a16z 合伙人：今年你所能听到的关于AI最理性的观点丨Lenny's Podcast
输入“/”快速插入内容
a16z 合伙人：今年你所能听到的关于AI最理性的观点丨Lenny's Podcast
a16z 合伙人：今年你所能听到的关于AI最理性的观点丨Lenny's Podcast
用户4242用户42426月1日修改
原创 Capihom Capihom 晚点再听LaterCast2026年5月31日 21:35 北京
我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 3900 字，如果你现在没有时间，试试转成播客稍后再听
"AI 和互联网、移动互联网一样大，也只和它们一样大。"
"每次新技术自动化掉一批工作，又会解锁一批还不存在的新工作。"
"不要把头埋进沙子里说：我讨厌这一切。"
Benedict Evan s 是一位独立分析师，曾是a16z的合伙人，在那里他担任了多年的内部“思想家”，追踪最重要的技术趋势。过去六年，他发表了大量关于科技发展方向的深度研究报告，最近的研究重点是 AI 对经济的变革。他的作品深受创始人、投资者和运营者的喜爱，帮助他们在这个纷繁复杂的领域中找到方向。他最具争议的观点是：AI的重要性堪比互联网或移动技术，而且仅此而已。
把 AI 放回 1997 年看
Benedict 开场给了一个很克制的判断：AI 和互联网、移动互联网一样大，也只和它们一样大。很多人听到后会觉得他低估了 AI，但他反问，智能手机和互联网难道还不够大吗？今天所有播客、远程协作、SaaS、移动支付和内容分发，都站在那两轮平台迁移之后。 把 AI 类比成互联网，并没有降级它；Benedict 想提醒大家：1997 年的人也知道互联网会改变世界，却不知道 Yahoo、Excite、Google、亚马逊和社交网络会怎样分出胜负。
"如果要拿互联网做类比，我们现在像在 1997 年：非常令人兴奋，大多数东西还不好用，后来人们会做的东西也还没被造出来。"
他把当下的割裂讲得很具体：科技圈里有人已经买了 Mac mini 集群，不再用 Google；圈外很多人只是每一两周打开一次 AI。模型公司、定价能力、应用入口、价值链分配都还在混战。Benedict 说自己最近做了一个 80 页演讲，听众调侃那 80 页都在说“我们不知道”。这并非逃避判断；他把时间线摆正：早期平台迁移最危险的错误，往往是过早把赢家、入口和商业模式说死。
软件行业已经先撞上变化
如果说大部分行业还在试探，软件开发已经先进入强震区。Benedict 用 1970 年代末的电子表格做类比：会计看到 VisiCalc 时，马上能感到一周的表格计算被压到 30 秒。律师和记者看着同一台 Apple II，只会觉得“我会让会计看看”，因为那不是他们每天的工作。今天的软件工程师像当年的会计，Claude Code、Cursor、Copilot 这些工具直接打进他们的主流程。
"会有 VisiCalc 之前和之后，也会有 Claude Code 之前和之后。"
但他并不相信“人人自己 vibe code 一个 Stripe”。代码行数被生成，不等于产品判断、客户理解、上线运维、权限合规和商业分发一起消失。更可能发生的是，软件供给继续膨胀，团队能做更多内部工具、更多自动化、更多原来不值得排期的小功能。工程师的手从键盘上挪开一部分，脑子要更早进入需求、架构、验收和系统边界。
咨询公司为什么更忙了
Lenny 提到一个反直觉现象：OpenAI、Anthropic 这些最前沿的 AI 公司，反而在买咨询能力、雇 forward deployed engineers，PE 机构也在帮被投公司做 AI 改造。按最粗糙的叙事，AI 应该让咨询顾问消失；现实里，模型公司更需要一批懂客户现场、懂系统连接、能把 AI 落到流程里的人。Benedict 的解释很朴素：公司没有一群闲人坐着等大型流程改造。
"你要彻底重新想象公司所有内部工作流，判断哪些能被 AI 很快自动化。这本身就是一个项目。"
他列了一串熟悉的公司场景：要接三套垂直系统和两套横向系统，要重新设计门店流程，要分析流失率过高的原因，要训练员工使用新工具。这些活过去会找 Bain、BCG、McKinsey、Accenture、Infosys、广告公司或建筑师事务所。AI 没有把项目管理、组织政治、客户访谈和系统集成吞掉。 模型让某些交付物更便宜，却把“谁来改流程、谁来负责落地”推到了台前。
任务被压缩，工作会变形
Benedict 反复拆一个区别：task 和 job。电梯操作员的工作，曾经几乎就是拉杆、开门、停到楼层；按钮自动化以后，那份工作确实消失了。但很多知识岗位没那么简单。咨询顾问交付的是 75 页 PPT 吗？如果只看文件，Claude 可以做一个粗糙版本。可客户付钱购买的，经常是走遍企业、找到人没说出口的阻力、问客户真实想法、处理部门之间的博弈。
"你雇 McKinsey，是为了拿一份 75 页 PPT 吗？狭义上，Claude 会做一个很糟糕的版本；就算它做得不错，那也不是你付钱的全部原因。"
他还借 Amazon 打了一个比方：Amazon 擅长把你已经知道的 SKU 送到手里；可在很多品类里，决定该买哪一个 SKU 是另一份工作。Claude Code 能写代码，但“要写什么代码”仍要有人决定。功能、客户、渠道、定价、权限、售后、合规，每一层都可能比代码本身更难。 AI 先压缩可描述、可验收、可复制的任务，剩下的工作会向判断、协调和选择移动。
