逐浪 · 第十六篇 外滩大会十条论述，藏着一道分界线：跟不上 AI 的人，不是不懂技术
十条论述读完，最触动我的不是任何一条具体的判断，而是它们共同画出的那条线。
2026 年外滩大会结束，十条核心论述被整理出来。 链接：逐浪 · 第十五篇 2026 外滩大会：AI 进入执行时代的十个信号
我把它们读了两遍。第一遍看内容，第二遍看结构。
看完第二遍，我发现一件事：这十条不是在讲十个话题，而是在讲同一件事的三个层次。 而这三个层次，恰好构成了一道分界线。
分界线的一边，是还在问"AI 能做什么"的人。另一边，是已经在问"AI 做错了谁负责"的人。
用户说"已经能看到一些人跟不上 AI 的发展了"。这句话我认同，但我想把它说得更准确一点：
跟不上的人，不是不懂技术的人。是还在用旧框架提问的人。
一、第一道门槛：从"能做什么"到"能创造什么"
这三条论述，讲的是同一个转变。
张宏江给出了最清晰的一句话：Agent 正"从对话到助手，从被动到主动，从个体到群体"。
这三个短语对应三个阶段：
| 阶段 | 形态 | 人的角色 |
|---|---|---|
| 对话 | 你问，它答 | 使用者 |
| 助手 | 你给任务，它执行 | 指挥者 |
| 群体 | 多个 Agent 协作、交易 | 系统设计者 |
大多数人对 AI 的理解，还停在第一个阶段。
他们用 AI 写文案、查资料、翻译句子。这没错，但这只是"对话"。当 Agent 开始理解任务、调用工具、制定步骤，它第一次真正进入了原本由人类劳动构成的经济流程。
这一步跨过去，AI 才从"工具"变成"劳动力"。
王坚补上了价值观层面的另一半。他说：
"所有的未来都是创造出来的，不是从需求清单里算出来的。"
他用贝多芬《第五交响曲》举例："在作品诞生之前，没有人向贝多芬提出过这个需求。"
这句话的锋芒在于：它否定了"等需求"这种思维模式。
很多人对 AI 的态度是"等它成熟了我再用"、"等需求明确了我再投入"。但王坚的意思是，真正重要的东西，从来不是从现成需求里算出来的。它是创造出来的。
阿吉翁从经济学给了数据支撑：AI 有望年增生产率 1.08 个百分点。
但他同时警告：技术突破不会自动转化为增长。如果成功者利用优势压缩后来者空间，生产率增长会回落。
三条合起来看：Agent 有了行动能力（张宏江），未来的方向是创造而非等待（王坚），但创造能否兑现为增长需要制度保障（阿吉翁）。
这三条，构成了第一道门槛。
跨过它的人，已经在用 Agent 做事。没跨过的人，还在问"AI 到底能干什么"。
二、第二道门槛：从"用 AI"到"为 AI 的行为负责"
如果说第一道门槛是"会不会用"，第二道门槛就是"敢不敢负责"。
韩歆毅指出了一个具体的症结：
"用户想用，但商家没有好的智能体服务；商家看到没用户在用，又不敢投入开发。"
这是一个死循环。而它背后的问题是：没人愿意先承担风险。
然后他提出了那个更有分量的问题——KYA（Know Your Agent）：
- Agent 有没有身份？
- 谁授权它花钱？
- 买错东西谁负责？
- 一笔机器完成的交易如何追溯？
他把答案概括为五个词：授权、身份、能力评估、资金安全和可追溯审计。
这五个词，本质上是在给"非人行动主体"建立一套责任框架。
传统互联网有 KYC（Know Your Customer），因为交易主体是人，责任可以追溯到人。当 Agent 成为交易主体，KYC 就不够用了——你需要回答"这个 Agent 是谁、它能做什么、它的行为由谁负责"。
刘元春从另一个角度切入：判断 AI 投资是不是泡沫，不能只盯着估值。
他以互联网泡沫为例：资产价格剧烈调整，但并未阻止技术发展，也未抹去此前形成的基础设施。
"真正的问题是——泡沫期间形成的算力、模型和基础设施，最终能否沉淀为真实生产能力。"
萨金特的判断更冷静：AI 仍处"开普勒阶段"。
我们已观察到现象规律，但尚未找到背后的"牛顿力学"。资本投入规模扩大，并不意味着未来回报更确定。
三条合起来看：有人在做交易（韩歆毅），有人在看投资（刘元春），有人在看周期（萨金特）。他们都在问同一个问题——当 AI 开始行动，谁来为它的行动负责？
第二道门槛，就在这里。
跨过它的人，已经在设计授权、审计、追责机制。没跨过的人，还在纠结"要不要让 AI 碰我的业务"。
三、第三道门槛：从"执行者"到"设计者"
这是最容易被忽略、但最根本的一道门槛。
大会把两个"普通人"的困惑列入了核心议题。
第一个是 30 岁小学老师陈墨的问题：
"当'遇事不决问 AI'就能得到答案，我们该怎么教孩子思考？"
清华教授汪民安与杭州云谷学校师生围绕"认知增强，还是认知外包"展开辩论。
