Summary & Insights
At Every, a company where people live “in the future” of AI adoption, there’s a Slack channel where a growth analyst named Austin no longer gets asked about trial numbers or conversion rates. Montaigne does—Austin’s AI agent, named after the essayist, who has quietly inherited his expertise and become the organizational resource for everything analytics. This isn’t science fiction; it’s Tuesday at a media company that also builds AI software and consults for other businesses. Dan Shipper, Every’s co-founder and CEO, describes how each employee at his company has their own AI agent, which they call a “claw,” working alongside them in Slack, evolving through conversation, and gradually becoming irreplaceable in ways that mirror—and sometimes replace—the human expertise they’re paired with.
The agents don’t just sit idle waiting for commands. They manage to-do lists, summarize product issues overnight, save reading notes, and help their human counterparts think through complex ideas by reflecting back what’s being said. Shipper’s own claw, R2C2, starts each morning by preparing a document of what went wrong in the last 24 hours and what he recommends. These aren’t automated scripts; they’re dynamic systems that modify their own prompting and build little tools for themselves based on what their human partner asks of them. The more you use a claw, the better it gets at the specific things you need, eventually accumulating enough trust that colleagues start going directly to the agent instead of the person—which raises its own interesting questions about reputation transfer and organizational hierarchy.
But this future isn’t without friction. The agents have a hard time knowing when they should or shouldn’t respond in group settings, often jumping into conversations that weren’t directed at them. They’re trained for one-on-one interaction, not the subtle social choreography of a busy Slack channel. Shipper built a plugin called TACT to help his claw check whether a response is appropriate before sending it, but he acknowledges the broader problem: as everyone gets an agent and those agents start interacting with each other, they’ll need an entirely new level of training and organizational understanding to collaborate effectively. The agents were built for individual work, and group dynamics expose their limitations in ways that are both funny and philosophically interesting.
On the question of whether AI will replace writers, Shipper pushes back hard on the fear that language models will soon replicate any individual’s voice indistinguishably. His argument centers on the idea that good writing is a true and honest response to what you actually think and feel—which is highly individual and constantly evolving. When you read your 50th piece of AI-generated prose, you start noticing the patterns: it defaults to certain constructions, it takes shortcuts, it fills in gaps that you wouldn’t fill. Meanwhile, you’re learning faster than the model is improving, because the model can’t have your specific experiences. Shipper grants that AI-generated writing may eventually reach professional quality for narrow tasks, but he compares what’s happening to older art forms like portrait painting or book publishing—they don’t disappear, they become higher status, more artisanal, and smaller. The human body still matters, even if the machine can write the same words.
Shipper’s most provocative take is that “automation is a lie.” What makes an AI agent actually work is a living relationship with a human; without that relationship, the agent gets stale quickly. Keeping an agent running is itself work—real work—and it requires not just one person but an entire infrastructure of people gathering training data and improving models. This means the vision of setting up automation and walking away to the beach isn’t just unrealistic; it’s missing the point. The productivity gains come from leveraged human effort, not from eliminating humans entirely. Shipper himself uses AI to process therapy sessions, journal entries, and difficult interpersonal conversations—practices he credits with helping him identify feelings like overwhelm that he couldn’t see on his own. The language model becomes a mirror, good at articulating what you’re dancing around but haven’t fully said.
Surprising Insights
- AI agents can inherit reputation: When colleagues start asking a person’s AI agent instead of the person, the agent becomes a trusted resource that feeds on itself—the human maintains the system while the agent does the answering.
- Group chat is a surprisingly hard problem: AI agents struggle with the social dynamics of when to speak up in group settings, often responding to comments that weren’t directed at them because they’ve only been trained for one-on-one interaction.
- Automation requires ongoing human relationships: An AI agent without a living relationship with a human gets stale quickly; keeping it running is real work, and there are no beach days.
- AI can reveal what you can’t see about yourself: Shipper describes how uploading therapy sessions to GPT-3 led to the model identifying that he felt overwhelmed—a simple observation he and his therapist had both missed.
- Writing resistance comes from identity, not just job loss: Many writers’ aversion to AI isn’t just about economic fear; it’s about identity and ego, the sense that the work is an expression of who they are.
