當你最想聘用的人才開始詢問算力預算
不久後，你想聘用的優秀人才不會問 headcount。他們會問：「我每個月的算力預算是多少？」 這句話重構了我對未來幾年工作的想像；它來自 Perplexity Chief Business Officer Dmitry Shevelenko 的一場訪談。
背後的論點簡單，卻有些令人眩暈：如果一位充滿好奇心的人可以編排足夠多的 AI，完成一整個部門的工作，那麼組織的單位就不再是員工，而是員工加上他的算力。預算會從軟體席位轉為更接近 AI 薪資。以下是我對訪談的筆記，以及聽完後自己的想法。
關於資料來源的小提醒：下列數字與案例皆由 Shevelenko 在訪談中敘述，我沒有獨立驗證。請將其視為一位在 Perplexity 有明確立場的人提出的說明性主張，而不是經審計的結果。
每位員工都成為主管
核心的重新框架，是別把 AI 當軟體，而要把 agents 當成數位工作者。一旦如此，人類的工作形狀就改變了。你不再是蒐集資料與執行的人——而是設定 workflow、啟動 agent、驗證輸出的人。實際上，你會成為一支小型 AI 團隊的管理者。
Shevelenko 的說法是，每個人都會成為主管，並以主管早已被衡量的方式接受評估：依據所部署資源的 ROI。一位 VP 的表現取決於他如何花費 headcount 預算；明天的知識工作者則取決於他如何花費算力預算。
工作的單位正從「你能做什麼？」轉為「你能編排什麼？」他提到的槓桿數字讓概念變得具體。據稱，Perplexity 的月結財務由一位人類監督 AI 完成，而其僅有七人的 go-to-market 團隊服務 50,000 家企業客戶。不論精確數字是否成立，方向才是重點：極小的團隊在完成過去需要一整張組織圖的工作。
這與我先前寫過的觀點很呼應：應該別再把 AI 當工具，而是像數位員工一樣為它 onboarding。算力預算的框架，是從財務面看到同一件事：若它是勞動力，就該列在薪資項目，而非軟體授權項目。
工作變成編排，而 prompting 是管理
如果執行轉移給 agents，人類還剩下什麼？Shevelenko 的答案是錯誤驗證與品味——我認為他是對的。
Agents 仍會 hallucinate，也仍會犯邏輯錯誤。因此持久的人類技能，是壓力測試輸出的能力：建立判斷模型可能在哪裡出錯的 heuristics，並在它上線前發現問題。這與其說是技術技能，不如說是判斷技能。
另一半是回饋。當 agent 失敗，通常是管理失敗——就像一位交付錯誤成果的初階員工，往往是因為 brief 沒有交代好。學會給出簡潔、可行動的修正，是新的核心能力。
我的收穫： 「Prompting」是個不好的詞，因為它聽起來像語法技巧。它真正是委派。那些早就擅長把工作交給初階同事的人——brief 清楚、有緊密回饋迴路、知道「完成」長什麼樣子——擁有可遷移的超能力。那些因為「我自己做比較快」而囤積執行工作的人，將會很辛苦。
AI 協作是多人模式，不是單人聊天視窗
一項更尖銳的產品觀察是：AI 不該把人類鎖在孤立的一對一聊天視窗。它最有用的地方是團隊已經工作的地方——Slack、Microsoft Teams、共享頻道。
原因是社會性的，不是技術性的。當 AI 存在於共享頻道，人們會看見別人如何 prompt 它。他們學習彼此的 workflows、跳進討論串追問，也能把尚未完成的 AI 任務交接給隊友。管理 agents 的技能透過耳濡目染傳播，而不是靠訓練文件。
這也是 Perplexity 對稍後會提到的採用問題的答案：教一位猶豫的員工把工作委派給 AI，最快的方法就是讓他公開看見老闆這麼做。
Agents 會委派給 sub-agents
Shevelenko 描述的複雜任務架構，不是一個大型模型，而是作為管理者的planning model，將複雜 prompt 拆成步驟，交給專門的 sub-agents。是管弦樂團，不是獨奏者。
這與工作相關的原因是信任範圍（trust horizon）。現在我們交給 agents 的任務以分鐘計，也許一天。隨著 context windows 與推理能力進步，這個範圍會拉長：你願意信任 agent 跑一週的任務，最終甚至是一個跑滿一季才需要你介入的專案。你願意給多長的繩子，才是這些系統有多強的真正衡量。
如果想看這條曲線的遠端，就是 Anthropic 在AI 開始撰寫其大部分程式碼時描述的同一動態——人類從執行、審查，一路往上移到設定方向。
好奇心與能動性成為護城河
這是我反覆思考的結論。當 AI 能完美執行任務——寫 SQL、拉資料、起草報告——執行就不再是競爭優勢，它成了商品。
那什麼是稀缺的？知道該做什麼。 未來知識工作者的瓶頸不是能力，而是想法——提出正確問題的好奇心，以及啟動正確專案的主動性。能動性成為一個人最稀有的資產。
