聊天机器人的黄昏：从「一起做」到「派出去做」

译者说明：本文译自 Ethan Mollick 的博客 One Useful Thing，原文发表于 2026 年 6 月 30 日。 文中的模型名称、评测数字与市场状况按原文照译，这类内容变化很快，读的时候请注意日期。 结构性的判断——工作方式从「与聊天机器人协作」转向「向 agent 派活」——是本文的主干。

如果你觉得 AI 领域在加速，你多半是对的。

能力在按指数增长

领先的美国 AI 实验室发布更好的模型的速度比以往任何时候都快（尽管政府干预曾暂时停止了对两个最强模型 Claude Fable 和 GPT-5.6 的访问）。

但不只是发布节奏。证据也指向能力增益本身在加速（尽管前沿仍然是参差的，AI 在很多地方依然薄弱）。

当我们看 AI 完成真实工作的能力时，这一点尤其明显。有几项不错的评估在试图测量 AI 能做多少人类的工作：

• METR 和英国官方的 AI 安全研究所估算的是：AI 用单个提示词能完成相当于多少人类程序员工时的工作
• GDPval 则用专业评委，把多个领域的人类专家与 AI 的表现做对比

它们全都在以快于指数的速率增长。

另一家做类似实验的机构 Epoch 最近发现，Opus 4.7 自主工作 14 小时，做出了一个需要 2–17 周人类工程工作量的软件包（token 成本 251 美元）。AI 系统并非能通过每一项测试，运行也并不总是便宜，但它们的改进速度确实非常快。在我自己的实验里，我发现 Fable 能自主工作 9 小时，完成一个团队要花一周多才能做完的复杂软件项目。

到目前为止，我讲的是前沿模型，也就是「智能」最高的那些，由三家美国公司制造——Anthropic、OpenAI 和 Google。但还有第二梯队的近前沿模型，通常落后前沿 6–12 个月，全部来自中国。这些是开放权重模型，意味着任何人在发布后都可以使用或修改（与专有的前沿模型相对）。这让它们的运行成本相当低廉。它们也在爬一条指数改进曲线，只是落后于美国的闭源模型。

你可以在我关于一项叫 AA-Briefcase 的测试的图表里看到这一点——这项测试模拟的是一次复杂的、为期数周的咨询项目，AI 必须完成多种类型的分析。

但抽象的图表能告诉你的有限，而且它们会掩盖前沿有多参差（也会掩盖一个事实：开放权重模型虽然令人印象深刻，但表现并不总是像它们的跑分显示的那么好）。

要获得真正的洞察，你需要在不同用例上实际试用 AI，并严格评估它们在对你重要的那些领域里到底有多好。

随着系统承担越来越长的任务，这些难以被评测捕捉的因素——设计、风格取向，甚至判断力——变得越来越重要。

我们使用 AI 的方式正在改变

随着 AI 能做的任务越来越长，人们使用 AI 的方式也在变。

直到不久前，主流的使用方式还是把 AI 当作协同智能（co-intelligence）：你让 AI 做一件事，检查结果，然后让它做你工作的下一步。通过细致的提示词和人的注意力，你可以引导 AI 完成复杂而长期的任务。

这种方式仍然常见且有用，但它越来越不是 AI 被用于有价值工作的方式。

长时间运行、聪明且能自我纠正的 AI 系统不需要持续的人类介入，它们要求一种不同的工作方式。而且与聊天机器人不同，agent 带着额外的机械装置：给 AI 提供工具访问和行动环境的外壳（harness），以及像 Claude Code 或 OpenAI Codex 这样为 agent 而建的应用。结果是，模型本已在提升的能力，还能被一个好的外壳或应用进一步放大。

所以工作越来越是把活儿派给 agent，而不是和聊天机器人一起干活。

OpenAI 与学术经济学家的一项联合研究显示了这件事发生得有多快——关键在于，用 agent 的不只是程序员。法务、人力资源和其他非技术职能采纳 agent 的速度几乎一样快。 OpenAI 可能是一只矿井里的金丝雀，预示着其他地方的工作会发生什么。