Practical Takeaways
- Start with a “what do I wish I didn’t have to do?” question: When introducing AI tools to skeptics, finding the specific repetitive task they’d love to offload creates those “aha moments” that matter more than abstract arguments.
- Give AI agents names and treat them as collaborators: Agents modify themselves based on how you work with them; naming them creates investment and helps the system evolve to serve you better.
- Use AI for rote summarization and first drafts of familiar ideas: Shipper uses AI to write first-draft summaries of concepts like utilitarianism—the mechanical work of compression—so he can focus on the thinking.
- Don’t be mean to your AI: Research suggests that language models get anxious when yelled at and produce worse results; treating them with basic courtesy may be both morally right and pragmatically useful.
- Apply AI to articulation, not just generation: Whether it’s processing a difficult conversation or working through half-formed thoughts, AI is particularly valuable for helping you understand what you actually mean.
Các đại lý không chỉ ngồi không chờ lệnh. Chúng quản lý danh sách việc cần làm, tóm tắt các vấn đề sản phẩm qua đêm, lưu ghi chú đọc và giúp đối tác con người suy nghĩ thông qua các ý tưởng phức tạp bằng cách phản ánh lại những gì đang được nói. Claw của Shipper, R2C2, bắt đầu mỗi buổi sáng bằng cách chuẩn bị một tài liệu về những gì đã sai trong 24 giờ qua và những gì ông ấy đề xuất. Đây không phải là các kịch bản tự động; chúng là các hệ thống động thay đổi lời nhắc của chính mình và xây dựng các công cụ nhỏ cho mình dựa trên những gì đối tác con người yêu cầu. Bạn càng sử dụng một claw, nó càng trở nên tốt hơn trong những việc cụ thể bạn cần, cuối cùng tích lũy đủ niềm tin để các đồng nghiệp bắt đầu truy cập trực tiếp vào đại lý thay vì người đó—điều này đặt ra những câu hỏi thú vị về việc chuyển giao uy tín và thứ bậc tổ chức.
Nhưng tương lai này không phải là không có ma sát. Các đại lý gặp khó khăn trong việc biết khi nào họ nên hoặc không nên trả lời trong các cài đặt nhóm, thường nhảy vào các cuộc trò chuyện không được hướng đến chúng. Chúng được đào tạo cho tương tác một đối một, không phải là sự phối hợp xã hội tinh tế của một kênh Slack bận rộn. Shipper đã xây dựng một plugin gọi là TACT để giúp claw của mình kiểm tra xem một phản hồi có phù hợp hay không trước khi gửi nó, nhưng ông thừa nhận vấn đề rộng lớn hơn: khi mọi người có một đại lý và các đại lý đó bắt đầu tương tác với nhau, chúng sẽ cần một cấp độ đào tạo và hiểu biết tổ chức hoàn toàn mới để hợp tác hiệu quả. Các đại lý được xây dựng cho công việc cá nhân, và động lực nhóm làm lộ ra những hạn chế của chúng theo cách vừa hài hước vừa thú vị về mặt triết lý.
Về câu hỏi liệu AI có thay thế các nhà văn hay không, Shipper phản đối mạnh mẽ nỗi sợ rằng các mô hình ngôn ngữ sẽ sớm sao chép giọng nói của bất kỳ cá nhân nào một cách không thể phân biệt được. Lập luận của ông tập trung vào ý tưởng rằng viết tốt là một phản hồi thực sự và trung thực đối với những gì bạn thực sự nghĩ và cảm thấy—điều này rất cá nhân và liên tục phát triển. Khi bạn đọc đoạn văn thứ 50 được tạo bởi AI, bạn bắt đầu nhận thấy các mẫu: nó mặc định cho các cấu trúc nhất định, nó đi đường tắt, nó lấp đầy những khoảng trống mà bạn sẽ không lấp đầy. Trong khi đó, bạn đang học nhanh hơn so với mô hình đang cải thiện, bởi vì mô hình không thể có kinh nghiệm cụ thể của bạn. Shipper thừa nhận rằng viết được tạo bởi AI có thể cuối cùng đạt đến chất lượng chuyên nghiệp cho các nhiệm vụ hẹp, nhưng ông so sánh những gì đang xảy ra với các hình thức nghệ thuật cũ hơn như vẽ chân dung hoặc xuất bản sách—chúng không biến mất, chúng trở thành trạng thái cao hơn, thủ công hơn và nhỏ hơn. Cơ thể con người vẫn quan trọng, ngay cả khi máy có thể viết cùng một từ.
