George Leimer 表示，他立刻认出了那张图。

在最近与 Yahoo Finance 产品负责人通话时，一张幻灯片展示了两个并排的汉堡，用来比喻人工智能出现前后的工作形态。Leimer 向屏幕靠近，说道：“完全就是这样。”

这张幻灯片来自 Arvind Narayanan。他是普林斯顿大学的计算机科学家，最近在首尔国际机器学习大会上发表了主题演讲。在 Narayanan 的示意图中，标注为“Traditional”的汉堡有一块很厚的肉饼，代表工作的执行层——编码、调试和完成任务——夹在相对较小的面包之间。标注为“With AI”的汉堡则显示肉饼被压缩成薄薄一层，而标注为“decide”的上层面包和标注为“deliver”的下层面包都变得大得多。

这个比喻描述的是知识工作的一种转变。曾经占据工作最大部分的核心任务，正被 AI 压缩。但执行层上下的人类工作并没有消失。相反，决定应该构建什么，以及验证、整合和交付它的工作正在扩大。用 Leimer 的话说，工作越来越变成关于工作的对话。

“我们进来后彼此交谈，并确保我们确实对这些就是我们要做的事情有真正的确认和信念。然后这就是我们将如何释放这些代理，”Leimer 说。

Leimer 的团队主导开发了 AlphaSpace。这是一个新的投资产品，在 Fortune 首次报道时已上线约两个月。在此期间，该团队发布了 100 多项新功能，Leimer 表示，这一速度说明执行层已经大幅加快。他告诉 Fortune，用户在 AlphaSpace 上花费的时间是 Yahoo Finance 普通用户的 3x；团队也能够迅速响应反馈，包括通过与 Unusual Whales 合作加入实时期权数据。

Leimer 表示，过去持续两周的冲刺现在只需要 24 小时：早上规划，当天结束前发布，晚上复盘。在一个案例中，用户反馈在周五下午 4:45 到达；到当晚 8:30，问题已经被修复、审查并部署。

在软件团队中，这样的周期改变了敏捷冲刺的含义。如果 AI 工具让实现更快，那么稀缺资源就不仅是工程时间，还包括团队选择正确问题、检查产出，并判断其是否足够安全和有用、可以发布的能力。

“在过去，”Leimer 说，“那就会变成，‘我们下周没法发布。’”

“决策-执行-交付”三明治

Narayanan 将这一框架称为“决策-执行-交付三明治”。在他看来，大多数知识工作有三层。最上层是决定需要构建什么以及为什么构建。中间层是执行，也就是实际实现。底层是交付，包括整合、测试、验证和长期问责。

AI 代理正在压缩中间层。Narayanan 的观点是，执行层原本也只占整体工作的约三分之一。两侧的外层并非只是保持不变；它们正在增长。

“随着 AI 压缩中间层，第一层和第三层可以说正在扩大，”Narayanan 对 ICML 听众表示。一旦构建变得更便宜、更快速，启动项目会变得更容易，但要跟上判断哪些项目重要，以及验证产出是否可靠的节奏，则会变得更困难。

随着 AI 降低技术门槛，角色开始模糊

多年来，大型科技公司的产品团队往往围绕每个人不能做什么来组织。设计师制作静态原型，然后等待工程师把它们转化为可运行的代码。产品经理撰写需求，但需要开发人员测试一个想法是否可行。分析师理解数据，但不构建生产系统。

Yahoo 团队表示，随着 AI 自动化更多构建软件所涉及的“语法”，这些边界正在变得不那么僵硬。

在 Yahoo Scout——该公司的 AI 答案引擎——背后的团队中，首席产品设计师 Nick Lockington 开始直接向 Google 的 Vertex AI 发出提示，要求它为新功能生成结构化 JSON 逻辑。后来，一名工程师观察到，Lockington 实际上通过提示创建了一个可用的 API，绕过了传统构建阶段。

“那完全是一个‘啊哈’时刻，”该项目杰出软件应用工程师 David Grandinetti 在 Yahoo 的博客上表示。“Nick 立刻成了我们团队中杠杆率最高的工程师，因为他是在最高抽象层级上工作。”

团队其他成员也走上了类似路径。一名在代码提交方面非常高产的设计师在内部被称为“设计工程师”。一名对可用性有很强判断力的工程师则被称为“工程设计师”。

Yahoo 高管表示，重点并不是职位名称正在消失。相反，角色越来越由人们负责的决策来定义，而不仅仅由他们能手工产出的代码来定义。设计师仍然对用户行为和美学作出判断。工程师仍然负责架构和安全。但现在两类人都可以直接借助 AI 工具构建和迭代。

“这关乎提高决策速度并降低实验成本，让团队可以测试 100 个想法而不是 5 个，并在没有传统技术债负担的情况下迅速淘汰失败方案，”Yahoo 副总裁 Stephane Koenig 表示。“这使我们能够把人类专业知识留给最困难的决策，那些需要 AI 所不具备的上下文的决策。”

Leimer 在与 Fortune 的谈话中表达了类似观点：现在的工作很大程度上是关于工作的对话。“我们进来后彼此交谈，并确保我们确实对这些就是我们要做的事情有真正的确认和信念，”他说。