OpenAI 的工作越来越像在管理 AI：四分之一的 OpenAI 员工，每周都会有至少四个 agent 同时在跑。

决定成败的是领域经验，不是职业

而随着编程由 AI 在专门的外壳和应用里完成，其他角色也开始成为某种意义上的程序员。而且他们干得不错。

另一项针对 Claude Code 使用者的研究发现：在实际使用 Claude Code 完成编程任务时，软件工程师的成功率与其他职业的人相近。

真正起作用的不是使用者的职业，而是他们的专业深度。 一个人在某个领域的经验越丰富，他在那个领域使用 Claude Code 就越成功。 而且更有意思的是——他从每一个提示词里得到的有用产出也越多。

我们正在从「非专家用聊天机器人填补空缺」的世界，走向「专家用 agent 完成工作」的世界。而使用 agent 的最好方式，是把自己当成一个管理者。

一个时间点上的位置

处在指数曲线上意味着：每一个固定时间窗内的变化，都比前一个更大。

如果你的组织在 2025 年冬天之前的任何时候写过一份 AI 规划，那份规划描述的是一个能完成几小时工作、且错误率相当高的系统。几个月之后，你从单个提示词就能拿到十六小时甚至更多的工作量。

这就是为什么 AI 总感觉像在跳跃式前进——尽管它在图上是一条曲线，我们却把稳定的能力翻倍体验成了一连串冲击。

我们非常不擅长从内部感受指数，而我们正身处其中。

我认为这也比通常那套「炒作」的说法更好地解释了 AI 周围的动荡。AI 一直不构成真正的网络安全威胁——直到它突然构成了，于是最高层级的政府政策骤然而仓促地改变。市场一直不把「AI 可能颠覆某个商业模式」计入定价——直到它突然可以了，于是股价剧烈摆动。

这些颠簸常被解读为一个不成熟领域的标志，认为它最终会安定下来变成某种稳定的东西。我不认为它会很快安定下来。

当那些以人的速度（或者更糟，以委员会的速度）运转的机构，试图去追踪一条本质上完全不属于人类的能力曲线时，这种不稳定就是必然的结果。 只要我们还在某种指数上，只要它还持续，差距就只会拉大。

---

译后附记：这篇里最该被记住的一句

不是那些跑分，是这句：

真正起作用的不是使用者的职业，而是他们的专业深度。

这句话推翻了一个很多人默认的前提：「Claude Code 这类工具是给程序员用的，我一个做研究的用不上。」

研究显示的恰恰相反——在你自己的领域里，你的经验就是你的优势，包括「从每个提示词里拿到更多有用产出」。这和 Mollick 讲委派那篇 里的那句是同一件事：稀缺的不是 AI，是知道该要什么。

另外两条对这一行有直接含义的：

① 非技术职能采纳 agent 的速度和技术职能一样快。 OpenAI 内部的法务和 HR 已经在用。这条可以直接回答「我们这行是不是还早」这个问题——不早。

② 「一份 2025 年冬天之前写的 AI 规划，描述的是一个过时的系统。」 如果你手上有客户或公司内部的 AI 使用规范、采购清单、能力评估——看一下它的日期。这条对做咨询的人尤其实际：你交付的 AI 相关建议，保鲜期比你想的短。

一个必要的提醒：本文里所有具体的模型名、跑分和市场判断都会很快过时。结构性的那一半——从「一起做」到「派出去做」、领域经验才是变量——变得慢得多。 引用到客户材料里时，用后者，别用前者。

---

出处

本文译自 Ethan Mollick 的 One Useful Thing，原文 The twilight of the chatbots， 发表于 2026 年 6 月 30 日。译文与译后附记由 HiBridge 撰写。