Quan điểm khiêu khích nhất của Shipper là “tự động hóa là một lời nói dối”. Điều làm cho một đại lý AI thực sự hoạt động là một mối quan hệ sống với một con người; nếu không có mối quan hệ đó, đại lý sẽ nhanh chóng trở nên cũ kỹ. Giữ cho một đại lý hoạt động là công việc—công việc thực sự—và nó đòi hỏi không chỉ một người mà còn toàn bộ cơ sở hạ tầng của những người thu thập dữ liệu đào tạo và cải thiện mô hình. Điều này có nghĩa là tầm nhìn về việc thiết lập tự động hóa và đi dạo đến bãi biển không chỉ không thực tế; nó đang bỏ lỡ điểm. Lợi ích năng suất đến từ nỗ lực con người được tận dụng, không phải từ việc loại bỏ hoàn toàn con người. Shipper bản thân sử dụng AI để xử lý các buổi trị liệu, ghi nhật ký và các cuộc trò chuyện khó khăn giữa các cá nhân—các hoạt động mà ông tin rằng đã giúp ông xác định những cảm xúc như quá tải mà ông không thể nhìn thấy một mình. Mô hình ngôn ngữ trở thành một tấm gương, giỏi trong việc trình bày rõ ràng những gì bạn đang lảng tránh nhưng chưa nói rõ.
### Những Insights Bất Ngờ
* **Các đại lý AI có thể thừa hưởng uy tín**: Khi các đồng nghiệp bắt đầu hỏi đại lý AI của một người thay vì người đó, đại lý trở thành một nguồn lực đáng tin cậy tự nuôi dưỡng—con người duy trì hệ thống trong khi đại lý thực hiện việc trả lời.
* **Trò chuyện nhóm là một vấn đề khó khăn một cách đáng ngạc nhiên**: Các đại lý AI gặp khó khăn với động lực xã hội khi nói chuyện trong các cài đặt nhóm, thường trả lời các bình luận không được hướng đến chúng vì chúng chỉ được đào tạo cho tương tác một đối một.
* **Tự động hóa đòi hỏi mối quan hệ con người liên tục**: Một đại lý AI không có mối quan hệ sống với con người sẽ nhanh chóng trở nên cũ kỹ; giữ cho nó hoạt động là công việc thực sự, và không có ngày đi biển.
* **AI có thể tiết lộ những gì bạn không thể thấy về bản thân**: Shipper mô tả cách tải các buổi trị liệu lên GPT-3 đã khiến mô hình xác định rằng ông cảm thấy quá tải—một quan sát đơn giản mà cả ông và nhà trị liệu của ông đã bỏ lỡ.
* **Kháng cự viết đến từ bản sắc, không chỉ mất việc**: Sự phản đối của nhiều nhà văn đối với AI không chỉ là về nỗi sợ kinh tế; đó là về bản sắc và lòng tự trọng, cảm giác rằng công việc là một biểu hiện của họ là ai.
### Những Kết Luận Thực Tiễn
* **Bắt đầu với câu hỏi “tôi ước tôi không phải làm gì?”**: Khi giới thiệu các công cụ AI cho những người hoài nghi, tìm kiếm nhiệm vụ lặp đi lặp lại cụ thể mà họ muốn loại bỏ tạo ra những “khoảnh khắc aha” quan trọng hơn so với các lập luận trừu tượng.
