最近，我在聊天里说了一句很不客气的话：
“很多人当牛马当了一辈子，有了 AI，也只会让 AI 教他怎么当牛马。”
这句话来自我在工作中反复遇到的一种挫败感。
我向一些人介绍 Codex，告诉他们可以把工作交给 agent 去完成。他们经常非常理直气壮地回答：“我的工作特别复杂，AI 干不了。”
没有认真尝试，没有提供必要的资料，没有说明最终要得到什么结果，甚至没有弄清楚它能使用什么工具，就已经下了结论。
你解释一种做法，他说自己的业务特殊；你提出一个具体方案，他又搬出另一个从未告诉你的条件。讨论到最后，和在网上遇到一个根本不准备讲理的喷子，没有太大区别。对方始终在维护“我的工作不可能被它完成”这个结论。
我越来越没有耐心参与这种讨论了。因为这件事关系到他们接下来还能靠什么谋生。
我这里说的“文字处理工作”，范围非常广。
会计整理凭证、核对账目，销售维护客资、准备方案，法务阅读合同、比较条款，客服整理问题、查找规则、起草回复，运营汇总数据、编制报告——只要工作主要发生在电脑里，源信息能够被数字化，最后交付的也是电脑里的成果，都属于我讨论的范围。
这里的“文字”，接近大语言模型里 language 的广义概念：文字、数字、表格、规则、代码，以及它们表达的关系。
这些内容可以被读取、比较、计算、转换和重新组合。你每天亲手完成的许多操作，都发生在这个范围之内。
黄仁勋在 2024 年 2 月的世界政府峰会上，有一段非常鲜明的表述：
“the programming language is human: everybody in the world is now a programmer”
“编程语言就是人类语言：现在，世界上的每个人都成了程序员。”原文：NVIDIA 官方报道 ↗
这句话描绘的方向，是普通人可以用自然语言指挥计算机完成工作。它也让我更加确信：一个人的生产能力，越来越取决于他能否清楚地表达意图。
与此同时，很多人仍然把“我每天有很多步骤要做”当成“我的工作无法被自动化”的证据。
忙碌并不能证明技术复杂度。
开发一套真正投入使用的业务系统，需要处理需求、数据结构、业务规则、接口、权限、异常、测试、部署，以及上线后的实际运行问题。它必须在真实环境里工作，不能只是在文档里看起来合理。
连复杂的商用软件、商用网站，agent 都已经能够完成从编码、测试到部署上线的整条工作链。这类系统可能涉及几十万、甚至更多行代码，要让大量模块、业务逻辑、数据、接口、权限和异常处理相互配合，最后在真实环境中稳定运行。面对已经能交付这类成果的 agent，再听到有人坚持说：“我这个办公室工作太复杂，Codex 做不了”，我实在很难接受。
在我看来，单论执行层面的工作量和复杂度，完整商用系统工程远比办公室里所有其它非编程岗位的文案处理工作复杂百倍，甚至不止。把这些日常办公室任务算作它的百分之一，我都觉得已经很客气了。这是我对量级差距的判断，但我追问的问题非常具体：
你究竟能不能说清楚，你的工作复杂在哪里？
是资料拿不到？规则没有确定？几个来源互相矛盾？需要一个尚未作出的业务决定？还是成果必须由有资格、有权限的人签字负责？
这些都可以讨论，而且必须讨论。
一句笼统的“我的工作很复杂”，却把所有问题都藏起来了。它既没有帮助 agent 完成任务，也没有证明 agent 无法完成任务。
专业判断的难度、出错后果的严重程度，以及操作步骤的繁琐程度，需要分别看待。
一份合同可能涉及巨大的责任，一笔账目可能影响重要决策。这恰恰要求有人判断目标是否合理、依据是否可靠、结果是否合格。它并不能自动证明，阅读、整理、比对、计算、起草这些执行环节，都必须继续由人逐项完成。
我真正想强调的变化，是人的工作位置必须改变。
让 AI 当牛马，不要让 AI 教你当一个比以前更能干的牛马。
现在很多人的 AI 应用方式，是向 chatbot 请教一件事情应该怎么做，拿到步骤以后，再自己打开软件，一步一步操作。
他们学习更复杂的公式、更熟练的操作、更高效的流程，然后继续亲手完成工作。
对于把电脑端工作交给 agent 这个目标，这种用法从一开始就站错了位置。人依然承担全部执行，AI 只是帮助这个执行者提高熟练程度。执行者更能干了，工作却仍然绑在这个人身上。
这根本没有理解 agent 意味着什么。