这个问题的实质是：AI 帮你思考，还是替你想？
第二个是 37 岁白领张珺的疑问，被列为"AI 科技人文十问"之首：
"AI 让效率变高，为什么我们反而更累了？"
32 岁电商运营李鑫豪的担心更具体："自己每天教 AI 工作，是不是也在训练未来的替代者。"
这两条放在一起，构成了最有张力的底色。
一边是经济学家的增长讨论，一边是普通人的真实焦虑。
它们指向同一个问题：当 AI 承担了"执行"，人在其中的位置是什么？
我的回答是：从执行者，变成设计者。
这不是一句安慰。它对应一个很具体的能力转变：
| 旧角色 | 新角色 |
|---|---|
| 把需求翻译成代码 | 定义什么是正确的结果 |
| 按流程执行任务 | 设计流程的边界和反馈 |
| 完成被分配的工作 | 判断什么工作值得做 |
| 保证自己做对 | 保证系统不犯错 |
王坚的那句话，恰好是对这道门槛最好的注脚。他把"年轻人"写成"年青人"，说：
"'年青'不只是一种年龄，更是一种面对世界的方式——下雨了，也不愿意打伞。"
跟上 AI，不是学会用新工具。是换一种面对世界的方式。
四、为什么"效率变高反而更累"
回到最后那条疑问。它是最多人有共鸣的一条，也是最能解释"为什么有人跟不上"的一条。
效率变高，为什么反而更累？
因为执行被解放了，但判断没有被解放。
以前你花 8 小时写代码，现在 AI 帮你 1 小时写完。剩下 7 小时不是空闲，是被要求做出更多判断：
- 这个方案行不行？
- AI 生成的结果对不对？
- 出了问题谁负责？
- 下一步该做什么？
执行的成本下降了，判断的成本上升了。
而判断，恰恰是大多数人没有被训练过的能力。
这解释了两件事：
第一，为什么"会用 AI"不等于"能创造价值"。 会用工具的人很多，能判断"该不该用、用了对不对、错了怎么办"的人很少。
第二，为什么"跟不上"不是技术问题。 不是学不会新工具，是没有建立起判断的框架。
萨金特说 AI 还在"开普勒阶段"——我们看到了现象，还没找到规律。这句话对技术人员同样成立：很多人看到了 AI 能做什么，但没找到"怎么让它在正确的地方做正确的事"。
五、跟上的人，在做同一件事
把十条论述里"在跟上"的那部分抽出来看，会发现他们在做同一件事：
把不确定的东西，变成可约束、可审计、可回滚的东西。
| 论述 | 在做什么 |
|---|---|
| KYA | 给 Agent 建立身份与授权框架 |
| 韩歆毅的激励政策 | 用制度设计打破供需死循环 |
| 刘元春的"沉淀" | 判断投入能否变成真实能力 |
| 阿吉翁的"制度保障" | 让创造性破坏不演变成垄断 |
| 王坚的"10% 资源" | 用 AI 减少无谓消耗，而不是创造更多消耗 |
这五件事，本质上是同一件事：在 AI 释放出巨大能量的同时，给它建立边界。
而这，恰好是我在 Agent 平台上做的事情的另一面。
我在做的是：状态机、脚本门控、权限边界、审计日志、预算控制、失败收口。这些是工程层面的约束。
外滩大会在讨论的是：授权、身份、能力评估、可追溯审计、制度保障。这些是制度层面的约束。
两者是同一件事的两个层面。
制度适配的最后一公里，不在法条里，在系统层。而系统层的可靠性，不在提示词里，在架构里。
六、分界线的另一边
回到那句判断："已经能看到一些人跟不上 AI 的发展了。"
我想把它说得更具体一点。
跟不上的人，不是在用旧工具的人。是在用旧框架提问的人。
他们的提问方式是：
- "AI 能做什么？"（而不是"我要用它创造什么"）
- "AI 会不会替代我？"（而不是"我该怎么重新定义我的位置"）
- "等 AI 成熟了我再用"（而不是"在它还粗糙的时候就开始设计边界"）
- "这个答案对不对？"（而不是"我该用什么标准来判断"）
跨过分界线的人，在问的是另一个问题：
- "这个系统在什么情况下会出错？"
- "出了错谁能发现、谁能恢复？"
- "我该给它多大的权限，留多少审计痕迹？"
- "它做对了很好，做错了代价是什么？"
这些问题，不是技术问题。是设计问题，是责任问题，是判断问题。
而这恰好是 AI 时代最难被替代的能力。
收尾
王坚用贝多芬举例说，真正的创新无法从需求清单里算出来。
我想补一句：真正跟不上的人，也不是被技术落下的。是被自己的提问方式困住的。
十条论述里，最让我记住的不是任何一个数据，而是王坚对"年青"的定义——
下雨了，也不愿意打伞。
那不是固执。那是一种主动选择面对不确定的姿态。
跟上 AI，从来不是学会用某个工具。是愿不愿意在下雨的时候，不打伞，往前走。
技术标签：#AI治理 #Agent #外滩大会 #执行时代 #Harness工程