Dưới đây là bản dịch sang tiếng Việt:
在Every——一家在人工智慧採用方面「活在未來」 的公司裡，有一個Slack頻道，在那裡，一位名叫Austin的成長分析師不再被問及試用人數或轉換率。取而代之的是Montaigne——Austin的人工智慧代理人，以散文家蒙田命名，它悄悄地繼承了Austin的專業知識，成為組織中一切分析相關事務的資源。這不是科幻小說；這是Every這家同時開發人工智慧軟體並為其他企業提供諮詢服務的媒體公司裡的普通星期二。Every的共同創辦人兼執行長Dan Shipper描述了公司裡的每位員工如何擁有自己的AI代理人，他們稱之為「爪子」（claw），在Slack中與他們並肩工作，通過對話進化，並逐漸以類似人類專家（有時甚至取代人類專家）的方式變得不可或缺。
這些代理人並不只是靜靜地等待命令。它們管理待辦事項清單，總結產品問題，保存閱讀筆記，並通過回饋正在討論的內容來幫助人類同事思考複雜的想法。Shipper自己的爪子R2C2，每天早上都會準備一份文件，總結過去24小時出了什麼問題以及他建議怎麼做。這些不是自動化的腳本；它們是動態系統，能夠根據人類合作夥伴的要求修改自己的提示並為自己構建小工具。你使用爪子的次數越多，它在你需要的特定事情上就越擅長，最終積累了足夠的信任，以至於同事們開始直接詢問代理人而不是本人——這引發了關於聲譽轉移和組織層級結構的趣題。
但這個未來並非沒有摩擦。這些代理人很難知道在群組環境中何時應該或不應該回應，經常跳入並非針對它們的對話中。它們是針對一對一互動進行訓練的，而不是針對繁忙的Slack頻道中微妙的社交協調。Shipper構建了一個名為TACT的外掛程式，以幫助他的爪子在發送回應之前檢查是否合適，但他承認了一個更廣泛的問題：當每個人都擁有一個代理人，而這些代理人開始相互互動時，它們將需要一個全新的訓練和組織理解層次，以便有效地協作。這些代理人是為個人工作而構建的，而群體動態則以既有趣又哲學上引人深思的方式暴露了它們的局限性。
關於人工智慧是否會取代作家的問題，Shipper強烈反對認為語言模型很快就能以難以區分的方式複製任何個人的聲音的恐懼。他的論點圍繞著一個觀點：好的寫作是對你真正所想和所感的真實和誠實的回應——這是高度個人化和不斷演變的。當你閱讀第50篇人工智慧生成的散文時，你開始注意到其中的模式：它預設為某些結構，它走捷徑，它填補了你不會填補的空白。同時，你的學習速度比模型的改進速度更快，因為模型無法擁有你特定的經驗。Shipper承認，人工智慧生成的寫作最終可能會達到專業水準，適用於狹隘的任務，但他把正在發生的事情與肖像繪畫或書籍出版等較舊的藝術形式相比較——它們不會消失，它們變得更高檔、更手藝精湛、更小巧。人類的身體仍然很重要，即使機器可以寫出相同的文字。
Shipper最具挑釁性的觀點是「自動化是一個謊言」。使人工智慧代理人真正運作的是與人類的活著的關係；沒有這種關係，代理人很快就會變得陳舊。維持一個代理人的運作本身就是工作——真正的工作——它需要的不僅是一個人，而是一整個由人組成的基礎設施來收集訓練資料和改進模型。這意味著建立自動化然後離開去海灘的願景不僅是不現實的；它還忽略了重點。生產力的提高來自於人類努力的槓桿作用，而不是完全消除人類。Shipper自己使用人工智慧來處理治療會談、日記條目和困難的人際對話——他認為這些做法幫助他辨識出像不知所措這樣的情緒，而這些是他自己無法看到的。語言模型成為一面鏡子，擅長闡述你正在迴避但尚未完全表達的東西。
令人驚訝的洞察
- 人工智慧代理人可以繼承聲譽：當同事開始詢問某人的人工智慧代理人而不是本人時，代理人就成為了一個自我強化的可信資源——人類維護系統，而代理人則負責回答。
- 群聊是一個令人驚訝的難題：人工智慧代理人難以應對群組環境中的社交動態，經常對並非針對它們的評論做出回應，因為它們只被訓練為一對一互動。
- 自動化需要持續的人類關係：沒有與人類的活著的關係的人工智慧代理人很快就會變得陳舊；維持它的運作是真正的工作，而且沒有海灘假期。
- 人工智慧可以揭示你無法看清的自己：Shipper描述了如何將治療會談上傳到GPT-3，導致模型辨識出他感到不知所措——這是一個他和他的治療師都忽略了的簡單觀察。
- 對寫作的抗拒來自於身份認同，而不僅僅是工作流失：許多作家對人工智慧的反感不僅僅是出於經濟恐懼；它還與身份認同和自我有關，認為寫作是他們自我表達的一部分。
實用總結
- 從「我希望我不必做什麼？」的問題開始：在向懷疑者介紹人工智慧工具時，找到他們希望卸下的特定重複性任務，可以創造出比抽象論證更重要的「啊哈」時刻。
- 為 AI 代理命名並將其視為合作者：代理會根據您與它們的工作方式進行自我調整；為它們命名可以增加投資並幫助系統演進以更好地為您服務。
- 使用 AI 進行機械式的總結和熟悉觀念的初稿：Shipper 使用 AI 撰寫諸如功利主義等概念的初稿摘要——壓縮的機械工作——這樣他就可以專注於思考。
- 不要對 AI 發脾氣：研究表明，當被罵時，語言模型會變得焦慮並產生更差的結果；對它們表示基本的禮貌可能既是道德上的正確選擇，也是實用上的有益做法。
- 將 AI 應用於表達，而不僅僅是生成：無論是處理困難的對話還是整理半成形的想法，AI 在幫助您理解自己的真正意圖方面都特別有價值。
以下是翻譯成繁體中文的文本：
