Every 自動化了一切，
為什麼人反而變多？
Every 是 AI 早期採用者，公司裡到處都是代理人、Claude Code、Codex 和自動化流程。可是從 GPT-3 時期到現在，他們不是裁到剩幾個人，而是從 4 人長到 30 人，還在繼續招募。
來源：Every YouTube 頻道
SCROLL
Every 是 AI 早期採用者，公司裡到處都是代理人、Claude Code、Codex 和自動化流程。可是從 GPT-3 時期到現在，他們不是裁到剩幾個人，而是從 4 人長到 30 人，還在繼續招募。
來源：Every YouTube 頻道
這支影片圍繞 Dan Shipper 的文章〈After Automation〉。Every 內部已經把 AI 放進日常工作：工程師、營運、編輯都在用模型寫程式、寫草稿、做研究、改流程。照常見敘事，這種公司應該越來越小。
Every 的現場剛好相反。他們從 4 人長到約 30 人，還有更多職缺。Dan 的問題是：如果 AI 真的能自動化那麼多事，為什麼人類工作看起來更多？
影片不是說 AI 不會取代任何任務，而是說任務被自動化之後，公司會看見更多原本做不起來、想不到、或無法交付到位的工作。
這個觀察對創業者和產品團隊很重要。AI 的第一層效果是省時間，第二層效果是提高期待。當每個人都能做出「看起來像專家作品」的東西，公司真正稀缺的資源會轉向判斷、脈絡、品質控管和系統設計。
Dan 說 Every 幾乎是 AI-native、agent-native 的公司。Slack 裡你很容易同時碰到人和代理人；大家每天用 Claude Code、Codex 和各種工具做自己的工作。這讓 Every 像一個小型未來實驗室，能提早看見知識工作會怎麼變。
這跟一般人第一次看到 AI 的感受不同。第一次看到模型解題、寫程式、做財務分析，很容易以為白領工作要大量消失。Every 的經驗比較像第二階段：新奇感過後，模型會停下來問「下一步要做什麼？」而這個問題仍然回到人身上。
影片裡的核心張力在這裡。AI 的能力快速上升，但公司不是只需要更多輸出，而是需要把輸出變成符合當下情境的成果。這中間有很多工作不會因為模型會寫字、寫程式就自動消失。
Dan 的說法是，AI makes yesterday's expert competence cheap。模型是用人類過去的輸出訓練出來的，所以能把過去昂貴的程式、文章、設計、報告與決策樣板，用很低成本交給更多人。
這會造成一個新局面：非專家開始跨線做專家原本做的事。營運同事會送 pull request，工程師會寫文章，更多人能做出看起來不錯的成果。這對專家有壓力，因為很多工作表面上被商品化了。
關鍵在「差一點就對」。AI 產出的東西常常合理、完整、像真的，但不一定適合此時此地。程式可能可以跑，但不符合專案架構；文章可能順，但沒有自己的觀點；流程可能漂亮，但無法處理真實客戶。
所以自動化不是把人拿掉，而是把人的工作往後移。人不再只負責從零開始做，而是負責定義問題、提供脈絡、檢查成果、修正方向，並讓大量 AI 產物可以進入可靠流程。
Every 的例子很具體。非工程同事可以送 PR，但真正的工程師仍要設計 repo rules、review guidelines 和檢查流程，避免大量半成品直接進入產品。編輯端也是一樣。AI 可以幫很多人寫，但團隊仍要建立規則，讓草稿變成有觀點、有語氣、能發布的內容。
影片裡提到，Every 有人用 AI 在一兩個月內做出完整 inbox。這類專案以前可能完全做不起來。AI 不是只讓同一批人用更少時間做舊工作，也讓公司開始做過去排不到優先序、沒有足夠人力、或想像不到的工作。
這也是為什麼「AI 會不會取代專家」問得太窄。更實際的問題是：專家能不能把自己的判斷變成流程，讓更多人和代理人一起工作？如果能，專家的影響力變大；如果不能，他只會被大量便宜的近似成果擠壓。
Dan 在影片裡講了一句很重要的話：the further away an agent gets from a human, the less valuable it is。代理人可以越來越會執行任務，但它的價值來自人給它方向、脈絡與判斷。
影片用一個熟悉的循環描述 AI 體驗：你請模型做事，它讓你驚訝，甚至讓你覺得自己要被取代；接著它停下來，看著你問「下一步要做什麼？」這個瞬間暴露了 AI 與人類工作的差異。
AI 很擅長在被指定的框架裡前進。可是框架本身、價值判斷、優先順序和當下情境，仍然需要人不斷更新。
Dan 不否認模型會變強，也不否認 benchmark 進步很快。他的重點是，只要模型是為了做「我們要它做的事」而被打造，它就會一直回頭尋求人類的方向。任務可以自動化，但「什麼才重要」會因為市場、客戶、工具與 AI 本身的變化而改變。
訪談裡也談到成熟公司和裁員。Brandon 提出挑戰：Every 是高速成長的小公司，所以 AI 讓工作變多還說得通；那大型 SaaS 公司或客服中心呢？如果企業已有標準流程，AI 會不會直接讓人變少？
Dan 的回答比較保守。他認為有些公司會用 AI 裁人，有些工作會被重組，但真實世界的採用速度比推特貼文慢得多。客服就是例子。公司可能急著自動化，兩個月後發現客戶不想跟機器說話、流程做不好，又得把人請回來。
他也提到一個判斷：如果 CEO 對進步的反應只是裁員，那代表創意不夠。AI 更大的機會是讓公司做更有意思的事，而不是只把同一份工作換成更便宜的執行者。
對科技公司來說，真正會改變的是工作流和組織形狀。某些職位會消失，某些職位會出現，更多職位會改寫。公司需要處理轉換成本，而不是把「AI 取代工作」當成單線敘事。
影片最後的建議很直接：ride the models。每次新模型出來，就學會怎麼把它用在自己的工作上。不是把所有任務交出去，而是讓模型改變你發現問題、展開草稿、驗證想法、建立流程的方式。
Dan 自己寫這篇 8,000 字文章也大量使用 AI。他每天早上對著電腦口述整篇論點，請 Claude 或 Codex 幫他看自己到底想說什麼；寫到幾千字後，他還讓 Codex 把最新草稿轉成 podcast，在通勤或走路時聽，找出卡住的地方。
這個例子很適合台灣的知識工作者參考。AI 不是只用來生產終稿，而是可以變成思考的迴路：說出來、被回應、修正、再說一次。你仍然負責判斷什麼成立，但模型讓你更快看見自己的盲點。
影片的樂觀不是「工作都不會變」。它說的是，如果你願意跟著模型一起學，更多人可以做更有野心的事。AI 會讓昨天的能力變便宜，但也會把明天的門檻推高。人的任務是跟著門檻往前走。
自動化沒有消滅工作，它把人的工作推向判斷、脈絡、系統與方向。
Every 的經驗提醒我們：AI 讓舊能力變便宜，也讓值得做的事變多。
選完之後，分享你的觀點
這頁整理自 Every YouTube 頻道。原始影片保留了 Dan Shipper 與 Brandon 對自動化、專家工作、代理人、裁員敘事與 AI 寫作流程的完整討論。
前往 YouTube →喜歡這種分析嗎？
從 AI 代理人、軟體產品到平台策略，用台灣讀者看得懂的語言，把複雜的產業變局說清楚。目前已有超過 2 萬位讀者訂閱。
免費訂閱區塊勢 →也可以直接付費訂閱，解鎖每週完整文章