科技圈最不缺的就是「AI 改變一切」的宣言。

前 Andreessen Horowitz（a16z）合夥人、獨立分析師 Benedict Evans 卻在 Lenny's Podcast 的這場訪談裡，丟出一句兩面不討好的話：**「我認為 AI 跟網際網路或手機一樣大，而且也只跟網際網路或手機一樣大。」

這句話同時得罪了兩群人。科技圈裡有人覺得這是工業革命等級的事件，嫌他看小了；另一群人則覺得他根本不懂這有多大。

對此 Evans 的回應是：智慧手機是大事，網際網路是大事，沒有它們，我們連這場 podcast 都錄不成。爭論 AI「比網路大 20% 還是 100%」是沒有意義的對話，它就是一場根本性的改變，但關鍵在於，你不知道其中任何一塊將如何運作。

他剛發表一份 80 張投影片的簡報《AI is eating the world》，有人吐槽「這 80 張都在講『我們不知道』」，他承認略嫌刻薄，但也算說中了。

他為什麼說「我們在 1997 年」？

如果硬要拿網路類比，Evans 的定位是：我們在 1997 年。心態很興奮，但大多數東西還不能用，人們最終要做的事大多還沒被造出來，造出來之後怎麼運作也說不準。

他點出一個常被忽略的事實：採用程度的分布極不平均。

科技圈裡有人買了一整櫃 Mac mini 叢集、已經不用 Google；但圈外多數人大概每一兩週才碰一次 AI。即便是 13 到 18 歲族群，每日活躍使用者也只有約 15% 到 20%，每週再多 20%，剩下約六成說自己根本沒在用。

這對應到他所謂的「鋸齒狀前沿」（jagged frontier）：也就是 AI 在哪裡管用？哪裡不管用？你能不能事先判斷？這完全因人因事而異，沒有平整的邊界。

至於誰會贏？他用一個 1997 年的問題反問：當年大家爭論搜尋引擎會是 Excite 還是 Yahoo，答案是「都不是」。今天問 OpenAI 還是 Anthropic 會贏，恐怕也一樣。

任務 vs 工作：你雇麥肯錫，是為了那份簡報嗎？

Evans 整場訪談最鋒利的框架，是把「任務」（task）和「工作」（job）拆開。

他舉了一個 1970 年代末的場景：會計師第一次看到試算表，改個利率、所有數字跟著重算，30 秒做完原本一週的工作，當然震撼。

但同一個畫面，律師或記者看了只會想「很聰明，但那不是我做的事」。當年那套 Apple II 加螢幕加印表機，換算後要價約 1 萬到 1 萬 5 千美元。Claude Code 對軟體工程師的衝擊就是這個等級，但對其他人未必。

接著他追問：你花大錢請麥肯錫，是為了那份 75 頁簡報嗎？Claude Code 能產出一份很爛的版本，LinkedIn 上也總有人吹噓「我用 AI 做了麥肯錫等級的簡報」，那是狗屁，而且根本不是你付錢買的東西。你付錢給顧問公司，是要他們走遍你的企業、搞懂內部政治怎麼運作、實際需要做什麼、再去跟你的客戶談出真正的想法。簡報只是「任務」，不是雇用的理由。

有些工作確實「任務就是工作」，像電梯操作員，按鈕本身就是那份工作，自動化後就消失了。但更多情況下，任務不等於工作，而 AI 自動化的往往只是前者。

為什麼 AI 公司反而在狂招人？

順著這個框架，Evans 點破一個反直覺的現象：最尖端的 AI 公司，例如 OpenAI 和 Anthropic，不但沒讓顧問業消失，反而把更多資源投入專業服務、企業導入與「前進部署工程師」（forward deployed engineers，他開玩笑說這就是「住在舊金山的外包工程師」）。

道理很簡單：公司不會養一批人閒著等大專案。 要重新想像一家企業所有內部流程、找出哪些能用 AI 快速自動化，這本身就是一個需要 5 到 10 人、花一兩個月的專案，做出來之後執行又是另一個專案。這正是企業請 Bain、麥肯錫、Accenture 的原因，你不會在編制裡養 15 個建築師，你會直接去找一家建築事務所。

這也呼應了傑文斯悖論（Jevons paradox）：某件事變便宜，人們通常不是省下錢，而是做更多。

例如，Excel 出現前初級投資銀行員工時很長，現在高盛的 associate 週五中午就下班了嗎？並沒有；寫 iPhone app 時 90% 的程式碼是 Apple 幫你寫好的，工程師人數因此剩十分之一了嗎？也沒有。