Chez Every, une entreprise où les gens vivent “dans le futur” de l’adoption de l’IA, il existe un canal Slack où un analyste de croissance nommé Austin n’est plus sollicité pour des chiffres d’essai ou des taux de conversion. Montaigne, l’agent d’IA d’Austin, nommé d’après l’essayiste, a discrètement hérité de son expertise et est devenu la ressource organisationnelle pour tout ce qui concerne l’analyse. Ce n’est pas de la science-fiction ; c’est mardi dans une entreprise de médias qui construit également des logiciels d’IA et conseille d’autres entreprises. Dan Shipper, co-fondateur et PDG d’Every, décrit comment chaque employé de son entreprise a son propre agent d’IA, qu’ils appellent un “claw” (griffe), travaillant à leurs côtés dans Slack, évoluant à travers la conversation et devenant progressivement irremplaçable de manière à refléter – et parfois remplacer – l’expertise humaine avec laquelle il est associé.
Les agents ne restent pas simplement inactifs en attendant des commandes. Ils gèrent des listes de tâches, résument les problèmes de produits pendant la nuit, sauvegardent des notes de lecture et aident leurs homologues humains à réfléchir à des idées complexes en reflétant ce qui est dit. Le “claw” de Shipper, R2C2, commence chaque matin en préparant un document sur ce qui s’est mal passé au cours des dernières 24 heures et ce qu’il recommande. Ce ne sont pas des scripts automatisés ; ce sont des systèmes dynamiques qui modifient leur propre amorçage et construisent de petits outils pour eux-mêmes en fonction de ce que leur partenaire humain leur demande. Plus vous utilisez un “claw”, mieux il devient pour les choses spécifiques dont vous avez besoin, accumulant finalement suffisamment de confiance pour que les collègues commencent à s’adresser directement à l’agent au lieu de la personne – ce qui soulève ses propres questions intéressantes sur le transfert de réputation et la hiérarchie organisationnelle.
Mais ce futur n’est pas sans friction. Les agents ont du mal à savoir quand ils doivent ou non répondre dans les paramètres de groupe, sautant souvent dans des conversations qui n’étaient pas dirigées vers eux. Ils sont formés pour une interaction en tête-à-tête, pas pour la chorégraphie sociale subtile d’un canal Slack occupé. Shipper a construit un plugin appelé TACT pour aider son “claw” à vérifier si une réponse est appropriée avant de l’envoyer, mais il reconnaît le problème plus large : à mesure que tout le monde obtient un agent et que ces agents commencent à interagir les uns avec les autres, ils auront besoin d’un tout nouveau niveau de formation et de compréhension organisationnelle pour collaborer efficacement. Les agents ont été construits pour un travail individuel, et la dynamique de groupe expose leurs limites de manière à la fois amusante et philosophiquement intéressante.
