Every 创始人 Dan Shipper 披露，这家接近 30 人的公司已大规模使用 Claude Code、AI 客服与自动化邮件系统，但没有员工因 AI 被解雇。相反，团队要处理的工作比过去更多，岗位分工也被重写：管理者开始���接提交代码，工程师更频繁面对客户，Shipper 自称自己 95% 的工作邮件已由 AI 代回，但仍会逐封检查。
这篇发表于 every.to 的文章，直接对准当前最常见的判断：模型越强，人类岗位越少。Shipper 认为，现实运行方式并不是这样。只要 AI 仍在回答人类设定的问题，它就很难追上负责定义问题、判断质量和决定下一步的人。
Agent 接管重复层，人的工作转向指挥与验收
在 Every 内部，AI 的使用主要分成两类。一类是“同事型 Agent”，被部署在 Slack 等协作环境里，可以像同事一样被 @ 出来完成具体任务；另一类是嵌入式 Agent，直接放进客服等工作流，处理边界清晰、重复性高的事项。
文中提到，客服 Agent Fin 在今年 5 月某一周参与了 Every 全部 202 个客服对话中的 65%，并在无人介入的情况下独立关闭了 81 个工单，占可处理对话的 40.1%。这让客服经理能把时间从基础回复转向系统搭建和复杂案例处理。Shipper 给出��结论很明确：Agent 可以接手稳定任务，但只要任务复杂度上升，高质量结果仍离不开人类在同一工作空间内持续介入。
自动化提高后，维护系统本身也成了新工作
Shipper 把这种关系概括为“人类夹心面包”：AI 负责中间执行，人类则站在任务起点和终点，负责定方向、纠偏和验收。问题在于，这套体系本身需要持续维护。Every 曾尝试给每位员工配一个个人 Agent，后来又收缩为团队级和公司级部署，原因是 Agent 如果缺少持续跟进，很快就会老化失效。
文章披露，Every 目前有专门的 AI 工程师团队来维护这些 Agent。哪怕是“自动生成 PowerPoint”这样的流程，也可能扩展成复杂系统：其中一个自动化流程包含 24 个技能和 18 个脚本，生成一份简报的 token 成本高达 62 美元。在 Shipper 看来，自动化不是把人抽走，而是把人的工作推向更上游的设计、监督和修补。
模型能力上升，稀缺的反而是差异化判断
Shipper 还引用多项测试说明模型能力正在快速��升。Humanity’s Last Exam 中，顶级模型成绩已从一年前的低个位数升至约 44%；GDPval 中，前沿模型完成真实经济任务的成绩升至约 85%。METR 在今年 5 月公布的 Claude Mythos 早期测试结果则显示，在一些人类专家通常需要 4 小时完成的任务上，该模型成功率达到 80%。
但他认为，基准测试的进步不等于工作会整体消失。AI 商品化的是“昨天的人类能力”——那些能被写成规则、变成流程、沉淀为训练数据的部分。一旦所有人都能调用同样的模型，大量产出会快速同质化。真正值钱的，不再是能不能做出初稿，而是能否看出哪里不对、该删什么、该改什么，以及此刻到底该解决哪个问题。
这也是 Every 内部没有因 AI 缩编的原因。Shipper 的判断是，AI 会持续重塑专家型知识工作，但至少在他观察到的场景里，自动化并没有直接消灭岗位，而是制造出更多需要人类判断、评审和系统化处理的新任务。