Leimer 补充说，风险在于团队现在需要对工作的最上层格外“深思熟虑”，因为 AI 让“想构建什么就构建什么”变得很容易。

Leimer 提到了他的经理、Yahoo Media Group 总裁 Ryan Spoon 的建议：“你必须真正确信自己要构建什么，这很重要”，因为团队几乎可以在瞬间构建任何东西。他说，过去组织会在上层面包上花大量时间，因为工程资源稀缺。“你不想浪费工程师一秒钟的时间。”现在，风险则是立刻构建出不必要的东西——McKinsey 全球技术与 AI 负责人 Kate Smaje 此前向 Fortune 形容这种模式是“虚假生产力”陷阱。

Leimer 表示，当他在外界看到粗糙的 AI 生成工作——通常被称为“AI slop”——时，这反映的是“基本上面包真的很薄的情况”。在这些情况下，人类对于自己发布的工作成果不够审慎，因为汉堡中的执行部分几乎已经被压缩到没有。

这种动态有可衡量的成本。专业人士已开始使用“workslop”一词，形容在没有经过适当验证前就被发送供审阅的 AI 生成邮件或工作成果。Harvard Business Review 上的专家认为，这个问题不仅令人烦恼，而且会破坏生产力。根据 Techdirt 引用的一份报告，Stanford Social Media Lab 估计，对于一家拥有 10,000 名员工的公司，其成本为每年 $9 million。

随着公司从 AI 演示转向日常工作流，这一担忧尤其相关。草稿、原型或生成的功能，可能在经过用户需求、安全要求、数据准确性和组织自身标准检查之前，就已经看起来像是完成品。

决策疲劳成为新的约束

综合来看，这些例子支持 Narayanan 的观点：目前 AI 更像是一种协作技术，而不是完整的自动化引擎。他认为，大多数 AI 代理在高风险环境中仍难以做到可靠，这促使公司偏向采用人在回路中的系统，而不是完全自动化的流程。

在 Yahoo，管理层表示，其结果表现为决策疲劳，而不是立即的岗位流失。由于 AI 让团队能够测试和构建更多功能，瓶颈变成了产品经理、设计师和工程师能够审慎作出、审查并推动完成的决策数量。

Lockington 表示，AI 并不会消除职场中角色重叠和分层的复杂性。“传统上，可能会有人问，‘为什么这个工程师在做设计工作？’或者‘为什么这个设计师在做我的工作？’”他说。他称赞 Koenig 为团队创造了处理这些问题所需的心理安全感。“我们已经能够打破这种隔阂。”

Leimer 表示，一旦这种安全感存在，工作就会变得“真的很有趣”。在大约 20 年的管理岗位经历之后，他逐渐远离了最初从事的构建和编码工作；他说，这一转变改变了人们体验产品开发的方式。“现在，每个人都有了很酷的工作，”他说，因为每个人都能感觉到自己在直接参与构建。“看到人们围绕问题和他们正在构建的东西被激发起来，也很有趣，而不是把更多时间花在让它被构建出来的流程上。”

汉堡的未来——以及披萨的可能性

Narayanan 提醒人们不要假设工作会保持不变。他曾表示，预计随着公司围绕 AI 重新组织，将出现持续数十年的结构性适应，并将其比作电力催生装配线后工厂经历的 40 年转型。

不过，到目前为止，在软件、法律、医学和内容翻译等领域出现的模式是，随着 AI 扩散，对人类工作的需求会转移并增长。放射科医生采用了 AI，但就业人数上升。律师因为起草变得更容易而提起更多诉讼。机器翻译接近人类水平多年后，译者仍然有稳定工作，因为可翻译的内容以及可翻译成的语言数量并不存在固定上限。

Yahoo 的经验表明，白领工作可能会走上一条类似但更混乱的道路。随着技术门槛下降，公司领导者表示，个人能动性和判断力正成为更重要的差异化因素：关键不再是谁会写代码，而是谁能决定哪些问题值得解决，以及如何验证 AI 产出的内容。

有人请 Leimer 进一步延展这个食物比喻，并提到他的费城背景和这座城市著名的 cheesesteak。如果 cheesesteak 的决定性特征不仅是肉，还有意大利 hoagie 面包，那么问题是，这是否也适用于工作的未来。

Leimer 表示，更大的瓶颈是“下层面包”，也就是交付层。团队决定要做什么之后，工作几乎可以瞬间产出，但交付仍然困难。“你必须处理所有其他事情，你必须审查它，”他说，指的是安全风险以及构建部署流水线的需要，即便工作看起来只要按下按钮就可以发布。

对于与金融信息相关的产品，交付层可能包括数据质量、权限、可靠性和用户信任，以及软件部署。代码或界面能够更快生成，并不意味着这些检查会消失。

当被问及终点是否更像披萨或扁面包——人类工作集中在决策上，任务缩小到配料的规模，交付变得无缝——Leimer 笑着说：“差不多是那样。”

在 Narayanan 的汉堡比喻中，AI 已经把肉饼变薄。不断扩大的面包部分，正是岗位、责任和风险所在。公司能否把工作重新设计成更扁平、更可持续的形态，仍是未来几年，甚至几十年里有待回答的开放问题。

本文最初刊登于 Fortune.com。