很多人都认为，人工智能应该取代人类的工作。
现实结果却恰恰相反。
AI不仅没有消灭工作，反而在创造工作。RampEconomicsLab对2.1万家美国公司的研究显示，AI采用两年后，高强度AI使用企业员工规模反而增长10.2%，而低AI支出企业基本停滞。
原因很简单，因为人类的成本比AI更低。
Ramp数据显示，在头部企业中，每位员工的AI支出预计从2025年初约2万美元/员工，增长到2026年底的22.5万美元/员工，远远超过美国普通员工年薪和软件工程师薪资。
为什么会出现这个现象？
最近， a16z 投资企业 Hebbia CEO George Sivulka 就专门写了一篇文章，对这个现象给出了一个出人意料的判断：因为80%的AI预算都在“空转”。
而他给出的解法也很简单，就是一门 185 年前诞生的老手艺——管理。
本文编译自Hebbia CEO George Sivulka 于 2026 年 7 月 15 日发表的文章《You just hired a million bad employees.》。以下为编译整理内容：
/ 01 / 堆Token，就是数字时代的堆人头
组织遇到问题时，最常见的反应不是重新定义问题，而是增加资源。
过去是加人，现在是加Token。
模型答得不好，一次推理不够，就多跑几轮。表面上看，这是在提高智能密度。本质上，它和传统公司的“人海战术”没有区别——都在用资源投入掩盖任务定义不清。
Token本身从来不是问题。问题是，大多数人并不知道哪些信息值得交给AI。
真正高质量的上下文，是能够讲清楚流程，知道任务的目标。这实际上是一种管理能力。
如果任务没有被定义清楚，更多Token并不会带来更多智能，只会带来更昂贵的混乱。于是，很多公司出现了一个颇为讽刺的现象：AI预算不断增长，真正被解决的问题却没有同比增加。
他们购买了更多“数字员工”，却没有增加相应的管理能力。
/ 02 / Agent循环，就是在给AI开会
很多Agent系统都有一个看上去很聪明的设计：模型先执行任务，再检查结果，然后根据问题进行修改，如此循环，直到达到目标。
在任务定义明确、评估标准清晰时，这套机制很有效。但在现实业务中，循环常常只是另一种形式的无效会议。
模型之所以反复尝试，往往是因为我们从一开始就没有给出清晰的目标。AI只能不断生成、反思、推翻、再生成，用更多算力弥补目标的模糊。
这件事有多贵？a16z 给了一组测算：同样一个代码库迁移任务，指令写得清楚，4 美元跑完；扔给一个含糊的循环，310 美元。
在2026年6 月Fable 5 的首日测试中，同一任务的单位完成成本差距最高达到 17 倍。310 美元是什么概念？已经接近一个美国普通员工一整天的全包人力成本。
而它交付的，和 4 美元那一次，是同一个任务。
说白了，这和一群人围绕一个模糊议题连续开会并没有本质区别。第一次会议没有结论，于是决定再开一次会；第二次会议的结论，是需要更多人参加第三次会议。
人类用会议消费工时，Agent用循环消费Token。两者背后的问题完全相同：管理者没有完成定义问题的工作。
/ 03 / 浪费的Token，是新的组织膨胀
大公司里有一种常见现象：流程原本是为了解决问题而存在，后来流程本身变成了需要被维护的问题。
一个审批节点会产生另一个审批节点，一个部门会证明自己需要更多编制，一个中间层会不断制造只有自己才能协调的复杂性。最终，组织消耗大量资源，只是为了维持组织本身的运转。
AI系统同样会发生这种膨胀。
一个Agent负责拆解任务，一个Agent负责执行，一个Agent负责检查，还有一个Agent负责评估检查结果。每增加一层，看上去都让系统更完整；但如果没有严格的收益验证，它们也可能只是在彼此生成工作。
人创造更多的人，Token创造更多的Token。
这意味着，未来管理AI的核心指标，是每一单位Token究竟产生了多少可验证的业务价值。
未来，优秀的AI管理者还要善于砍掉没有价值的推理、循环和上下文。Token效率，将成为新的组织效率。
/ 04 / 找到AI的效率杠杆
AI真正无可替代的优势，其实只有一个：可扩展性。
复制一名优秀员工的能力，过去几乎不可能。你需要招聘、培训、授权，还要接受人与人之间不可避免的差异。但一套被验证有效的AI工作流，可以在一瞬间复制一万份。
这也是“人类比软件便宜”这个判断最容易被误解的地方。
从单次任务看，一个经验丰富的人可能比反复试错的AI更便宜。但从规模看，一旦企业找到真正有效的上下文、工作流和评估体系，优质Token的边际成本仍然会迅速低于人力。
