为何人工智能将超越以往所有技术革命

企业正在一分为二

这次对话中最具启发性的数字并非来自创业公司的创始人或风险投资的路演材料，而是来自麦肯锡全球总裁鲍勃·斯特恩费尔斯，他描述了公司内部正在发生的事情：在面向客户的员工人数增加 25% 的同时，非面向客户的职位减少 25%，而后者却能产出多 10% 的成果。这在麦肯锡的历史上从未发生过。增长一直等同于员工总数的增长。现在，这个等式已经分裂。

在 2026 年国际消费电子展 (CES) 上，杰森·卡拉卡尼斯主持了一场由斯特恩费尔斯和 General Catalyst 首席执行官赫曼特·塔内加参加的 All-In Podcast 现场小组讨论，他将此定义为我们一生中最具决定性的转型。从个人电脑革命到云计算再到移动设备，所有这些都将被人工智能的影响所掩盖。但对话很快就超越了炒作，进入了企业目前正在应对的令人不安的运营现实。

麦肯锡的“25 平方”：人工智能分叉的案例研究

斯特恩费尔斯称之为“25 平方”。在面向客户的方面，麦肯锡正以史无前例的 25% 的速度招聘，因为工作正在发生变化。顾问们正在向上发展，处理人工智能无法处理的更复杂的问题。在后台方面，人工智能已经在搜索和综合方面节省了 150 万小时。智能代理在六个月内生成了 250 万张图表。斯特恩费尔斯希望完全摆脱图表。

该公司目前拥有 40,000 名人类员工和 25,000 名个性化人工智能代理。他们预计在 2026 年底之前达到对等。每个代理处理一个“完整的 360 度可信赖的工作职能”。它在以下方面效果最佳：结构化问题解决、搜索和综合、沟通。它在以下方面效果不佳：任何需要对价值观、社会规范或为模型应优化的内容设置正确参数的人为判断的地方。

“Our model has always been synonymous that growth only occurs with total headcount growth. Now it’s actually splitting.” 我们的模型一直认为增长只能通过员工总数的增长来实现。但现在它实际上正在分裂。

这可能是人工智能如何重塑大型组织的最清晰的现实世界演示：不是一个简单的替代故事，而是在顶端同时扩张，在底端同时压缩。

消失的入门级人才通道

塔内加描述了创业公司融资的转变：过去需要 300 万美元和 18 个月才能雇用 30 个人并展示第一个产品的团队，现在只需一小部分资源就能完成同样的事情。但对就业的下游影响是令人震惊的。杰森描绘了这样一幅画面：十年前，每个从一所不错的学校毕业的学生都会收到来自 Uber、Coinbase 和 Google 的 15 万美元的职位邀请。现在他们发出 100-200 份简历，却一无所获。

斯特恩费尔斯分享了麦肯锡全球研究所的一个惊人的数据点：过去 30 年里，员工技能的投资回报率缩水了大约一半。过去大约是七年；现在是 3.6 年。技能的半衰期正在崩溃。

但两位小组成员都认为，更危险的动态是斯特恩费尔斯所说的“从梯子上移除最下面的四个梯级”。公司正在取消入门级职位以节省资金，但这破坏了通往领导岗位的通道。他直接向首席执行官们提出挑战：“在未来的组织中，通往你职位的道路是什么？你有一条道路。它不会是同样的道路。”

“It’s literally like taking the bottom four rungs off the ladder to save money today. And then everybody’s jumping up trying to get in the organization.” 这就像为了今天省钱而拿掉梯子最下面的四个梯级。然后每个人都在跳起来试图进入组织。

三种不可替代的人类技能

斯特恩费尔斯根据麦肯锡与大型企业的合作研究，确定了人工智能模型无法复制的三种能力：

愿景设定。 你是去近地轨道、月球还是火星？设定正确的雄心水平是人类独有的。模型可以朝着目标进行优化，但无法决定哪个目标重要。

判断力。 这些模型中没有正确与错误之分。必须有人根据公司的价值观和社会规范来设置参数、架构。评估问题是真实存在的，但从根本上来说，这是人类的责任。

真正的创造力。 模型是推理机器，用于预测下一个最可能的步骤。正交思维，即创造全新类别的思维，仍然是人类的领域。

这意味着一个违反直觉的结论：如果这三种技能最重要，那么你上哪所学校就没那么重要了。麦肯锡现在正在探索是否可以通过候选人的 GitHub 个人资料而不是他们的文凭来评估他们，寻找原始的内在品质而不是证书。

教育的 700 年历史的架构正在崩溃

塔内加对教育提出了最尖锐的批评：整个系统都建立在 700 年前围绕高固定成本（图书馆、教授）设计的模型之上，该模型让学生在有限的时间内脱机，然后将他们释放到劳动力市场。当技能持续数十年时，这很有意义。当技能的半衰期不到四年时，这毫无意义。

他的建议：从四年制大学转向终身制大学。你与学习的关系变成了永久的技能提升和再培训。他指出，一些具有创新精神的大学校长已经在探索这一点，这也恰好是一种更好的商业模式（永久学生的终身价值与四年制客户相比）。