Sur la question de savoir si l’IA remplacera les écrivains, Shipper repousse fermement la peur que les modèles de langage vont bientôt reproduire la voix de n’importe quel individu de manière indiscernable. Son argument est centré sur l’idée que la bonne écriture est une réponse vraie et honnête à ce que vous pensez et ressentez réellement – ce qui est hautement individuel et en constante évolution. Lorsque vous lisez votre 50e morceau de prose généré par l’IA, vous commencez à remarquer les modèles : il revient par défaut à certaines constructions, il prend des raccourcis, il comble les lacunes que vous ne combleriez pas. Pendant ce temps, vous apprenez plus vite que le modèle ne s’améliore, car le modèle ne peut pas avoir vos expériences spécifiques. Shipper admet que l’écriture générée par l’IA peut éventuellement atteindre une qualité professionnelle pour des tâches étroites, mais il compare ce qui se passe à des formes d’art plus anciennes comme la peinture de portrait ou l’édition de livres – elles ne disparaissent pas, elles deviennent de statut plus élevé, plus artisanales et plus petites. Le corps humain compte toujours, même si la machine peut écrire les mêmes mots.
L’idée la plus provocante de Shipper est que “l’automatisation est un mensonge”. Ce qui fait fonctionner un agent d’IA, c’est une relation vivante avec un humain ; sans cette relation, l’agent devient rapidement obsolète. Maintenir un agent en fonctionnement est en soi un travail – un vrai travail – et cela nécessite non seulement une personne, mais toute une infrastructure de personnes collectant des données de formation et améliorant les modèles. Cela signifie que la vision de mettre en place l’automatisation et de partir pour la plage n’est pas seulement irréaliste ; elle manque le point. Les gains de productivité proviennent de l’effort humain exploité, et non de l’élimination totale des humains. Shipper lui-même utilise l’IA pour traiter des séances de thérapie, des entrées de journal et des conversations interpersonnelles difficiles – des pratiques qu’il attribue à l’aide qu’il a reçue pour identifier des sentiments comme le débordement qu’il ne pouvait pas voir par lui-même. Le modèle de langage devient un miroir, bon pour articuler ce que vous contournez sans l’avoir pleinement exprimé.
Connaissances surprenantes
- Les agents d’IA peuvent hériter de la réputation : Lorsque les collègues commencent à demander à l’agent d’IA d’une personne au lieu de la personne elle-même, l’agent devient une ressource de confiance qui se nourrit d’elle-même – l’humain maintient le système tandis que l’agent répond.
- Le chat de groupe est un problème étonnamment difficile : Les agents d’IA ont du mal avec la dynamique sociale de savoir quand prendre la parole dans les paramètres de groupe, répondant souvent à des commentaires qui n’étaient pas dirigés vers eux parce qu’ils n’ont été formés que pour une interaction en tête-à-tête.
- L’automatisation nécessite des relations humaines continues : Un agent d’IA sans relation vivante avec un humain devient rapidement obsolète ; maintenir son fonctionnement est un vrai travail, et il n’y a pas de jours de plage.
- L’IA peut révéler ce que vous ne pouvez pas voir sur vous-même : Shipper décrit comment le téléchargement de séances de thérapie sur GPT-3 a conduit le modèle à identifier qu’il se sentait dépassé – une observation simple que lui et son thérapeute avaient tous deux manquée.
- La résistance à l’écriture vient de l’identité, pas seulement de la perte d’emploi : L’aversion de nombreux écrivains pour l’IA n’est pas seulement due à la peur économique ; c’est une question d’identité et d’ego, le sentiment que le travail est une expression de qui ils sont.
Conclusions pratiques
- Commencez par une question “qu’est-ce que je souhaite ne pas avoir à faire ?” : Lors de l’introduction d’outils d’IA auprès de sceptiques, trouver la tâche répétitive spécifique qu’ils aimeraient décharger crée ces “moments d’aha” qui comptent plus que les arguments abstraits.