会计和投行给出旧线索
自动化带来的结果，不总是“同样的事用更少人完成”。Benedict 提到会计行业：从加法机、打孔卡、主机、数据库、ERP、PC、Excel 到云软件，会计工具一轮轮变强，美国会计岗位数量仍长期上升。投行也一样，Excel 没有让高盛助理周五中午下班，反而让银行可以建更多模型、跑更多情景、服务更多交易。
"如果让一件事变便宜，接下来会怎样？你可能用更少的钱做同样的事，也可能用同样的钱做更多事，还可能因为有了新的回报，花更多钱做更多事。"
这也是他反对“AI 公司最该减少人类”的原因。Lenny 提到 Dan Shipper 的观察：最先进的 AI 公司，包括 Anthropic 和 OpenAI，都在增加员工。Benedict 认可这个复杂性。AI 会让一部分任务迅速降价，但被释放出来的产能可能转向更多客户、更多实验、更多项目和更多专业服务。公司少要一批执行者，同时多要一批能把模糊需求变成可运行系统的人。
岗位清单很难预测冲击
Benedict 对那些“某职业有 17% 会被 AI 替代”的表格很不客气。他认为，把一个高级律师、合伙人、产品经理或顾问拆成一堆可量化任务，再给每个任务标注可自动化比例，像早期专家系统试图用规则识别猫：先写边缘检测，再写毛发检测，再写眼睛检测，十几年后堆出几百条规则，系统仍然不好用。
"你不能看着一位律所高级合伙人说，他 17% 的工作可以被自动化。你做不到。"
更麻烦的是，外界常常猜错暴露面。1997 年，如果问互联网会摧毁谁，很多人会说报纸会省掉印刷费，出租车司机和互联网没关系。后来 Uber 改变了城市出行。唱片公司曾以为自己卖的是音乐，互联网拆掉实体塑料片的制造和分发后，行业结构跟着塌了一块；报社曾以为自己卖的是新闻，印刷、卡车和分类广告被拆开后，现金流也换了形状。今天有人说私人教练不会受 AI 影响，Benedict 马上设想另一种画面：把 iPhone 架在器械上，让 AI 设计训练计划，观察动作是否正确。这个场景未必一定成立，但它展示了冲击路径的弯曲程度。
Uber 和 Airbnb 的分岔
Benedict 还拿 Uber 和 Airbnb 作对比。Marc Andreessen 常说，Uber 没有把软件卖给出租车公司，Airbnb 也没有把软件卖给酒店。可市场结果完全不同：Uber 在很多城市冲击了出租车行业，还把出行总盘子做大；Airbnb 对酒店的影响相对有限，它开出了一个新住宿市场，但大量商务差旅仍然选择酒店。
"我妻子下周晚上 8 点到密尔沃基，第二天早上 7 点去客户现场。她要酒店、客房服务、浴缸和清晨的健身房，她绝对不会住 Airbnb。"
这组对比很适合放到 AI 里看。同样是“软件改变旧行业”，有的行业被正面替代，有的行业被旁边长出的新需求分流，有的行业只是多了一个工具层。AI 也不会按一张统一表格推进。客服、法务、设计、销售、教育、医疗、咨询，每个行业都有自己的责任链、风险承受度、客户习惯和监管边界。Benedict 常被人吐槽答案总是“看情况”，他并不反驳，因为具体行业一落地，简单判断就开始漏水。酒店、出租车、报纸、音乐和企业软件各有自己的供给链，AI 进入这些链条时，冲击会先沿着最容易拆开的环节走。
别把头埋进沙子里
Lenny 最后问，普通人该怎样在这轮变化里让自己更安全。Benedict 先补了一句冷水：长期看，平均数会变好，不代表每个人都会平稳过渡。某些职业金字塔会被重排，律所明年也许从招 100 个 associate 变成招 50 个。对准备进入这些行业的人，这不是轻飘飘的宏观变化。
"有帮助的，是完全潜入进去，出来时理解今天能用它做什么、它怎样改变事情、你怎样成为一个更好的候选人。"
他的建议很直接：别把抗拒当成职业策略。去面试时说“我永远不用 AI”，只会让自己离未来的工作方式更远。更稳的做法，是亲手把工具用进自己的材料、研究、代码、图片、会议纪要、原型和客户分析里，知道它在哪些地方会胡说，在哪些地方能省掉两小时，在哪些地方需要人来验收。 AI 时代最危险的姿势，可能并非判断错了某家公司；更糟的是拒绝获得一手手感。
Benedict 自己的用法也很克制。他说自己会用 AI 校对文字、生成图片，还曾拿公寓照片让模型尝试换墙漆、灯、桌子和地毯颜色；但他做研究时最想自动化的是精确信息检索，偏偏这正是当下模型容易出错的地方。他还提到，很多 AI 会慢慢消失在普通自动化里，比如 iPhone 语音转文字。用户不一定每天喊“我在用 AI”，只是开始默认软件能听懂、能转录、能先做一版。
谈到反 AI 情绪时，Benedict 没把焦虑一棍子打掉。他承认很多行业会痛，尤其是原本靠金字塔培养新人的专业服务。但他反感把愤怒当成行动本身。社交平台上的道德优越感不能帮人通过下一轮面试，也不能帮团队找到新流程。职业安全感更可能来自反复试错后形成的判断：哪些输出能直接用，哪些必须复核，哪些环节仍要人去谈判、拍板和承担责任。
写在最后
Benedict 的安慰不是“别担心，一切都会自动变好”。他给出的更像一张工作清单：承认不确定，亲手试工具，观察自己的岗位里哪些任务被压缩，哪些判断会升值。别急着押注唯一结局，先把自己放到变化现场。等工具继续成熟时，手感会比立场更早提醒你下一步该学什么，也更容易让团队相信你的判断。
内容来源："A rational conversation on where AI is actually going"丨Lenny's Podcast