这其中关键在于，企业需要找到那些具有百倍杠杆的AI场景。
上一代科技公司争夺的是“10倍工程师”，下一代公司争夺的，将是能让AI效率提升100倍的业务上下文和管理系统。
/ 05 / 没有人会免费培训自己的接班人
管理AI还有一个经常被低估的问题：企业最有价值的知识，通常都在员工的脑子里。
一个老销售知道什么时候应该让价，一个客服主管能从一句话里判断客户是否会投诉，一个供应链经理知道哪家供应商嘴上答应得最快、实际交付却最不可靠。
这些知识很难被写进标准流程，却决定了企业真正的竞争力。
而AI转型要求员工把这些经验整理出来，变成模型可以理解和调用的上下文。这并不是一个单纯的技术动作，它会直接触碰组织内部的利益结构。
几个世纪以来，掌握别人不知道的知识，就是一种工作保障。中世纪行会保护秘方，现代公司里的员工保护“经验”。现在，企业希望员工把自己的独门方法完整交给AI，同时又告诉他们AI只是一个提高效率的助手。
员工当然知道这意味着什么。
没有人会无条件培养一个可能取代自己的接班人。因此，企业AI转型最终都会进入组织政治的深水区：知识应该归谁，贡献如何计算，效率提升之后利益如何重新分配，员工为什么愿意配合。
所以，设计好知识迁移的激励机制，将成为AI落地关键。
/ 06/ 评估是新的 OKR
为什么AI在编程领域进展最快？一个重要原因是，代码天然带有评估标准。
但现实世界里的大量工作并没有这样的标准。
所以，AI落地最重要的工作，就是建立评估体系，也就是Eval（评估体系）。AI 的采用程度，很大程度上依赖于追踪工作的”可评估性”。
Eval相当于AI的OKR，但它比传统OKR更具体，把模糊的业务判断拆成机器可以理解的规则。模型决定AI能力的上限，Eval决定企业能否把能力稳定地转化为结果。
/ 07/ 转型AI，将是下一个万亿美元机会
过去几年，AI产业的主要价值集中在基础模型、算力和应用层。大家都在卖铲子，也都在讨论哪些服务会被AI重新做一遍。
但这些讨论掩盖了一个更大的现实：模型已经足够多，应用也已经足够多，真正稀缺的是把它们稳定运行在企业核心流程中的能力。
硅谷现在流行一种判断：传统企业组织复杂、政治严重、流程僵化，所以它们不可能真正完成AI转型，未来的机会属于从第一天就用AI重做业务的新公司。
这只说对了一半。
AI原生公司确实更轻，也更容易采用新技术。但传统企业仍然掌握着最重要的资产：真实客户、分销渠道、行业牌照、历史数据，以及那些尚未被写进任何文档的业务经验。
这些资产不会因为一个新模型发布就自动失去价值。相反，谁能把它们转化为AI可以调用的工作流，谁就能释放巨大的生产力。
所以，未来规模最大的AI公司，未必是又一个基础模型公司，也未必是试图取代所有传统企业的“AI原生服务商”，而可能是帮助企业持续完成AI转型的公司。
从本质上说，它们卖的是一套持续的管理能力：梳理流程、提取知识、设计上下文、建立Eval、控制Token成本、划定人机边界，并随着模型能力变化不断重写业务。
这也是Palantir最值得关注的地方。表面上，它卖的是软件。实际上，它更像是在出售一种把复杂组织变成可计算系统的能力。软件只是载体，转型才是产品。
AI时代会把这类需求放大十倍。
因为AI转型并不是一次性项目。企业每落地一个场景，就会发现十个新的场景，模型每提升一次能力，原有流程就值得重新设计一次。AI用得越多，需要被管理的AI也越多。
这是一个典型的杰文斯悖论：技术越高效，对相关资源和服务的总需求反而可能越大。也就是说，管理AI会是大模型繁荣之后的收尾工作。它本身就是下一阶段最重要的产业。
/ 08 / 结语
过去，每一次技术革命，最后都成了管理问题。
19世纪30年代，铁路迅速扩张，美国铁路里程在十年间增长了约120倍。技术把运输能力推到了一个前所未有的高度，也把原有的管理方式推向了极限。
1841年，两列火车因为调度失误在马萨诸塞州相撞。事故暴露出的并不是蒸汽机不够先进，而是系统复杂到一定程度之后，继续依靠个人经验已经无法维持运行。
铁路公司随后开始划分区域、设置经理、书面规定职责、建立清晰的汇报关系。今天我们习以为常的现代企业管理，正是在铁路网络的扩张中逐渐成形的。
铁路先创造了运力，后来才创造管理运力的方法。
AI正在重复同样的过程。
大模型已经把“智能供给”变成了一种几乎可以即时扩张的资源。过去，增加十个人需要招聘、培训和磨合。现在，增加一万个Agent只需要调整一次调用规模。
但供给越容易扩张，管理失效的代价就越大。也就是说，在AI时代，管理反而越来越重要了。
而这是一门正在诞生的新管理学，也是下一个万亿级机会。