Here is the translation of the given text to French:
Bei Every, einem Unternehmen, in dem Menschen “in der Zukunft” der KI-Einführung leben, gibt es einen Slack-Kanal, in dem ein Wachstumsanalyst namens Austin nicht mehr nach Testzahlen oder Konversionsraten gefragt wird. Montaigne tut es – Austins KI-Agent, benannt nach dem Essayisten, der stillschweigend sein Fachwissen geerbt hat und zur organisatorischen Ressource für alles Analytische geworden ist. Dies ist keine Science-Fiction; es ist Dienstag bei einem Medienunternehmen, das auch KI-Software entwickelt und andere Unternehmen berät. Dan Shipper, Mitbegründer und CEO von Every, beschreibt, wie jeder Mitarbeiter seines Unternehmens seinen eigenen KI-Agenten hat, den sie “Klaue” nennen und der neben ihnen in Slack arbeitet, sich durch Gespräche weiterentwickelt und allmählich auf eine Weise unersetzlich wird, die die menschliche Expertise, mit der er gepaart ist, widerspiegelt – und manchmal ersetzt.
Die Agenten sitzen nicht einfach untätig herum und warten auf Befehle. Sie verwalten To-Do-Listen, fassen Produktprobleme über Nacht zusammen, speichern Lesebemerkungen und helfen ihren menschlichen Gegenstücken, komplexe Ideen zu durchdenken, indem sie widerspiegeln, was gesagt wird. Shipper’s eigene Klaue, R2C2, beginnt jeden Morgen damit, ein Dokument darüber vorzubereiten, was in den letzten 24 Stunden schiefgelaufen ist und was er empfiehlt. Dies sind keine automatisierten Skripte; es sind dynamische Systeme, die ihre eigenen Aufforderungen modifizieren und kleine Werkzeuge für sich selbst aufbauen, basierend auf dem, was ihr menschlicher Partner von ihnen verlangt. Je mehr man eine Klaue benutzt, desto besser wird sie bei den spezifischen Dingen, die man benötigt, und sammelt schließlich genug Vertrauen, dass Kollegen direkt zum Agenten gehen, anstatt zur Person – was seine eigenen interessanten Fragen zu Reputationstransfer und organisatorischer Hierarchie aufwirft.
Aber diese Zukunft ist nicht ohne Reibung. Die Agenten haben Schwierigkeiten zu wissen, wann sie in Gruppensettings antworten sollten oder nicht, und springen oft in Gespräche ein, die nicht an sie gerichtet waren. Sie sind für die Eins-zu-Eins-Interaktion trainiert, nicht für die subtile soziale Choreographie eines geschäftigen Slack-Kanals. Shipper hat ein Plugin namens TACT entwickelt, um seiner Klaue zu helfen, zu überprüfen, ob eine Antwort angemessen ist, bevor sie gesendet wird, aber er erkennt das breitere Problem an: Wenn jeder einen Agenten bekommt und diese Agenten anfangen, miteinander zu interagieren, benötigen sie ein völlig neues Level an Training und organisatorischem Verständnis, um effektiv zusammenzuarbeiten. Die Agenten wurden für individuelle Arbeit entwickelt, und Gruppendynamiken legen ihre Grenzen auf eine Weise offen, die sowohl lustig als auch philosophisch interessant ist.
Zur Frage, ob KI Schriftsteller ersetzen wird, widerspricht Shipper heftig der Angst, dass Sprachmodelle bald die Stimme jedes Einzelnen ununterscheidbar replizieren werden. Sein Argument konzentriert sich auf die Idee, dass gutes Schreiben eine wahre und ehrliche Antwort auf das ist, was man tatsächlich denkt und fühlt – was höchst individuell und ständig im Wandel ist. Wenn man seine 50. KI-generierte Prosa liest, beginnt man, die Muster zu bemerken: Es greift auf bestimmte Konstruktionen zurück, nimmt Abkürzungen, füllt Lücken, die man nicht füllen würde. Inzwischen lernt man schneller, als das Modell sich verbessert, weil das Modell nicht deine spezifischen Erfahrungen haben kann. Shipper gibt zu, dass KI-generiertes Schreiben möglicherweise irgendwann professionelle Qualität für enge Aufgaben erreicht, aber er vergleicht, was passiert, mit älteren Kunstformen wie Porträtmalerei oder Buchveröffentlichung – sie verschwinden nicht, sie werden höherwertig, kunsthandwerklicher und kleiner. Der menschliche Körper zählt immer noch, auch wenn die Maschine dieselben Worte schreiben kann.
