编辑 | 姜篇

"The only people that know how to deploy these tools are going to have a job another three or five years."

" 未来 3 到 5 年，只有懂得部署这些 AI 工具的人才会有工作。"

欧亚集团创始人 Ian Bremmer 参加了一个访谈。他把人与 AI 之间正在拉开的差距，压缩成了一个词：deploy。

紧接着，Ian 给出了他的判断：未来 3 到 5 年，懂得部署 AI 工具的人，才更有机会保住工作。

Ian 关心的并不是哪个模型跑分更高，而是企业把 AI 接进真实工作以后，人会被放到什么位置。

备注：Ian Bremmer 是政治学者，现任欧亚集团和 GZERO Media 创始人、总裁。2023 年至 2024 年，他曾担任联合国人工智能高级别咨询员

会问 AI 问题的人已经很多。能把 Agent 接进真实系统，并让它稳定、可控地干活的人，仍然很少。

以下为访谈内容，我们进行了翻译与整理。

访谈里有一段画面让人很难忘。

主持人提到，印度一些工人戴着头部摄像机工作。摄像机会记录他们的手怎样移动、工具怎样使用、一道工序怎样完成。企业收集这些数据，是为了训练未来的 AI 和机器人。

人还坐在工位上，自己的动作已经变成了训练数据。

主持人："record themselves doing it."

" 让工人把自己完成工作的过程录下来。"

工人的操作过程被转成训练数据

代码仓库里同样留着大量 " 工作过程 "：Issue 怎样拆，Pull Request 怎样改，测试为什么失败，事故发生后查了哪些日志。

过去，这些记录主要留给团队协作；Agent 开始进入开发流程后，它们也成了模型学习项目规则、模仿工程师判断的材料。

问题随之变得具体：公司能不能拿员工的开发记录训练内部 Agent？离职工程师留下的提交记录属于谁？第三方模型读过私有仓库以后，代码和日志会保存多久？

团队在接入 Agent 之前，至少要把数据范围说清楚。哪些仓库可以读，哪些日志需要脱敏，哪些会话能够留存，供应商能否将这些内容用于训练，都应该写进配置和合同，不能只藏在工具默认项里。

Ian 把未来 3 到 5 年的就业门槛放在了 "deploy" 上。

假设 Agent 接到一个任务：修复支付系统的重复扣款。它可以搜索代码、定位相关函数，再补上一段幂等判断。但要把改动推到线上，团队还得提供复现用例，确认历史订单怎样处理，限制它访问生产数据库，让它跑完回归测试，并准备好灰度和回滚。

这些工作缺一块，Agent 都有可能把 " 修好一个 Bug" 变成另一场事故。

Ian 谈未来 3 到 5 年的 AI 部署能力

会用 AI，是能把任务交给模型。会部署 AI，还要解决五件事：上下文从哪里来，Agent 能调用什么工具，结果用什么验收，权限怎样收紧，失败以后怎样撤回。

这也是普通开发者最该补的部分。Prompt 技巧更新很快，今天流行的写法下个月可能已经过时。代码库入口、测试命令、权限规则、日志和回滚方案一旦搭好，换一个模型仍然能继续用。

访谈中，主持人引用了 Sam Altman 的一个判断：未来人们会像购买水、电一样购买智能。

Ian 把它概括为 "intelligence as a commodity"，也就是智能正在变成一种可以计量、交易的商品。

两人讨论智能成为按量计费的资源

开发者其实已经提前遇到了这个未来。

一个 Agent 任务的成本，不只取决于最后生成了多少行代码。它读了多大的仓库，重试了几轮，调用了多少次搜索和终端工具，中间有没有压缩上下文，都会落进账单。

同样是修一个 Bug，有的任务一次完成，有的任务会在错误方向上跑半小时。模型回答都叫 " 完成 "，成本可能差一个数量级。

所以部署 Agent 时，预算也要进入工程设计。

以后查看 Agent 运行记录，除了成功率和耗时，还得多看一列：每次成功到底花了多少钱。

Ian 在访谈里谈到模型发现软件漏洞的能力。他连续用了两个动作。

Ian Bremmer："find these bugs."

" 先找到这些漏洞。"

Ian Bremmer："patch them."

