同一份问卷,团队每人用 Claude 挖出了不同的结论
Dan Shipper 用一个 Claude 订阅,一周做完按 2020 年标准需要五个人的活。他认为,模型能大批生成答案,但判断哪个答案重要的还是人。
- 谁说的
- Every 联合创始人兼 CEO Dan Shipper,在 Every 首届大会 Thesis 的闭幕演讲中提出这个观点(2026-11-11 播出)。
- 核心观点
- 他认为模型的默认答案人人都拿得到,所以不值钱。值钱的是两样:一个人对某块业务负有责任,以及他带进来的、与众不同的视角。
- 依据
- 同一份客户问卷,Dan 自己发现了团队版的销售机会。Yash 发现首月流失源于邮件太多,并提了改动的 PR。Douglas 读出读者的孤独感。另据内部实验,Claude 给出 400 个答案时,93% 的情况下包含 Dan 在 Slack 里的真实回复,但让它排序,这条只有约 60% 的情况能进前 10%。
- 对你的意义
- 下次用 AI 分析数据,先写下自己负责的指标和自己的判断,再去追问。别只停在「你看到了什么」这种默认问法。
- 争议·条件
- Dan 自己也承认,模型一年后大概会更擅长排序。他的回应是:到那时人也在用新模型,比较的仍是「人加模型」和默认提示词。这是自家大会的主题演讲。
Dan Shipper 在 Thesis 闭幕演讲里引用了 OpenAI 的 GDPval:盲评专家判定 AI 胜过人类专家的比例,2024 年是 12.4%,2025 年是 47.6%,2026 年约 83%。上周他抽工作间隙分析了季度问卷,做了一个团队对战游戏,又 vibe code 了一个 CRM,去给客户发开发邮件。按 2020 年的标准,这些活要数据科学家、游戏开发、产品营销、工程师和 BDR 五个人来做。
他的论据来自团队内部。直接问 Claude,得到的是「写作就是业务」这类结论,没错,但谁都能得到。团队里没有一个人交上去的是默认答案。负责评测的 Mike Taylor 做过实验,结论是生成很便宜,排序很难。
对读者来说,这意味着把时间花在定义自己负责什么、自己相信什么上。Dan 把这种工作方式叫作「分配经济」:衡量一个人的标准,变成他能否把智能资源分配好,并对结果负责。