这几年做AI开发，我越来越明显地感觉到一个变化：AI真正带来的效率提升，已经不只是帮我们写一段代码、生成一张图片或者整理一份资料，而是开始接管一整段工作流程。以前我们使用AI，更像是在使用一个Copilot，每一步都需要人告诉它下一步做什么；现在越来越多的Agent产品，则希望用户只提出最终目标，剩下的事情由AI自己完成。
这种变化在软件开发中尤其明显。很多开发任务，现在已经可以只告诉AI需要实现什么功能，它自己分析代码、修改文件、运行测试、发现问题再继续修改，最后交付一个可以运行的结果。只要任务定义得足够清楚，中间大量过去需要程序员亲自完成的工作，确实可以自动化。
但当我把这种工作方式放到其他领域时，却发现事情并没有这么简单。
比如写一篇Blog文章，资料搜索、事实整理、数据核实、语言润色、SEO，甚至最后发布到不同平台，这些事情理论上都可以逐渐交给Agent。但真正决定这篇文章是不是我的文章的部分——为什么要写这个话题、一个新闻意味着什么、哪些观点我认同、哪些地方我觉得说得太满——最后还是需要自己判断。
问题也就出在这里：AI Agent可以越来越完整地交付结果，但并不是所有工作，都存在一个可以被机器清楚定义的“好结果”。
一、Agent最容易自动化的，不是简单工作，而是可以验证的工作
很多人讨论AI自动化时，习惯按照工作难度划分：简单重复的工作容易被AI替代，复杂创造性的工作比较安全。但从Agent的发展来看，这个划分可能并不准确。
软件开发显然不是简单工作，却恰恰成为目前Agent发展最快的领域之一。原因并不只是大模型见过大量代码，更重要的是软件开发存在完整的反馈机制：代码能不能编译、测试能不能通过、接口返回是不是正确、程序有没有成功部署，这些结果都可以被机器验证。
Anthropic在总结Agent实践时，也把Coding列为特别适合Agent的领域，原因之一就是代码可以通过自动测试验证，Agent可以根据测试结果继续迭代，输出质量相对容易衡量。
这让我觉得，判断一项工作是否容易被Agent自动化，一个比“复杂不复杂”更重要的指标，是结果是否可以验证。
退款有没有完成，可以查订单；机票有没有订到，可以查预订记录；数据有没有导入，可以检查数据库；Bug有没有修复，可以运行测试。
这些事情即使很复杂，只要目标能够明确描述，执行过程存在反馈，最后结果又可以验证，Agent就能够形成闭环。
但广告创意、产品设计、文章、电影这些工作的问题在于：作品做出来以后，机器究竟靠什么知道自己做得好不好？
二、当生成越来越便宜，真正昂贵的开始变成选择
过去做创意，最昂贵的是生产。
拍一支广告需要导演、摄影、灯光、剪辑；做一套视觉设计需要设计师投入大量时间；写一篇文章，从查资料到完成也需要几个小时甚至几天。很多时候，我们会把创造能力和生产能力混在一起。
生成式AI正在迅速把这两件事情分开。
现在AI完全可以一次生成几十张图片、几十个标题、几十版广告文案，视频Agent也正在向Storyboard、生成素材、剪辑乃至完整成片推进。Adobe现在已经可以让Creative Agent生成品牌素材、产品视频和初剪版本，大量过去依靠人力完成的制作工作正在被自动化。
当生产成本下降以后，一个以前不那么明显的问题开始浮出来：
假如AI一个晚上给你生成100个创意方案，第二天早上真正的问题是什么？
不是有没有方案，而是到底选哪一个。
对于一名优秀的创意总监来说，他真正的价值很多时候也并不是自己能够比所有人想出更多创意，而是面对几个看起来都不错的方案，能够判断哪个更适合品牌，哪个更可能被客户接受，哪个理论上很漂亮，但拿进会议室里一定会被否掉。
这种判断里面当然有审美，但又远远不只是审美。它还包括对品牌历史的理解、对消费者的判断、对商业目标的理解，以及长期与这个客户打交道以后形成的经验。
一个客户嘴上说希望大胆创新，实际上能够接受到什么程度；某个方案消费者可能喜欢，但客户内部无法通过；另一个方案客户很容易批准，却可能平庸得没有传播价值。这些东西很难变成一个固定的Prompt，因为判断标准本身就存在于具体的人、组织和情境之中。
所以创意工作的困难并不是AI生成不了。
恰恰相反，未来我们最不缺的可能就是生成。
真正稀缺的是：100个都能做出来以后，谁知道应该留下哪一个。
三、但如果广告只看转化率，AI完全可能比人判断得更好
这里也需要面对一个明显的反例。
如果一支广告唯一的目标就是点击率或者销售转化，那么“创意好不好”其实是可以量化的。AI完全可以同时生成大量广告素材，让真实用户通过点击、转化和购买告诉系统哪个更有效，然后继续生成类似版本。
