Seb Goddijn 去年加入 Ramp 主导"内部 AI"项目。
他的目标不是**"替代一半同事"——是让现有员工用 AI 工具把工作做得更好**。
他在文章里给了对硅谷"AI 替代人"叙事最清醒的反制：完全自动化在大多数公司声称的程度上不可行。
为什么"AI 写邮件"没那么简单
Seb 举了一个看似简单的例子：AI 帮你写邮件给潜在客户。
假设 AI 有完美的 context：
- 客户背景、需求
- 你们产品的所有信息
- 客户之前的所有往来邮件
即使这样，AI 仍需要判断：
- 这封邮件该多正式？
- 该强调哪个 benefit？
- 该开门见山还是先暖场？
- 客户上次邮件里某个微妙的不满，要不要主动回应？
- 这封邮件发出去，对长期客户关系有什么影响？
这些是 agency（能动性），不是 automation（自动化）。
完全自动化意味着 AI 自己做所有判断。在大多数商业任务里，这做不到——因为判断的输入是"对客户、对市场、对团队、对长期"的全域理解，LLM 没有这种全域理解。
Agency over Automation 的核心
Seb 的框架很清晰：
Automation 模式
- 任务被完全拆解成可执行步骤
- 每步都有明确规则
- AI 执行规则，人不需要参与
适合：结构化任务（数据处理、文档生成、报告输出）
Agency 模式
- 任务有明确目标，但路径不确定
- 需要实时判断、现场决策
- AI 提供信息、生成选项，人做最终决定
适合：非结构化任务（客户沟通、战略决策、团队管理）
Seb 的观点：Ramp 90% 的工作流是 agency 模式，不是 automation 模式。把 agency 任务硬塞给 automation 模式，结果就是 AI 写出"看着对但用着崩"的邮件。
内部的实际案例
Seb 给的几个 Ramp 内部例子：
案例 1：销售邮件
Automation 思维：让 AI 根据客户数据 + 模板自动生成邮件，sales 不用看。
结果：邮件"看着对"——格式对、产品信息对、CTA 对。但语气生硬、时机不对、没回应客户上次邮件里的微妙信号。客户回复率反而下降。
Agency 思维：AI 给 sales 3 个邮件草稿，每个侧重不同角度（"强调 ROI" / "强调 social proof" / "强调 urgency"）。sales 选一个、改 20%、发出去。
结果：sales 节省 80% 起草时间，但保留对"该说什么"的关键判断。客户回复率回到基线。
案例 2：客户支持
Automation 思维：AI 直接回复客户问题，无人工。
结果：AI 准确率 80%，但 20% 错误回复让客户更生气——因为客户已经等了，AI 给的错答案比"等待正确答案"伤害更大。
Agency 思维：AI 起草回复，support 同事 30 秒 review 后发。
结果：处理速度提升 3 倍（30 秒 vs 90 秒人工写），但没有"AI 直接回复"带来的 20% 客户伤害。
案例 3：财务对账
Automation 思维：AI 自动核对所有交易，flag 异常。
结果：AI 每天 flag 200 个"异常"——90% 是 AI 误判（数据格式问题、时间戳差异、currency conversion 误差）。财务团队花更多时间排除误报。
Agency 思维：AI 做第一层粗筛，对 confidence > 95% 的直接归档，对 confidence < 95% 的 flag 给财务 review。
结果：flag 数从 200 降到 20，但 95% 准确率。财务团队 time-to-action 提升 5 倍。
核心反论点：agency 是人类的不可替代性
Seb 的论点是：agency 不会消失，AI 时代它会更有价值。
AI 替代了"执行"——但**"该执行什么"的判断仍然在人手里**。
具体到工作场景：
- Junior 员工的价值从"我能写"变成"我能判断 AI 写的对不对"
- Senior 员工的价值从"我经验丰富"变成"我能在多个 AI 建议里挑最对的"
- Manager 的价值从"我分配任务"变成"我设计 AI 协作流"
"永久下层阶级"叙事的反命题：
- 不是说"AI 让人更值钱"——这是空话
- 是说"AI 时代，有 agency 的人比没 agency 的人价值差距更大"
- 教育系统要培养的是判断力——不是"会用 AI"（用 AI 谁都会）
适合谁 vs 不适合谁
适合采用 agency 模式
- B2B 销售（关系长、决策复杂）→ 全自动化失去客户
- 客户支持（高情感、高风险）→ AI 直接回复伤害体验
- 战略规划（无明确路径）→ AI 给选项，人做选择
- 团队管理（依赖情境判断）→ AI 提供数据，manager 做判断
适合 automation 模式
- 结构化数据处理（报表、日志、ETL）
- 文档生成（模板化报告、批量邮件）
- 代码生成（CRUD、boilerplate）
- QA 自动化（测试用例、回归测试）
Seb 没说的两件事
1. Agency 模式有隐性成本。每个任务都要人 review，人的时间是有限资源。当 AI 能力提升到 99% 准确率时，agency 模式反而是浪费——人 review 的 1% 错误可能比 99% AI 正确的价值更大。agency vs automation 的分界点是动态的，没有固定标准。实操经验：AI 准确率 < 90% 用 agency，> 95% 用 automation——90-95% 是最难判断的灰色地带。
2. Agency 模式可能扩大不平等。有 agency 技能的人（10+ 年经验、判断力强）在 AI 时代如虎添翼。没 agency 技能的人（junior、新人）会被 AI 替代——因为他们做的是执行工作，没有 judgment 价值。结果是 AI 时代"赢家通吃"更严重——top 10% 的人收入翻 5 倍，bottom 50% 的人失业。这不是 Seb 想要的，但 agency 模式客观上有这个副作用。
结论
Seb 的核心论点很清晰：AI 时代的工作不会"消失"——是重新定义。
"从执行任务"变成"在 AI 给的选项里挑最对的"。
"从写代码"变成"判断 AI 生成的代码对不对"。
"从写邮件"变成"挑 AI 草稿里哪个最符合客户关系"。
这需要新的元能力：判断、整合、决断。这些是 agency，不是 automation。
SOTA Sync 的判断：未来 12 个月，"agency over automation"会成为内部 AI 部署的主流哲学——不是"AI 替代员工"，是"AI 让有 agency 的员工价值放大 10 倍"。
但agency 不是普惠的——它需要长期培养的判断力。教育系统、公司培训、个人发展都还没准备好培养"AI 时代的 agency"。这是 AI 时代最大的隐性挑战——技术跑得比教育快，人和人之间的能力差距会越来越大。