Kalshi 联合创始人 Luana Lopes Lara 在播客节目中谈到，到了今年年底，变化最大的领域仍会是工作。按她的说法，现在还没有哪个职位被彻底换掉，更多情况是各类岗位都在被 AI 增强。
Luana Lopes Lara 于 2018 年共同创办预测市场平台 Kalshi。按 Forbes 统计，她是全球最年轻的白手起家女性亿万富豪。今年 5 月，Kalshi 完成 10 亿美元融资，估值达到 220 亿美元。她长期观察的，是用户愿意拿真金白银押注哪些结果；当讨论对象变成 AI 和工作时，这些价格给出的往往不是安慰，而是风险的变化。
围绕 AI 的问题，焦点从能力转向后果
Luana 说，一两年前，Kalshi 收到的 AI 市场提议大多在问能力问题，比如模型能不能完成某项任务、哪个模型会赢、大型数学难题何时被解开。现在，用户更常问的是 AI 会怎样影响裁员、失业和选举。
她说：「一两年前，人们提议的市场大多关于 AI 能力；现在，我们收到的请求更多关于 AI 带来的影响。」
她把这种变化看作一个信号：普通人已经越过了「AI 是什么」这个阶段，开始计算它落到自己身上的代价。平台上的交易并没有停止关注模型能力、药物审批和量子计算，但「AI 会不会成为本月裁员的首要原因」已经成了每个月都有人盯着的市场。技术新闻关注的，也不再只是产品发布，开始进入工资单和岗位说明书。
Kalshi 平台上还有一个被 Luana 和联合创始人长期关注的 AI「灾难情景」市场。这个市场设置了五项条件，只要其中三项发生就结算为「是」。采访录制时，这一市场给出的概率约为 26% 至 30%，成交金额达到数百万美元。Luana 说，这个数字高于很多人的直觉，也因此让团队反复查看。
73% 代表什么，不代表什么
采访录制时，Kalshi 市场认为 AI 会成为 5 月裁员首因的概率是 73%，成交量约 3 万美元。Luana 提到，3 月和 4 月，AI 确实是裁员的首要原因。
她还提到，Kalshi Research 做过校准研究。按她的说法，即使成交量只有约 5000 美元，价格往往也已经会收敛到相当稳定的数字；资金越多、距离结算越近，读数通常越可信。
她说：「即使成交量只有 5000 美元，你也已经能看到数字收敛到一个校准得很好的水平，所以这个数字确实值得信任。」
不过，这个 73% 不能直接翻译成「你的岗位有 73% 的概率消失」。它回答的是一个定义明确的问题：在指定月份，AI 是否会被记录为裁员的首要原因。Luana 的意思是，预测市场有价值，前提就是问题边界足够清楚；如果题目含糊，数字本身也会失去意义。
有些问题要等 5 年才结算，比如某种药物何时获批、量子计算何时突破。Kalshi 开始为账户里的头寸和美元支付利息后，用户不必因为资金被长期占用而放弃这类交易。这样一来，市场可以为更远的事件积累信息，价格也不只是跟着当天新闻波动。
概率不是预言，小概率事件也会兑现
Luana 还举了美国籍教皇当选的例子。她说，在结果揭晓前，这件事在 Kalshi 上的概率长期只有约 1%。结果出现后，有新闻称预测市场「错了」，但她的回应很直接：1% 不等于 0。
她说：「70% 不是 100%。即便数字是 99%，每 100 次里仍可能有一次不发生；1% 也不是零。」
她的解释是，秘密会议几乎是封闭的信息系统，外部人本来就很难预测。小概率事件实际发生，不能反过来证明此前的概率没有意义。
她也提到，同样的成交量，放在不同市场里，可信度并不一样。距离选举只剩一周时，政治市场可能只需要一两千美元就很准确；如果提前 6 个月，通常需要上万美元。在看某个百分比之前，先看结算时间、交易量和问题定义，这三个条件比孤立的数字更接近真实风险。
在她看来，预测市场一开始就要求参与者为判断付费。研究越扎实，押对后赚到钱的机会越大；随口表态，则需要承担损失。它不能制造全知全能的群体，但能把「我觉得」变成一个带成本、也能持续修正的数字。
多数用户并不交易，而是把它当作一份价格新闻
Luana 说，Kalshi 有 70% 的用户从不交易。他们打开网站，只是为了快速看经济、选举、体育和文化事件的最新概率。
她说：「我们 70% 的用户其实什么都不交易，他们只是进来获取信息，看看不同事情的预测。」
按她的描述，这有点像一份用价格写成的新闻。首页没有某家媒体的立场，而是很多人用资金表达出来的判断。公司还把数千个选举市场压缩成 K Power 指数，让用户用一个数字看美国政治当前更偏向共和党还是民主党。
另一类用户把市场当作对冲工具。她举例说，纽约上东区一家酒吧承诺，如果尼克斯赢球，就为到店顾客免单，最坏可能损失一两万美元，于是酒吧买入相反结果来控制风险。佛罗里达飓风季来临时，也有人要求围绕自己居住的具体区域开市场，用收益抵掉保险自付额。预测可以帮助决策，对冲则让错误判断不至于一次造成过大损失。
