一份原本需要四小时完成的工作，现在用大模型十分钟就能完成，稍作修改便可以交付。员工的确省下了时间，可如果任务分配、协作方式和岗位职责都没有变化，公司未必会因此得到更多产出。

最近看了 Sana 创始人乔尔·海勒马克与经济学家 Tyler Cowen 的一场对谈，他们谈到的正是这种落差。
Cowen 早在 2013 年出版的《平均已终结》中，就讨论过人工智能可能带来的改变。后来，他在 GPT-4 正式发布前获得试用机会，只用了几分钟便判断，自己曾经预想的变化已经开始发生。但 AI 带来的变化并没有同时发生在所有行业。
他在对谈中说：「编程革命已经到来。」不过，在谈到大多数企业时，他的判断却是，模型已经足够强，企业仍不知道怎样把它放进日常工作。把这两种情况放在一起，差别主要出现在模型交付结果以后。
代码写出来，可以立即运行和修改；一份材料写快了，省下来的时间却不一定进入下一项工作；到了生物科学、法律等领域，结果还要经过现实验证，也必须有人承担责任。所以 AI 能不能真正进入一个行业，要看后面的工作能不能接得住。
一、编程为什么先走了一步假设程序员让 AI 修改一段代码，模型给出结果后，代码能不能运行、测试能不能通过、哪里出现报错，很快就会有反馈。结果不对，就把报错和新的要求再交给模型，让它继续修改。
一次生成、一次检查、再修改一次，任务就这样往前推进。AI 能持续参与编程，靠的是每次交付之后，程序员都能较快知道下一步该做什么。程序员不用等很久，就能知道这次交付是否可用。
在这个过程中，模型负责先给出代码，程序员负责说明任务、检查结果和决定下一步。Cowen 所说的「编程革命」，可以从这套已经发生变化的工作过程来理解。AI 不再只是在某个环节偶尔帮忙，它已经能够接手一部分具体步骤。但这只能说明 AI 进入了个人的工作过程。一个人完成任务更快，公司整体是否因此变快，还要看省下来的时间怎样继续使用。一个人做快了，只是第一步。
二、一个任务快了，公司却未必变快开头那份四小时变成十分钟的工作，就是 Cowen 用来说明这个问题的例子。他把这类用法称为「自由职业式」的 AI 工作。员工把一个零散任务交给模型，拿到结果后再回到原来的工作安排，任务之间的关系并没有改变。结果是，员工省下了时间，公司原来的工作安排却没有动。工作提前写完了，接下来做什么、这段时间如何安排、其他岗位怎样配合，公司仍要自己回答。
没有这些安排，四小时变成十分钟，只能说明一项工作做快了。企业要把这部分时间变成新的产出，就得重排工作。哪些任务可以交给模型，哪些判断仍然需要人来做，交付结果由谁检查，原来的岗位怎样配合，都可能跟着变化。
工具装进公司，只是开始，员工熟悉的工作方式不会随之自动改变。一旦岗位职责和能力要求开始调整，AI 带来的变化就会落到具体的人身上。
Cowen 设想过一个场景。告诉一名四十岁的员工，公司不会解雇他，但他过去熟悉的整套做法已经变了，从明天开始，要用 AI 重新学习怎样工作。在他的判断里，这种调整遇到的阻力不会比降薪或裁员小。
模型可以不断更新，人的工作却不能按月改写，组织还要调整岗位，也要给员工留下学习和适应的时间。个人效率与公司产出之间，隔着的正是这部分调整。即使企业愿意调整，也不是所有行业都能照搬编程的做法。
三、有些结果，不能只在电脑里检查药物要做实验，法律答案要有人审核。谈到生物科学时，Cowen 认为 AI 可以带来新的想法，但这些想法仍然要靠实验验证。模型虽解决了某个问题，也不代表药物或设备马上就能投入使用，中间还有测试和监管。
法律工作面对的又是另一层难题。模型可以掌握大量规则，给出的答案也可能看起来合理，但它没有执业资格，也无法独自承担法律后果。结果必须有人审核，出了问题也必须找到负责的人。
这两类阻力并不相同。生物科学首先要解决结果怎样验证，法律工作还要回答责任怎样划分。错误造成的现实后果越严重，模型给出答案之后，需要补上的环节就越多。
也正因为这些环节涉及实验、制度和人的工作方式，技术出现以后，行业不会立刻完成改变。Cowen 用电力作过类比。电力最终改变了人们的生活，整个普及过程却花了约四十年。AI 传播得更快，机构调整流程、岗位与责任仍然需要时间。
所以，判断一个行业有没有真正用上 AI，不能只看员工是否已经开始使用模型。结果怎样检查，省下来的时间怎样进入下一项工作，出了问题由谁负责，更能看出 AI 有没有进入核心工作。
编程先走了一步，因为它已经能让模型生成结果、接受检查，再根据反馈继续修改。其他行业要补上的，是模型交付之后的整段工作。