更何況，會計師人數整個 20 世紀一路成長，歷經加法機、大型主機、ERP、雲端、試算表，到 21 世紀還在成長。連最該裁員的 Anthropic、OpenAI 自己都在大量增加人力。

模型會變成低毛利的「水電」嗎？

Evans 把另一記重拳留給了基礎模型本身。他的判斷是：模型似乎沒有網路效應，沒有贏者全拿的機制，所以競爭會無限持續下去；產品之間差異又不大，那憑什麼有定價權？而真正需要的數千個不同應用，模型公司不可能全包，所以最終格局會更像雲端（人人可用 AWS），而不是當年那個綁死生態的 Windows。

他搬出自己起家的電信業當對照：全球行動通訊產業年營收約 1 兆美元，每年砸約 2,000 億美元資本支出（佔營收約 15% 到 20%），行動數據用量是 2010 年的約 1,500 到 2,000 倍，堪稱完美的指數成長曲線，但電信股股價 25 年原地踏步。

這是因為那是低毛利、商品化的公用事業，所有酷的東西都是上層的別人（例如 Apple）做的。當年電信商以為自己會包辦你在 iPhone 上做的所有事，結果不但他們沒做，連 Apple 也沒做，價值全跑到更上層去了。

所以當 Sam Altman 說「我們會像賣水電一樣，按表計費賣 AI 智慧」，Evans 的反駁是：你看電視時，電視台沒有按月付電費比例給電力公司；你洗衣服時，洗衣機廠商也沒付錢給電力公司。模型，恐怕就是那個「底下那個笨東西」，驅動功能的商品，真正的差異在於不同的功能決策和不同的通路（distribution）。

當產品淪為商品，通路、品牌、預設值與慣性才是勝負手。這也是為什麼 Google 能靠通路硬推 Gemini、Meta 把 Llama 噴在每個介面上。

順著 Evans 的邏輯往創業端推，意義相當殘酷：當軟體越來越容易做，做出「能用的產品」本身就不再是護城河。真正難的是把產品放進使用者已經存在的工作流、成為預設選項。

換句話說，AI 降低了開發門檻，卻提高了分發、品牌與場景理解的重要性。

別問「幾趴會被取代」，那是錯的問題

對於外界最焦慮的失業問題，Evans 反而最不買單那套「某職業 X% 會被 AI 取代」的算法。

例如美國政府的「O*NET資料庫」試圖替每個職業打這種分數，他直接斥為「最荒謬的胡扯」，因為這犯了「專家系統」的老毛病，你想辨識一張貓的圖片，先做邊緣偵測、再做鬍鬚偵測、眼睛偵測，15 年後堆了 700 個步驟還是不能用。你沒辦法這樣拆解一個職業，更不能對著律所資深合夥人說「他 17% 的工作可以被自動化」。

他也提醒，最該警惕的反而是自己的直覺。1997 年若做「Uber 測試」，多數人會說計程車跟網路無關，結果 Uber 徹底改寫了這門生意；但同樣的人若預言 Airbnb 會幹掉旅館，又會落空，旅館生意有一半是商務旅行，他太太出差晚上 8 點落地，要的是客房服務和早上 6 點的健身房，絕不會選 Airbnb。

這套「冷靜」會不會只是另一種偏見？

Evans 的論述聽起來令人安心，但它本身也是一個需要被檢驗的賭注。他承認對 AI 實際使用的資料少得可憐，模型公司連一個 ChatGPT 的日活躍用戶數都不肯給，外界只能從就業數字裡瞎猜，而那些數字「有的說有衝擊、有的說沒有」。

在這種資訊真空下，「這次跟以前一樣」既可能是清醒，也可能是另一種一廂情願：歷次技術革命確實創造了更多工作，但那不保證下一次的轉換期不會長到讓一整代年輕人卡在門外。

他自己給的解方其實不在預測，而在姿態。程式設計幾年前還被視為最不可能被自動化的工作，如今卻是被改寫最徹底的，從「自己寫所有程式碼」到「程式碼幾乎不用自己寫」。

面對這種根本性的不確定，他的建議是：別把頭埋進沙裡、上社群媒體罵 AI 邪惡，那只給你道德優越感，沒有幫助；真正有用的是一頭栽進去、徹底搞懂你能拿它做什麼。

當基礎模型本身越來越像商品，能留下來的，是你的觀點、你的品味、你願意親手去試的那股勁。

（本文出自數位時代）