Matt Shumer：两年内AI能接管所有“电脑工作”，但真正风险在于你不用
在CBS Mornings节目中，前AI公司创始人、投资人 Matt Shumer重申自己的观点：在接下来约两年时间里，AI极有可能在电脑上完成任何人类能做的任务，至少同样好，甚至更好，但这并不等于“明天人人失业”，而是取决于人和机构是否选择真正采用这些工具。
这段话来自他在社交媒体上爆火的长文《Something Big Is Happening》——文章把白领和知识工作作为首批冲击对象，建议人们每天用至少一小时练习使用AI来“自救”，引发了从Bloomberg专栏、Mashable到批评者 Gary Marcus等一系列二次讨论，有人指责他“制造恐慌”，也有人认为这是对压缩版技术周期的诚实提醒。
在随后的澄清与采访中，Shumer强调自己“不是要吓人”，而是认为AI进展正在以“按月而非按年”的节奏推进，如果只关注官方产品发布而不在一线亲自试用工具，普通人和传统机构会错过重塑职业与业务的窗口期，这才是真正值得“恐慌”的地方。
来源：公开信息
ABAB AI Insight
1）一句话结论：这条信息真正想提醒什么？
真正的风险不是“AI太强”，而是“AI已经足够强，而你和你的组织还在当作边角工具”。
底层机制一是“接口门槛剧烈下降”：当AI可以通过自然语言操作浏览器、办公软件、代码环境和内部系统，任何电脑任务都可以被视为“一个可调用的API”，这让不会写代码的人也能批量自动化自己的工作。
底层机制二是“采用曲线的剪刀差”：早期熟练使用AI的个人和团队在产出、响应速度、试错成本上会拉开数量级差距，形成“同一个人，效率像两个人”的错觉，职位缩减时，老板只保留那一批“人与AI的组合”，淘汰的是拒绝使用新工具的那一批人。
2）历史同构案例
案例A：（电子表格和PC在办公室普及，约1980s–1990s）。电子表格软件（Lotus 1‑2‑3、Excel）与个人电脑进入办公室后，财务、分析和行政岗位的工作方式彻底改变，能熟练使用公式、透视表和宏的人，单人就能完成过去一个小团队才能做完的报表和分析，企业开始在不增加人手的情况下快速扩张管理视野。
赢家是尽早上手PC与电子表格、愿意把繁琐手工流程数字化的白领和中层管理者，他们在后续互联网和ERP浪潮中继续吃红利；输家是坚持纸笔与打字机、不愿学习“电脑活”的职员，大量文员岗位消失，而不是“电脑”本身被禁止。
对比现在，Shumer说“AI能做任何电脑任务”的重点，不是预测一个抽象的奇点，而是提示：正如当年不会做Excel的人在财务岗位没有未来，不会驱动AI的人，在需要电脑的岗位上也会慢慢被边缘化；区别在于，这次学习窗口可能只有一两年，而不是十年。
案例B：（互联网+电子邮件重塑信息分发与白领沟通，约1995–2005）。互联网和电子邮件刚进入企业时，许多高管和机构把它当作“玩具”或“年轻人东西”，习惯传真、电话和纸信件，结果很快发现，熟悉网络和邮件的人能更快获取信息、建立跨国合作、完成客户响应，形成明显的沟通优势和人脉网络优势。
赢家是那些利用互联网做信息收集、协作和分发的团队与个人，他们把“多一个通道”变成“重写工作流程”；输家是把网络只当作消遣、不愿在业务上用它的机构，错过了早期线上品牌和全球化布局窗口。
现在的AI和Shumer的警告，本质上是一个“放大版互联网时刻”：AI能在你不休息时写邮件、做调研、写代码和做分析，懂得把任务拆给AI的人，会把“一个人一天八小时”变成“一个人+AI全天候”的组合，而坚持“AI只能用来玩玩”的人，会重复当年轻视互联网的错误。
3）认知模型：给读者一个可迁移的判断框架
一句话模型：遇到“AI将取代人类”的论断时，先问——这里说的是“能力可达”还是“采纳到位”。
以后看到类似新闻，可以先拆两层：第一层看技术是否已经能完成端到端任务（例如：自己写代码、查资料、调用浏览器、生成报告）；第二层看组织与制度是否允许、鼓励把这些任务真正交给AI（流程、合规、责任）。
如果技术层已经“可达”，而制度层还没跟上，那么短期内不会出现“瞬间失业潮”，但会迅速出现“个体效率剪刀差”——你应该把重点放在个人和团队的采用速度上，而不是幻想监管会帮你按下暂停键。
4）行动清单
投资人：
建立一套“AI采用实测表”，亲自让自己或研究团队用当前顶级模型完成代码、调研、写报告、做财务模型等任务，记录“人做 vs 人+AI做”的时间与质量差值，再把这个差值映射到各行业岗位，替代空洞的“AI叙事”判断。
在看公司时，把“实际AI使用率”当作一个核心质检指标：询问管理层有多少日常流程已经由AI辅助（客服、财务、运营、研发），有多少员工经过工具培训，把“会不会用AI”视作执行力和文化的前置筛选，而不只看他们在年报里写了多少AI关键词。
创业者：
立刻把公司内部所有“电脑上完成的重复性工作”列个清单，逐项用现成AI代理或脚本做PoC，例如客户邮件首稿、竞品监控、日志分析、代码Review，把“AI节省的小时数”量化出来，用这些数字来重新设计岗位与招聘，而不是先写空泛的“AI战略”。
在产品层刻意设计“AI优先”的工作流，而不是把AI当插件：例如让用户先用自然语言描述需求，再由系统自动生成多步操作（搜索、分析、生成、发送），你只做审核；同时收集这些真实任务数据，形成自己的专属训练和评估集，为将来更强模型接入预留护城河。