杰森给年轻人的建议更加直率：“没有人会来找你。没有培训计划。你必须为自己创造。”他的实际建议是完全跳过前门。给首席执行官发电子邮件，重新设计他们的登录页面，展示规格工作。他的理由是残酷但诚实的：

“Hiring somebody and training them is going to take longer than building an agent. I can build an agent. Young people coming into the workforce I have to train are annoying.” 雇用一个人并培训他们花的时间比构建一个智能代理还长。我可以构建一个智能代理。进入劳动力市场需要我培训的年轻人，很烦人。

现在真正重要的技能，他们都同意，是韧性。教育系统没有培养这种能力。塔内加将这种转变定义为从学习解决问题（人工智能现在可以做到）转变为学习提出正确的问题，回归苏格拉底式的对话。

物理人工智能：现在是自动驾驶，接下来是机器人

杰森将 2026 年国际消费电子展称为“自动驾驶消费电子展”，并预测 2027 年国际消费电子展将是“机器人消费电子展”。自动驾驶竞赛是全球性的：Waymo 领先，但 Nuro、Lucid、特斯拉的 Robotaxi 以及中国的比亚迪、阿里巴巴和 Pony AI 等公司都在竞争。

塔内加指出了汽车行业的结构性紧张关系：美国拥有技术创新（自动驾驶），但中国拥有制造成本优势。欧洲汽车制造商“非常沮丧”，因为他们不知道如何在任何一个方面与中国工业竞争。美国在全球获胜的唯一途径是利用人工智能来解决制造成本问题本身，从而使创新和生产都可以在国内进行。

在机器人方面，斯特恩费尔斯带来了硬性数据：韩国在每位工人拥有的机器人数量方面领先，大约为 1:10。德国和中国并列第二。美国远远落后于第三位。一家大型美国合同制造商的首席执行官有 50,000 个空缺的制造业职位无法填补，而且人口结构并没有改善。机器人不是可选项；它是以具有竞争力的成本建立有弹性的供应链的唯一途径。

但塔内加用一个结构性观察来缓和这种热情：与可以通过 ChatGPT 的云 API 部署并在一夜之间传播开来的 LLM 不同，机器人模型缺乏等效的硬件分发基础设施。没有用于物理部署的 API。机器人技术的发展速度将比人们想象的要慢。

特斯拉的擎天柱：“没人会记得他们曾经造过汽车”

杰森在小组讨论前的两个星期天与埃隆·马斯克一起参观了特斯拉的擎天柱实验室。大量的工程师在星期天上午 10 点工作。他看到了擎天柱 3 并提出了一个非凡的主张：“没人会记得特斯拉曾经造过汽车。他们只会记得擎天柱。”马斯克声明的目标是生产 10 亿台。杰森预测人类与擎天柱机器人的比例为 1:1。

“What LLMs are going to enable those products to do is understand the world and then do things in the world that we don’t want to do.” LLM 将使这些产品能够理解世界，然后在世界中做那些我们不想做的事情。

科技时光胶囊

最后一部分是对国际消费电子展创新的怀旧之旅：砖头手机（4 美元/分钟，30 分钟电池）、谷歌眼镜（杰森讲述了一个故事，他告诉拉里·佩奇在舞池里摘下它们）、黑莓（塔内加被告知“你在这次会议中受到了评判”，因为他在 2011 年在硅谷拥有一个黑莓手机）、Palm Pilot、Theranos 的微型血液检测设备和索尼 Discman。

两个观察结果带来了真正的见解。塔内加将今天的 AR 眼镜与谷歌眼镜进行了比较：外形更好，但实用性仍然不存在。我们可能处于相同的过渡阶段。斯特恩费尔斯将今天的健康可穿戴设备（Eight Sleep、Oura、Whoop、血液检测服务）与 Discman 进行了比较：过渡技术将融合为根本上更好的东西。塔内加提出了一个更尖锐的类比：LLM 幻觉就像 CD 跳碟。智能是存在的，但不可靠，就像音乐是存在的，但一直在跳碟。问题是这是否会发生根本性的变化。

一点洞见

这个小组讨论之所以有效，是因为嘉宾带来了运营收据，而不是预测。斯特恩费尔斯不是在推测人工智能取代工作；他描述的是一家拥有 40,000 名员工的公司内部的数学，该公司同时以相同的速度招聘和解雇员工。塔内加不是在推测创业公司需要更少的人；他正在观察他的投资组合公司构建智能代理而不是招聘初级员工。

• “25 平方”框架是对企业人工智能影响的最诚实的阐述：不是一个干净的替代故事，而是一个顶端扩张，底端压缩的分叉
• 技能半衰期数据（7 年到 3.6 年）比任何政策文件都更有说服力地证明了终身学习的必要性
• 梯子问题（取消入门级职位会破坏通往领导岗位的通道）是人工智能对话中几乎没有人提出的问题
• 塔内加关于机器人技术缺乏 API 等效分发机制的观点解释了为什么即使有更好的模型，物理人工智能的时间线也比软件人工智能的时间线更长
• Discman 到幻觉的类比出乎意料地尖锐：两者都代表了过渡技术，其中核心价值主张存在但不可靠