这种情况下，根本没有必要让创意总监从100个方案里凭感觉选择。从纯商业效率来看，AI甚至可能比人的品味更加有效。
但现实里的品牌很少只有一个目标。
一个广告今天的CTR很高，不代表长期有利于品牌；一个标题能够获得大量点击，不代表一家媒体愿意每天这样写；一条短视频能够迅速获得流量，也不意味着这个品牌希望自己变成这样的品牌。
很多重要的目标——品牌调性、长期认知、文化价值、社会影响，以及一个公司究竟希望成为什么样的公司——都很难被压缩成一个实时变化的数字。
更有意思的是，优秀创意总监做的也不只是预测“客户喜欢什么”。
有时候他知道客户现在不会喜欢这个方案，却仍然认为应该努力说服客户接受，因为这个方案可能把品牌往前推一步。
如果只是根据历史数据判断“过去这个客户喜欢什么”，AI未来完全可能做得非常好；但理解过去的偏好，与判断什么时候应该突破过去的偏好，并不是一回事。
这也是我认为AI自动化真正困难的地方。
四、AI接管“怎么做”以后，人越来越负责“做什么”和“什么算好”
Adobe今年有一篇文章的标题很有意思，叫“The age of creative agents — and the rise of the creative director”。
作为最积极推动创作工具AI化的公司之一，Adobe当然希望Agent完成越来越多工作。但它对未来创作流程的想象，并不是把人从中删除，而是让Agent负责调用Photoshop、Premiere、Illustrator等工具，完成大量耗时的制作和修改工作，创作者则继续掌握方向和最终判断。
这和现在的软件开发很像。
Anthropic今年分析了大约40万次Claude Code真实会话，结果显示，在典型会话中，人完成了大约70%的规划决策，而Claude承担了大约80%的执行决策。换句话说，目前最成熟的Agent工作模式之一，已经越来越接近：
人决定做什么，AI决定怎么做。
而且Anthropic还发现，用户对具体领域越熟悉，往往越敢把更多工作交给Claude；遇到问题时，领域经验丰富的人也更容易把Agent重新拉回正确方向。
这和我自己的开发体验很接近。
当AI越来越会写代码以后，一个人的价值并没有简单减少。如果你知道系统应该怎么设计、产品真正需要解决什么问题、哪些地方不能妥协，你反而可以把更多执行工作交给AI。
创意行业很可能也是一样。
以后一个创意总监可能不再需要一个很大的团队去改尺寸、剪不同平台版本、替换背景和制作几十套备选素材，但他仍然要决定：这个品牌究竟应该说什么，以及AI生成的几百个方案里，哪些值得真正送到消费者面前。
人的位置可能不是消失，而是从生产流程中间越来越往两端移动：
前面负责定义目标，后面负责判断结果。
五、AI也许可以学习我们的品味，但这并没有解决所有问题
当然，我并不认为“审美是AI永远无法拥有的”。
如果把一个人过去十年的作品、选择、修改记录，甚至每一次对AI结果的评价都交给Agent，它当然会越来越了解这个人喜欢什么。未来一个Agent可能比刚入职的设计师更了解某个品牌，也可能非常准确地预测某位客户最后会选择哪个方案。
但我觉得真正值得讨论的问题，也恰恰从这里开始。
如果AI学习的是过去的选择，那么它最擅长的是预测“过去的我会怎么选”。可是人的思想、审美和判断并不是静止的。我们会因为新的经历改变观点，会突然觉得以前喜欢的东西很俗，也会在新的环境里重新考虑某件事情应该怎么做。
写文章也是如此。
如果只是按照我过去的文章训练一个Agent，它也许可以越来越像我，甚至比我更稳定地写出一篇“像我的文章”。但当一个以前从来没有发生过的问题出现时，我真正需要回答的不是“过去的我会怎么写”，而是：
今天的我怎么看这件事情？
这可能才是AI时代真正稀缺的能力。
AI会越来越擅长把事情做完，很多今天仍然需要人工完成的搜索、制作、修改、测试和发布，未来都会逐渐进入Agent的工作范围。
但也正因为执行越来越便宜，人的价值可能越来越集中到另一个地方：决定什么值得做，定义什么才算好，在很多看起来都不错的结果里作出选择，并且最终愿意为这个选择负责。
所以我现在越来越不觉得，AI Agent真正的边界在于它“会不会创造”。
它真正面对的难题，是谁来定义成功。
当这个答案可以写成测试、指标或者明确规则时，Agent会非常强大；而当这个答案依赖审美、经验、文化、商业判断和具体情境时，人依然很难从整个流程里消失。
某种程度上，这甚至可能是AI带来的一个反直觉结果：过去生产能力稀缺，我们重视的是谁能把东西做出来；以后任何人都可以让AI生成一百个结果，我们真正需要重新学习的，反而是如何判断其中哪一个值得留下。
当生成越来越便宜，选择会变得越来越贵。