Nathan Baschez 提出共享 AI Factory 范式，个人 Agent 各自为战不是终局

每个员工各自折腾自己的个人 AI Agent（Codex、Claude Code、Grok Bots、OpenAI Dots 等），偶尔在 Slack 里分享 "AI 使用心得"，估计 99% 的公司...

每个员工各自折腾自己的个人 AI Agent（Codex、Claude Code、Grok Bots、OpenAI Dots 等），偶尔在 Slack 里分享 "AI 使用心得"，估计 99% 的公司今天都是这种模式。 这就是 AI 时代工作的终极形态吗？ @nbaschez 不认为！ gettheleverage.com/p/against-the-… # 先看对两个关键质疑的回应 1. "Skills 不就已经是工厂了吗？" Baschez 承认 Skills "有点像工厂"，但指出它的致命缺陷：提示词虽共享，运行环境不共享（各人配置不同导致结果漂移），且 Skill 的运行结果无法被其创建者方便地审视；反馈回路是断的。工厂恰恰补上了这两块。 2. "工厂不就是把人排除在外吗？" Baschez 认为"有没有人在环路里"是这个问题最不重要的部分。工厂的本质是 "由一部分人为所有人利益而优化的、专用的共享系统"。有些工厂完全自主（如客服），有些则深度人机协作（如幻灯片制作，在项目简报、调研、写作、设计各阶段都有人的介入）。自主程度是光谱，共享+专用+可审视才是定义。 AI Factory 是被低估的范式！ 它区别于个人 Agent 的三个本质属性： · Shared：多人可用，非一人私有 · Specific：针对高频重复任务优化，非通用 · Scrutinized：有人能观察流经系统的任务、修复失败案例 这个第三点最关键，也是最容易被忽视的：没有可审视性，就没有反馈回路；没有反馈回路，就没有系统性进步。 实例论证：为什么工厂必然胜出？ 两家各 100 人的咨询公司 DumboCo 和 BigBrain： · DumboCo：人人用个人 Agent，各自为战，像"狩猎采集部落"，每个人都重新发明自己的轮子。 · BigBrain：集中建设共享工厂，像"拥有各类专业化组织的现代社会"。 算法很简单：假设每人每月有 5–50 小时的 AI 调试时间，DumboCo 把精力摊到 5–10 种任务上（每项约 3.7 小时），BigBrain 则集中在 1–2 种任务上（每项约 18.3 小时），在学习曲线上深入 5 倍，这还没算上专业分工带来的技能差异。 Nathan Baschez @nbaschez Personal agents are everywhere, but they are not the end game. The economically inevitable next step is shared systems, often called “factories,” because they unlock specialization and gains from trade (the root of all prosperity). New essay by me today! gettheleverage.com/p/against-the-… 🔗 View Quoted Tweet 💬 1 🔄 0 ❤️ 3 👀 351 📊 1 ⚡