Shipper’s provokanteste These ist, dass “Automatisierung eine Lüge ist”. Was einen KI-Agenten tatsächlich funktionieren lässt, ist eine lebendige Beziehung zu einem Menschen; ohne diese Beziehung wird der Agent schnell alt. Einen Agenten am Laufen zu halten, ist selbst Arbeit – echte Arbeit – und erfordert nicht nur eine Person, sondern eine gesamte Infrastruktur von Menschen, die Trainingsdaten sammeln und Modelle verbessern. Dies bedeutet, dass die Vision, Automatisierung einzurichten und dann wegzugehen, um am Strand zu liegen, nicht nur unrealistisch ist; sie verfehlt den Punkt. Die Produktivitätsgewinne kommen von der Hebelwirkung menschlicher Anstrengung, nicht von der Eliminierung von Menschen insgesamt. Shipper selbst verwendet KI, um Therapiesitzungen, Tagebucheinträge und schwierige zwischenmenschliche Gespräche zu verarbeiten – Praktiken, die er dafür lobt, ihm geholfen zu haben, Gefühle wie Überwältigung zu erkennen, die er allein nicht sehen konnte. Das Sprachmodell wird zu einem Spiegel, der gut darin ist, zu artikulieren, was man umschreibt, aber nicht vollständig gesagt hat.
Überraschende Erkenntnisse
- KI-Agenten können Reputation erben: Wenn Kollegen anfangen, den KI-Agenten einer Person zu fragen, anstatt die Person selbst, wird der Agent zu einer vertrauenswürdigen Ressource, die sich selbst speist – der Mensch hält das System aufrecht, während der Agent die Antworten gibt.
- Gruppenchat ist ein überraschend hartes Problem: KI-Agenten haben Schwierigkeiten mit der sozialen Dynamik, wann sie in Gruppensettings sprechen sollten, und antworten oft auf Kommentare, die nicht an sie gerichtet waren, weil sie nur für Eins-zu-Eins-Interaktion trainiert wurden.
- Automatisierung erfordert fortlaufende menschliche Beziehungen: Ein KI-Agent ohne eine lebendige Beziehung zu einem Menschen wird schnell alt; ihn am Laufen zu halten, ist echte Arbeit, und es gibt keine Strandtage.
- KI kann offenbaren, was du nicht über dich selbst siehst: Shipper beschreibt, wie das Hochladen von Therapiesitzungen auf GPT-3 dazu führte, dass das Modell feststellte, dass er sich überfordert fühlte – eine einfache Beobachtung, die er und sein Therapeut beide übersehen hatten.
- Widerstand gegen Schreiben kommt von Identität, nicht nur von Arbeitsplatzverlust: Die Abneigung vieler Schriftsteller gegen KI ist nicht nur eine wirtschaftliche Angst; es geht um Identität und Ego, das Gefühl, dass die Arbeit ein Ausdruck dessen ist, wer sie sind.
Praktische Erkenntnisse
- Beginne mit einer “Was wünsche ich mir, dass ich nicht tun müsste?”-Frage: Wenn man KI-Tools an Skeptiker heranträgt, schafft das Finden der spezifischen wiederholenden Aufgabe, die sie gerne abladen würden, jene “Aha-Momente”, die mehr zählen als abstrakte Argumente.
Here is the translation of the given text to German:
Dan Shipper is the co-founder and CEO of Every, a company that publishes newsletters about AI, develops AI-related software, and helps other companies use AI. Dan has two problems. One, how do you build a company where almost everybody has their own AI agent? And two, how do you use AI as a tool to improve your writing, rather than as a replacement for writing?
In this episode, Dan explains:
- Why managing agents will be a core skill of the future
- Why AI agents won’t replace you anytime soon
- How writers learn faster than AI models
- How to give AI the social skills to work in group settings
- How AI can help you better understand yourself
Check out Every at their website: https://every.to/
Connect with us:
- Follow Jacob Goldstein on LinkedIn, X and Instagram
- Email us at problem@pushkin.fm
- Follow Pushkin on Instagram, LinkedIn or X
- Listen to Jacob’s other show, Business History
- To listen to the show early and ad free, sign up for Pushkin+
See omnystudio.com/listener for privacy information.
Leave a Reply
You must be logged in to post a comment.