" 再赶在其他人拿到同类工具之前完成修补。"

他担心的情况很现实：模型先找出缺陷，防守方还没来得及修补，攻击者已经拿到了同样的工具。

Ian 谈模型发现漏洞后的时间差

对开发团队来说，Agent 能力越强，权限越不能全放开。

代码仓库、CI、云控制台和生产数据库不该共用一套权限。读文件、改代码、执行测试、发布生产要分层授权；密钥只在任务执行期间临时下发；删除数据、修改权限和上线发布保留人工确认。

Agent 运行时还要留下完整记录。它读了哪些文件，调用过什么命令，为什么改动这几个模块，测试失败后怎样重试，都应该能够追查。

出了问题，只看到最终 Diff 远远不够。团队需要知道它一路是怎么走到这里的。

Ian 给企业提了一个很不讨巧的建议：把原来的五天工作周改成四天甚至三天，工资不变。

Ian Bremmer："additional day."

" 每周额外留出一天。"

Ian 建议企业为 AI 训练留出固定时间

几秒后，他又明确了这一天的用途。

Ian Bremmer："AI training."

" 这一天专门用于 AI 训练。"

如果 AI 会改掉大量工作流程，公司就得在工作周里专门留出训练时间。不能买完账号、发一份使用手册，第二天便要求所有人提高 30% 的产出。

开发团队可以从一项真实任务开始练。

第一周，选一个边界清楚、能够回滚的维护任务，比如依赖升级或补复现测试。第二周，把验收条件写成能直接运行的测试。第三周，接上 CI、权限和日志。第四周，再看成功率、人工返工时间和单次成本。

这四周的价值，不在于做出一场漂亮演示。团队会亲手碰到上下文缺失、测试不稳、权限过大和成本失控，随后把这些问题修进流程。

培训如果只教员工怎样写 Prompt，很快就会过期。让人跟着一项任务走完 " 分配、执行、验收、上线、复盘 "，学到的才是部署能力。

评论区里，有人把问题指向知识所有权。

他认为，知识过去装在人脑里，现在正被搬进数据中心。印刷术让知识传播得更分散，AI 基础设施却可能把知识重新集中到少数平台手中。

网友评论：知识从人脑迁往数据中心，谁拥有数据和算力，谁就掌握议价权

也有人对这类预测明显不耐烦，只留下一句：" 这些末日式节目让人疲惫。" 这条评论拿到了 21 个赞。

网友评论：对反复渲染 AI 危机的内容感到厌倦

两种反应都不难理解。

" 未来 3 到 5 年只有会部署 AI 的人才能留下 " 足够刺耳，却不是经过验证的就业预测。谈到短期就业时，Ian 其实给出了一个更缓和的判断。

Ian Bremmer："I don't agree."

" 我不认同明年美国就会出现大规模失业。"

紧接着，Ian 又补了一句。

Ian Bremmer："more friction."

" 这个过程会遇到更多阻力。"

企业不会无缘无故大规模裁员，组织惯性、监管和经济周期都会拖慢变化。

可另一边，Agent 已经在接手测试补齐、依赖迁移、日志排查和批量重构。岗位没有一夜消失，岗位里的任务正在换人。

只会用 AI，不等于明天就会失业。只会写 Prompt，也很难成为团队里不可替代的人。

模型进入真实开发之后，决定结果的是整套系统：代码库有没有清楚的入口，测试能不能给出可靠反馈，权限会不会越界，日志能不能追溯，预算会不会跑穿，失败后能不能回滚。

这些事情过去分散在开发、测试、运维和安全团队手里。Agent 把它们压到了同一条任务链上。

把 Ian 那句话放回开发现场，意思就清楚了。模型能力会继续更新，开发者要负责把它变成稳定、可验收、付得起的生产力。

Prompt 只是开门。门后面的工程系统，才是未来 3 到 5 年需要补的功课。

参考链接：

https://www.youtube.com/watch?v=Bj02me1CHmE

——好文链接——

AI 时代的工作要靠自己创造！斯坦福 AI 经济学家：下一代开发者，要学会给一群 Agent 找事做，更大的机会是复制高手的工作方法

OpenAI 前董事：人工智能已经失控了！模型为过测试逃出沙箱限制，Agent 安全不能再靠一句 Prompt

程序员岗位被 AI 掏空了！前 OpenAI 高管参与 AGI 激辩：AI 替代岗位，可能根本没有裁员通知