她也提到，平台真正要做的事情，并不只是开一个简单的是非题。比如用户说想知道 AI 是否影响选举，团队必须先把「影响」拆成可以结算的条件。国家政治倾向也很难只用单一席位表达，这也是 K Power 把众议院、参议院和各地选举预测合并起来的原因。一个最终可用的数字，前面往往对应很长的定义过程。
她判断，普通人最先感受到的变化仍在工作
Luana 没有声称某个职位已经在 Kalshi 被彻底消失。她看到的情况是，几乎所有职位都被 AI 放大：工程师可以同时调度约 20 个云端 Agent，新员工可以用 Agent 补齐公司上下文，管理者也能更快知道哪些项目卡住。
她说：「我还没看到哪个职位被彻底切换成『我们不需要这个人了，我们有 AI』，所有职位都被 AI 增强了。」
不过，她仍然判断，到今年年底，普通人感受最明显的变化会发生在工作里。她暂时更看好需要身体参与的工作，比如健身教练，以及偏手艺的岗位；至于机器人以后会走到哪一步，她没有下结论。过去常被认为安全的工程职位，她反而觉得安全感在下降。岗位名称可能还在，但完成任务的方法、团队所需人数和录用标准已经开始变化。
她用旅行规划举了一个很日常的例子。过去安排周末出行，要自己搜索住处和行程；现在她会让 ChatGPT 规划两天安排，但最后还是得自己打开网页，逐一预订酒店。这个断点在她看来很典型：AI 已经接过思考和整理，真正跨系统执行的最后几步，往往还留给人来完成。
170 人团队，怎样运行一家 AI 优先公司
Kalshi 目前约有 170 名员工。Luana 把市场运营形容为一座工厂，要持续盯住错误数、市场上线延迟、结果判定延迟和覆盖率。AI 系统会从底层收集这些指标，再把邮件、文档和团队更新汇总给管理者。
她说：「AI 让我更快拿到上下文，更快知道正在发生什么，所以我能更有效地管理更多线程和更多人。」
她提到，周日曾经是自己最忙的一天，因为要逐个回看上周完成了什么、下周要做什么，再检查整套指标。现在，不少整理工作已经由 Agent 完成，她终于可以在周日去吃早午餐。管理工作没有因此消失，只是从搬运信息转向判断信息。权限仍然是一个难点，因为法务和监控材料只能对少数人开放。
团队希望每位新员工入职时都能配一个自己的 Agent，并接入邮件、文档和工作记录。现在最棘手的部分就是权限设计：既要让新人快速补课，也要保证法务案件和市场监控资料只对获准的人可见。上下文越完整，权限规则越不能含糊。
Agent 变多后，公司反而更需要专职工程师
访谈里一个反常识的细节是，Kalshi 使用了更多 Agent，但仍在招聘工程师。Luana 解释说，她和联合创始人的时间已经被日常经营占满，如果两人都只拿 5% 的时间顺手做内部 AI 系统，结果很难稳定。公司因此组建了专门团队，把工程师放进市场运营、设计和法务等环节，一项项梳理流程。
她说：「如果我只拿 5% 的时间来做，它不会做得很好。AI 要成为公司的重要部分，就需要很厉害的人全职负责。」
她提到，真实流程远比演示复杂。产品反馈散落在 Slack、Discord、推文和内部讨论中，要自动排序，还要追踪哪些问题已经上线；公司测试过多家 QA 产品，没有一个达到要求。设计团队则想缩短「工程师先上线实验、设计师再回来修好」的循环。那些关于 Solo Founder 的故事很吸引人，但要让 AI 系统稳定运行，仍然需要明确负责人。
Kalshi 刚推出永续合约，这是公司第一次走出预测市场。Luana 说，如果没有现在的 AI 能力，这个新产品要么会拖累主业务，要么就需要多招很多人。她更期待的是用 AI 做出更多产品、把公司做得更大，重点不在少招人，而在效率提升后，公司可以把边界扩得更远。
招聘标准正在改变，重点转向是否愿意重学
Kalshi 允许候选人在工程面试中使用 AI。Luana 说，两年前常问的「这个人能不能完成某项技术任务」，现在已经没有那么强的区分度。团队把更多时间放在系统评审和过往项目复盘上。设计岗位会问候选人用过多少 AI，法务面试也开始追问「你会怎样用 AI 处理这类案件」。
她说：「你过去工作的方式，不会是我们在 Kalshi 继续工作的方式。我们需要人愿意重新弄明白：那些自己曾经很擅长的事，现在可能已经不必亲手做了。」
在她看来，更重要的特质是低自我、愿意学习和可靠交付。她所说的努力工作，不是简单计算工时，而是把被托付的事情做好。工具还会继续变化，能不能放下旧优势，已经进入招聘判断。她也借此解释，为什么工程师会走进设计和法务：公司要改变的不是一项孤立任务，而是每个团队处理任务的方式。
她还提到，这种文化很直接。同事如果不喜欢某项工作，会当场说清楚。公司曾花 3 到 4 年争取监管许可，又在沟通 2 年后起诉自己的监管机构，最终拿到选举市场的空间。Luana 把这段经历归结为一条朴素原则：把所有能做的事都做完，免得失败后发现自己其实还留了一步没走。
对个人来说，她给出的信息并不是一个直接答案。73% 值得认真看，但也只能被当成 73%。真正更有用的，是把担忧拆成可以核对的问题：工作里哪些步骤已经被 Agent 接管，哪些判断还依赖经验，团队的录用标准最近有没有变化。概率不会替人决定下一步，但会提醒人，别再用两年前的安全感规划今天。