账号获得 105 万曝光、18.4 万观看、封面点击率 17.9%，2 天涨粉 1000。作者总结方法论为：发现→拆解→模仿→迭代，即复制已验证的底层逻辑并用 AI 快速生产自己的内容，大幅缩短从发现机会到落地的时间。
文章介绍如何解决AI生成网页时“不太对，再改一下”这类模糊修改意见难以落地的问题。作者拆解百灵 Ling-3.0-flash-VL 的官方演示，并提出用 Claude Code + Ling-3.0-flash-VL + Playwright MCP 的复现方案：VL 负责看参考图、生成代码和分析差异，Claude Code 负责读写文件和调用工具，Playwright 负责打开浏览器截图。关键细节是保持截图宽度一致，并让模型真正查看截图。作者建议从作品集首屏入手，通过截图对照迭代修改，让“看着不太对”变成可对照的图片差异。
文章探讨了高级 AI Skill 的本质：不是把更多指令塞进一份文件，而是把多个单点能力按任务关系编排组合。作者通过分析 GitHub 上多个热门 Skill 仓库，总结出五种组合模式：路由（判断调用哪个 Skill）、顺序（强制工作流程）、选择（按需分诊组合）、流水线（专业能力交接）和分层（Skill 与系统能力分工）。文章提出组合 Skill 的五个核心零件：路由、输入输出契约、顺序与并行、上下文状态、验证反馈，并建议从真实返工中逐步长出组合关系。核心观点：Prompt 让 AI 听懂一次需求，Skill 固化一类做法，而组合 Skill 才能把复杂任务交付出来。
