AI不会让每个人都变成工具建造者
AI不会让每个人都变成工具建造者。企业软件变革的核心难题不是写代码，而是发现真正需要自动化的问题，以及推动全公司采用新工具。 大多数人的工作思维聚焦在业务本身，而非如何改进工具——律师想的是案子，销售想的是客户。软件需求往往隐藏在现有流程中，需要有人发现并重新定义问题。 企业软件使用存在制度化与即兴 improvisation 的张力，AI只是扩展了选择范围，不会改变这个根本问题。真正有价值的变革来自AI之前不可能存在的新事物。
Ben evans
Benedict Evans 的博客，前 a16z 合伙人，关于科技、媒体与战略的独立分析与年度报告。
评论
点赞
收藏AI不会让每个人都变成工具构建者
AI不会让每个人都变成工具构建者，因为大多数人的核心工作是律师、销售、会计，而不是造工具。软件最难的部分不是写代码，而是发现真正需要解决的问题以及怎么解决。 企业软件 adoption 是一个从制度化到即兴 improvisation 的连续谱，AI只是在这个循环里新增了一层——就像当年SaaS出现时一样。企业给全员发Copilot效果有限，跟1983年给全员发PC和Lotus 123、1997年给全员发浏览器一样：真正改变公司运作方式的，不是工具本身，而是围绕它重新思考业务流程和商业模式。
如何思考 AI 令牌定价：从稀缺到商品化的必然路径？
Ben Evans 认为当前 AI 令牌价格处于供应紧缺的不稳定状态，随着算力产能释放和推理效率提升，基础模型最终可能沦为低利润的商品基础设施。 文章对比了光纤、移动数据和半导体行业，指出除非出现网络效应或监管变化等未知变量，否则 AI 厂商难以长期维持高定价权和超额利润。
预测 AI 对职业的影响：为什么量化分析大多是徒劳的
本文是 Benedict Evans 的一篇长文，核心论点直指当前大热的"AI 替代岗位"量化分析在根本上不可行。作者提出三点历史检验：第一，会计行业被自动化了一个世纪，会计师人数反而增长，因为自动化降低了成本反而催生了更多需求（杰文斯悖论），而且工作内容本身变了。 第二，工作内容没变但商业模式变了——互联网没有改变记者的技能要求，但摧毁了报纸靠分类广告盈利的模式。第三，Uber 的例子说明，2005 年没人会认为智能手机"暴露"了出租车行业。 作者还指出 O*NET 这类职业描述系统本质上无法完整定义一份工作，就像专家系统失败了一样。文章强调，早期阶段对具体行业的预测只能是运气，量化图表和雷达图更多是自欺欺人。
办公室、消息与动词（2015）
本文剖析办公工具演进本质：技术迭代不是简单替代，而是重构工作流。以经典电影场景切入，论证新工具初期模仿旧流程（如PC复制打字机功能），终将重塑工作方式（如Excel被用作数据库）。 核心观点：生产力提升的关键在于提供全新机制（如拍照报销替代填表），而非优化文档模型。预测未来办公将融合消息与应用（如Slack+Quip模式），硬件需求随任务复杂度动态变化。 强调应区分“真实工作”与“所用工具”，避免用单一标准衡量效率。
人工智能、网络与机械 Turk
本文讨论大型语言模型（LLM）如何革新传统推荐系统，解决冷启动难题。作者认为，相比依赖用户行为数据的“机械 Turk”模式，LLM能通过语义理解生成更精准推荐，甚至无需自有用户即可调用通用知识API。 同时指出，新用户的初始体验设计（如Tinder读取相册）和跨平台数据整合（手机权限）将成为关键突破点。
OpenAI将如何竞争？
本文分析OpenAI的竞争困境：无独特技术、用户粘性低，面临巨头挤压。它需创造新体验以捕获价值，但缺乏分发渠道。百亿级资本投入试图建立护城河，但模型同质化下能否胜出存疑。
Netflix 不是科技公司
本文提出Netflix本质是电视公司而非科技公司，用Sky卫星电视作类比，指出两者都用技术撬动市场但成功关键在内容而非软件。作者认为当前对Netflix的讨论多聚焦影视行业问题（如版权、预算、明星片酬），而非科技问题，并引申至D2C电商领域同样存在“线上渠道是否构成护城河”的误区。
GenAI的采用之谜
Ben Evans质疑GenAI采用数据：虽30%用户快速接触，但日活比例极低（5%-15%），远低于认知度。类比社交App历史，强调DAU才是关键指标。 提出可能是时间问题、产品问题，或需新交互范式。
更好的模型真的更好吗？
本文批判性地反思AI模型性能提升的本质。作者指出，许多任务不存在“更优解”，只有“对错之分”，而当前LLM作为概率系统无法提供确定性答案。 通过查询美国1980年电梯操作员数量却屡次失败的例子，揭示模型虽能给出看似合理的回答，但缺乏事实准确性保障。文章质疑将LLM视为万能工具的传统思路，提出应重新思考其核心价值——或许真正的突破不在于让AI变得更“聪明”，而在于改变人类与AI协作的方式和预期。
问错了问题（2017）
本文通过历史案例揭示技术预测的根本性偏差：人们常预测错误的问题而非得出错误答案。作者以1964年RAND自动化预测和1990年TeleGeography通信报告为例，指出专家误判了技术发展路径（如高估传真机、低估互联网），强调结构性变革常被忽视，而真正颠覆性的创新往往源于新框架的突破。
AI之夏：繁荣背后的冷思考
本文剖析生成式AI热潮中的深层问题：尽管ChatGPT快速获得1亿用户，但多数人未持续使用，企业部署率远低于实验阶段。作者指出LLM本质是技术而非完整产品，当前投资热潮跳过传统产品验证周期，可能形成“反泡沫”——只有通过缓慢迭代才能找到真正实用的AI应用形态。
苹果智能与AI极客主义
苹果将大语言模型视为通用基础设施而非产品，主张通过设备端私有模型实现上下文感知的AI功能，与“AI极客主义”形成对比。其策略强调将生成式AI嵌入操作系统，以高效边缘计算替代云端调用，并开放第三方世界模型作为可替换插件。