一年前，商業寫作平台 Every 創辦人 Dan Shipper 在 Lenny's Podcast 上丟出一個當時聽起來有點怪的判斷：大家低估了 Claude Code 用在「非寫程式」工作上的潛力。
一年後回看，這個方向確實被更多人討論，編碼代理不只拿來寫程式，也開始被拿來整理文件、處理資料、協助日常工作。於是他又回到同一個節目，這次帶來的預測，其中好幾個都站在當前主流敘事的對立面。
最反骨的一個是：AI 失業末日不會發生。
這個判斷的份量，要先放回它的脈絡才看得懂。當下產業圈、資本市場，確實有不少人用「benchmark 分數快速上升」推導出「人類工作即將被大規模取代」。
Shipper 在訪談中提到一個常被引用的數字：模型評估機構 METR（Model Evaluation and Threat Research，專門測 AI 自主能力的研究單位）的測驗顯示，最受關注的大型模型已能以 50% 的準確率，自主執行長達 17 小時的任務。
乍看之下，人類被晾在一旁似乎只是時間問題，但其實不然。
Shipper憑什麼樂觀？
Shipper 的反證，來自他自己搭的一個測驗。
他用 AI「vibe code」（憑感覺、全程靠 AI 寫）做了一個叫 Proof 的線上編輯器，結果上線後伺服器每隔十分鐘就當機，他怎麼修都修不好，還因為連續熬夜操作得了「vibe coder 手肘滑囊炎」。最後他找了兩位資深工程師，各自獨立把程式碼重寫一次。
這兩份人類重寫的版本，成了他的標準答案。此後每出一個新模型，他就丟同一道題：「這是 vibe code 出來的爛東西，如果要你從第一原理重寫，你會怎麼寫？去做。」
他在訪談中說，GPT-5.5 之前的所有模型都只拿到大約 30 分（滿分 100），而人類資深工程師約落在高 80 到低 90 分。直到 GPT-5.5 才跳到約 62 分，而且還是搭配 Anthropic Opus 4.7 擬的計畫才達到的成績。
差別不在聰明，在「敢不敢」。Shipper 觀察，GPT-5.5 是第一個有足夠決斷力、敢直接「撕掉舊程式碼、從頭重寫」的模型；其他模型接到「這裡有幾個 bug，去修」的指令，就真的只乖乖去修那幾個 bug，在邊緣補丁，不會跳出來說「這整套架構爛掉了，得重來」。
他由此推出一個更難被 benchmark 衡量的觀點：benchmark 只能在「人類已經把問題定義好、能打分」的題目上爬升。但「察覺這裡有問題、想到該怎麼把它寫成一道題去問 AI」 這個動作本身，無法被測量，卻是真正的人類工作。
換句話說，就算 benchmark 全部飽和，也不等於資深工程師被取代，這也是他至今仍持續聘工程師的原因。
「自動化是個謊言」：每個代理都需要一個在乎它的人類
這套邏輯延伸出他第二個反共識判斷：自動化是個謊言。
Shipper 的意思不是自動化沒用，而是 「每次你自動化一件事，為了確保它運作良好，你就需要一個人類在上頭盯著」。
他援引自己幾年前提出的「配置經濟（allocation economy）」概念：人與 AI 共事的方式像當經理，而真正的經理並不是躺在海灘上，他們花大量時間在盯進度、修問題、確認方向。
這個「人類連結」的需求，直接改寫了他對 AI 代理架構的看法。OpenClaw（一種人人可用的開源代理平台）剛紅時，Every 全員採用，Shipper 一度深信未來是「每人一個代理」的平行影子組織，他甚至用《黃金羅盤》裡的守護精靈來比喻這種「代理是你靈魂的延伸」。
但他後來完全翻轉：實際上能運作的是「一家公司一個超級代理」，Shopify 有一個叫 River 的代理，Ramp 也有一個。
原因很實際：個人代理維護太麻煩，常壞、要自己 SSH 進伺服器排錯，多數人根本不想花這時間。一旦沒人照顧，代理立刻失效。所以企業的解法變成：設一個「前進部署工程師（forward deployed engineer）」類型的人，專門負責讓那個公司級代理為全員運作。
