AI 讓生成答案變得廉價,稀缺的是你帶著視角去追問
當所有人都能從 Claude 拿到同樣的默認答案,真正值錢的不是模型能力本身,而是你因為責任和視角而去追問出的那個不一樣的答案。
原視頻在 YouTube 上放不出來,用音頻聽:
核心論點 · 點時間戳可跳到原聲
AI 在專家盲測中三年內從輸給人類變成碾壓人類
OpenAI 的 GDPval 基準測試讓模型完成真實專業任務,再由專家盲測對比人類版本和 AI 版本誰更好。2024 年用 GPT-4o 時,AI 勝出率只有 12.4%;2025 年漲到 47.6%;到 2026 年用更新的模型已經到了約 83%。Dan 用這組數字說明「聚合視角」裡看到的曲線確實是驚人的,但他接下來要說明這個曲線會誤導人。
— Dan Shipper一個 Claude 訂閱頂替了五個崗位的工作
Dan 回顧自己上週的真實工作:分析季度客戶調研數據、做一款團隊競猜遊戲、vibe coding 出一套自己的 CRM 並用它聯繫客戶。按 2020 年的標準,這相當於需要一個數據科學家、一個遊戲開發者、一個產品營銷、一個工程師和一個 BDR,價值約 20 萬美元,而他只用一個 Claude 訂閱在一週的碎片時間裡全部完成。他把這種看見模型做自己工作時的衝擊感,稱為「能動性斷裂」。
— Dan Shipper同一份數據,團隊裡每個人挖出完全不同的洞察
同一份客戶調研,Dan 看出了給團隊賣 every 的機會,負責增長的 Yash 看出新用戶第一個月後流失率過高,負責營銷的 Douglas 看出讀者普遍感到「孤獨」,編輯 Jack 則做成了一個家庭問答遊戲節目來講結果。而如果直接把同一份數據丟給 Claude 默認提示詞,得到的是「寫作是生意本體、捆綁是留存關鍵、風險集中且郵件量太大」這類誰都能拿到的通用結論。
— Dan Shipper生成答案很便宜,排出正確答案很難
團隊的評測負責人 Mike Taylor 做了個實驗:能不能讓 Claude 預測 Dan 會在 Slack 裡說什麼。結果是,如果讓 Claude 一次給出 400 個候選答案,其中會包含 Dan 真正會說的那句話,準確率高達 93%;但如果要求 Claude 對這些答案排序,Dan 真正會說的那句只有大約六成的概率能被排進前 10%。這說明模型的瓶頸不是產出內容,而是在海量可能性裡排出真正有價值的那一個。
— Dan Shipper比較人和 AI 沒意義,該比的是人怎麼用 AI
Dan 設想一個常見的質疑:等 Claude 排序能力變強,2027 年的 Claude 是不是就不需要 Yash 了?他指出這個比較本身是錯的:到 2027 年,Yash 也會變成「用著 2027 年 Claude 的 2027 年 Yash」,所以等式其實是「2027 Yash + Claude」對「默認提示詞 + 2027 Claude」。兩邊的 Claude 可以抵消,真正要比的是「帶著責任和視角去用模型的人」和「只會用默認提示詞的人」,而他每次都會選前者。
— Dan Shipper模型能力是不斷下移的地板,個人視角才是增量
Dan 提出,模型默認給出的答案會隨版本升級越來越強,但因為人人都能拿到,它只會變成「地板」,不斷被拉高、被普及,本身不再值錢。真正稀缺、真正值錢的「alpha」,是你用自己的責任範圍和視角去推動模型產出的那部分;哪怕這部分明天也會被吸收進更高的地板,只要你持續在用新模型,你自己也在隨之升級,而不是被凍結在舊版本里。
— Dan Shipper評測 AI 該放棄標準答案題,轉向個人視角任務
Dan 在 2024 年的文章裡提出「配置經濟」:未來評判一個人不是看他懂多少,而是看他能多好地分配和管理 AI 這種智能資源來完成工作。他延伸出一個反直覺的結論:現在評測 AI 能力習慣用數學題、編程題這類有公認標準答案的任務,但這類任務恰恰因為可驗證、可被所有人共享而變得廉價;真正該測的是模型能多好地完成「從我的視角出發」、沒有共識答案的工作。
— Dan Shipper原話 · 已逐字校驗
This is in 2020 terms like a data scientist, a game developer, a product marketer, an engineer, a BDR, and like 200, maybe 200K.
按 2020 年的標準,這相當於一個數據科學家、一個遊戲開發者、一個產品營銷、一個工程師、一個 BDR,差不多價值 20 萬美元。
Dan Shipper6:18
And you think about that, you really think about that, you look at a table like this and you are like, we are so fucked.
你認真想一想這件事,看著這樣一張表,就會覺得——我們完蛋了。
Dan Shipper6:18
Generation is really cheap, but ranking is hard.
生成內容真的很便宜,但排序很難。
Dan Shipper15:55
I pick Yash every day. I pick Yash every day, every time.
我每天都會選 Yash,每一次都會選 Yash。
Dan Shipper20:06
the floor keeps moving, but the floor keeps getting distributed to everybody. And so what's valuable, the alpha, is where you push the model using your perspective and your responsibility for a particular area of the world.
地板一直在往上移,但這塊地板也在不斷分發給所有人。所以真正值錢的那部分增量,來自你用自己的視角和你對某個領域的責任去推動模型做出的東西。
Dan Shipper21:10
you won't be judged on how much you know, but instead on how well you can allocate and manage the resources to get work done, the resources of intelligence.
未來評判你的不是你懂多少,而是你能多好地分配和管理資源——也就是智能這種資源——把工作完成。
Dan Shipper23:13
數字與實體
| GDPval 中 AI 對人類專家的勝率(2024) | 12.4% | 4:15 |
| GDPval 中 AI 對人類專家的勝率(2025) | 47.6% | 4:15 |
| GDPval 中 AI 對人類專家的勝率(2026) | 約 83% | 4:15 |
| Every 團隊規模 | 30 人 | 9:25 |
| Claude 預測 Dan 在 Slack 發言的準確率(給出 400 個候選答案時) | 93% | 14:46 |
| 要求 Claude 對候選答案排序時命中前 10% 的概率 | 約 60% | 14:46 |
術語
- GDPvalGDPval 基準
- OpenAI 提出的測評:讓模型完成真實專業任務,由專家盲測對比人類與 AI 版本的質量
- agency rupture能動性斷裂
- 看到模型能替自己完成工作時,對自我認同造成的衝擊感
- allocation economy配置經濟
- Dan 2024 年提出的概念:價值來自如何分配、管理 AI 資源完成工作,而非自己懂多少
收聽指南
想知道「自動化之後人該做什麼」具體答案的創業者、產品/團隊負責人,以及正在思考個人在 AI 時代如何定位的知識工作者。
開場介紹會議背景(0:00-1:51)可以跳過,不影響後面的核心論證。