上篇講了 Anthropic 整批員工的 craft 哲學，和 PM 改寫 evals 的工作轉變。這篇繼續後三件事：工具組合、世代授權、以及跨週期的隱形 leverage。
第三件：不等更強的模型，先把工具堆起來
每次新模型出來，社群上有兩種反應。一種人說「終於可以做 X 了」，另一種說「還是不行」。看起來不同，其實都在等。等模型變強。
但我翻了一圈發現，第一線的團隊沒有人在等。
Google DeepMind 的官方文件有個概念叫 scaffolding（鷹架）：不是讓單一模型扛所有事，而是在模型周圍堆工具，查資料的查資料、驗邏輯的驗邏輯、格式不對就重跑。與其等到 AI 強到不會出錯，不如在它旁邊放一些檢查機制，讓它出錯時能被攔下來。
中國的月之暗面（Kimi）做得更激進：可以把一個任務拆成 300 個 sub-agents 同時跑，端到端延遲降 80%。Anthropic 工程師 Boris Cherny 講過他同時跑 5 個 agents，有時候他們互相吵架，但都在替他幹活。
這在工程上是奇觀，但它說的其實是工作的形狀變了。
過去一個工作流要一個人從頭做到尾：寫週報的人查數據、整理重點、寫文字、修錯字，全部一個人扛。現在一個工作流可以由多個 agent 分工，人類只在關鍵節點介入。就像上班組團隊也不可能個個是明星成員，能截長補短、互相分工才是重點。
對非工程師的啟示很簡單：不是找一個全能助理幫你做完所有事，是設計一條分工流水線。每個環節讓 AI 做一件小事，合起來的成品比你叫它「直接給我完整報告」好很多。
第四件：原生 AI 世代的年輕人，比你想像中值得信任
我們老一輩總擔心年輕人有 AI 之後懶得用大腦。但我翻這 8 家公司的時候，看到的不是這件事。
DeepSeek 全公司約 140 人，以年輕研究員為主力。梁文鋒說，每個人隨時可以無審批調用訓練集群的 GPU，一張 GPU 一個月幾千美金。字節 Seed 的實習生，掛名核心基礎設施的開發。在傳統大廠，實習生通常只做邊緣專案，不可能碰核心。
這些公司在做的是：把核心資源開放給年輕人，用結果驗證信任，不用資歷篩選。
這件事對兩種人有不同的意義。
如果你是主管，你的猶豫通常不是「他做不到」，是「他做不到的時候我兜不住」。但 AI 時代的年輕人是用工具放大現有判斷力，天花板跟過去十年累積經驗的人不一樣了。
如果你是被觀察的年輕人：能不能讓主管覺得「給你授權的成本是合理的」，跟你的工作方法寫得多清楚有直接關係。能寫清楚的人，主管才放心放手。
跨週期的隱形 leverage
我這代前 AI 時代長大的職場人，看過 PC、互聯網、行動網路三個週期的工作流怎麼被重組、誰賭錯了、誰賭對了。這個跨週期記憶本身就是判斷力，是原生 AI 世代沒有的東西。
但它要能被用上，前提是你得先進到協作模式，不能一直停在 chat 模式當消費者。
chat 模式是「我問，AI 答」。協作模式是「我設計任務，AI 執行，我驗收標準」。這兩件事用的是同一個工具，但工作者的位置不一樣。
寫了這麼多，其實是同一件事的不同層次：把判斷力變成資產是 Why，把標準寫成可打勾的 evals 是 How，用工具堆疊讓標準跑起來是 What。三件事連在一起，才是一個完整的動作。
📌 本文首發於「許幼如｜用數據拆解商業世界」，完整版請見： https://yojuhsu.com/blog/ai-non-engineer-work-reorganize
✉️ 訂閱電子報： https://yojuhsu.beehiiv.com/