Shipper 認為這是 AI 時代最關鍵的新角色，諷刺的是，「自動化本該消滅工作，結果卻創造了一種、甚至很多種新工作」。
為什麼他看好 PM 和設計師
來到最受用的部分：誰會是贏家？Shipper 的答案是 PM 和全端設計師，理由值得拆開看。
他用 Every 內部一位叫 Marcus 的人當例子。Marcus 是 PM 出身，曾在 Axios 負責寫作產品、做到數千萬美元營收，後來休息一年、變得極度擁抱 AI，學會了用 Cursor（現在改用 Claude Code）。
Shipper 形容他「輕度技術」，知道什麼是資料庫遷移、看得懂程式碼，但不是工程師。一年前，Every 根本不可能雇他來做現在這份工作；但編碼模型夠好之後，他得以把有限的技術底子，和他真正的強項：「尖銳的產品直覺、對寫作和使用者的敏銳度」結合起來，出貨速度比團隊幾乎所有人都快，而且不必再去組一整支團隊。
這裡的邏輯是：AI 把「建造」這件苦工做完了，剩下的價值落在「決定要建什麼、判斷好不好、要解決哪個問題」。而這恰恰是 PM 的本職。
全端設計師同理。過去設計師做出漂亮的互動，常卡在工程師不想做或做不對；現在他們能自己把想法直接建出來、直接發 pull request，不必再交接。
Shipper 點出一個關鍵差異：用 AI 隨手生成的東西全都長一個樣（業界戲稱 slop），而設計師能做出「長得很不一樣」的東西。當預設選項被商品化，創意就更值錢。
這正是他整套樂觀論的核心機制：模型做的事，是「讓昨天的人類能力變便宜」。人人都能做 landing page，於是到處都是長得一樣的 landing page；人人都能寫，於是到處是 slop 推文。
簡單來說，因為大家用同一批模型、用最預設的方式，產出全部趨同、被商品化、不再值錢。人類的工作，就是拿這些「冷凍的昨日能力」去做出新的、有趣的、還沒被做過的東西。
冷靜潑一盆水
Shipper 的預測讀起來很提神，但有一道張力他自己也沒完全迴避：他的許多觀察，來自一個極端不具代表性的樣本。
Every 是一家約 30 人、全員都是 AI 早期採用者的公司，從編輯到客服都在用 Codex、Claude Code 工作，內部跑著六個軟體產品，而且因為扮演「AI 評測者」角色，能比別人更早拿到內測模型。
Shipper 自己也承認，很多公司「限制員工使用最新模型」，員工可能得用下班時間偷偷試。一個由布魯克林 30 個 AI 狂熱者構成的實驗室裡成立的規律，能不能外推到一家有上萬員工、IT 部門層層審批的傳統企業，是這套預測最大的問號。
連他看多的角色也帶著但書。他做就業市場研究時發現，設計師職缺數其實一直沒成長，他自己都在等，「看這會不會變成趨勢」。也就是說，「設計師是大贏家」目前還是一個基於內部觀察的判斷，尚未在公開的人力市場數據上得到印證。
不過，他結尾收束的那個畫面，仍值得焦慮於 AI 的工作者參考。他把人對 AI 未來的想像，比作中世紀人對地平線盡頭的恐懼：那裡有龍嗎？會掉進虛無嗎？而真正走到那裡的人會發現，「有些很酷的東西，有些不酷的東西，然後又是另一條地平線」。
同時，一切都變了，也什麼都沒變。SaaS 還在、email 還在、Slack 還在，但每個角色的內容都被翻新了一遍。
如果他是對的，那麼在這條地平線上活下來的方法，簡單到近乎樸素：駕馭模型（ride the models）。新模型出來就拿來試，把它用在你真正在乎的事情上，找到那個「哇，它居然幫我做到了」的瞬間。
先別急著怕被取代，先去找到跟它一起工作的樂趣。
資料來源：Lenny's Podcast — The AI paradox: Dan Shipper、YouTube 訪談影片
本文初稿為AI編撰，整理．編輯/ 李先泰