當執行是免費的，整場遊戲就是決定什麼值得執行。我的收穫： 這在同一時間既有點令人振奮，也有點殘酷。令人振奮，因為好奇心是人類的，不能外包；殘酷，因為再也沒有地方能躲——當試算表能自己建立，你不能再只是「很會做試算表的人」。那些一直問「我們為什麼要這樣做？」的人，剛剛成了整棟樓裡最有價值的人。
Perplexity 從觀察使用者學到什麼
訪談後半段較少宣言，更多是田野筆記——Perplexity 如何實際觀察人們使用 AI，以及這如何改變他們打造的產品。有四項觀察留在我心中。
高階主管是最佳早期採用者
在內部廣泛推出「Computer」agent 後，Perplexity 最活躍的使用者是 CEO、企業主與高階主管——據稱其中 92% 成為每週活躍使用者。原因正是前面談到的編排：高階主管已經受過委派訓練。把工作交給 agent，使用的是與把工作交給團隊相同的肌肉。一般知識工作者更難適應，因為委派對他們還不是習慣。
這就是 Slack 與 Teams 策略的真正原因：在猶豫的採用者所在之處接觸他們，讓他們透過觀察已熟練委派的人來學習。
Agentic commerce 被過度炒作
Perplexity 發現，使用者喜歡用 AI 研究高價購買，但他們不想讓 AI 按下「購買」。人們對花自己的錢有損失規避，想手動確認最終交易以免出錯（訂錯航班、填錯地址）。而現代 checkout——Apple Pay 等——已幾乎沒有摩擦，因此最後一步幾乎沒有痛點可移除。
因此 Perplexity 從 one-click agentic checkout 後退，全面投入成為研究階段最好的工具，把執行點擊留給人類。
我的收穫： 這是實際觀察行為、抵抗 hype cycle 的乾淨例子。「Agent 幫你買東西」demo 很漂亮，卻在 production 中失敗，因為摩擦從不在 checkout——而在研究。要為痛苦的部分打造產品，而非令人印象深刻的部分。這與「賣鏟子，為服務收費」是同一個教訓：解決無聊卻有價值的問題。
廣告摧毀對 AI 答案的信任
Perplexity 的看法是，AI 產品一旦承載廣告，使用者立刻會認為答案被污染——偏向出最高價的人——即使自然結果毫髮無傷。因為他們認為自己經營的是信任與準確性業務，所以拒絕在核心體驗採用廣告模式。他們判斷保存信任比廣告收入更有價值。
Server-side agents 撞上「脈絡牆」
在雲端執行的 agents 不斷在真實網頁任務中失敗：遇到 paywall、被 captcha 擋住，也不能存取使用者的登入資訊、cookies 與本機狀態。Perplexity 的解法是 Comet，一個在 client side 執行的 agentic browser，讓 agent 繼承使用者真實的 session——cookies、登入狀態與偏好。這個交接設計得不可見：你問「Computer」一個問題，若它需要即時、有認證的網頁存取，便在背景安靜交給 Comet，而不會在你的螢幕打開五十個 tab。
Super-users 願為原始算力支付企業級費用
這個定價觀察又回到開頭。軟體過去以每席位販售——每月固定 20 美元。但 Perplexity 發現，個別「pro-sumers」與小企業主為了自動化工作消耗大量算力，其 annualized value 已達 每年 20,000–30,000 美元。
因此，他們在固定訂閱之外擁抱按用量計費——販售算力 credits。邏輯是：如果一個人能從 AI 擷取一整個部門的 ROI，他會樂意為該算力支付部門等級的價格。Perplexity 正透過「Billion Dollar Build」等計畫積極鼓勵這件事，推動使用者以 Perplexity 的算力作為骨幹建立完整事業。
這是一個定價故事，但也是一個go-to-market-as-engineering故事：他們在資料裡觀察到使用訊號，發現 power users 正以偽裝方式支付定價表一千倍的費用，於是打造符合行為的定價模式，而不是強迫行為符合模式。
常見問題
對員工來說，「算力預算」是什麼意思？
這個概念是：當 AI agents 承擔更多執行工作時，工作者將像現在取得 headcount 或軟體席位一樣，獲得一筆 AI 算力預算。高槓桿員工不再問「我的團隊有多少人？」，而是問「我能部署多少算力？」——並依據由此產生的回報受評量。Perplexity 的 Dmitry Shevelenko 將其描述為每位員工實際上都成為管理資源、而不只是完成任務的主管。
為什麼 Perplexity 認為 agentic commerce（AI checkout）被過度炒作？
因為使用者想讓 AI 做購買的研究，但想自己按下「購買」。人們對花自己的錢很敏感，希望最後有人工確認以避免訂錯航班等錯誤。此外，現代 checkout（Apple Pay、已儲存卡片）已摩擦很低，自動化最後點擊幾乎沒移除多少痛點。因此 Perplexity 專注研究階段。
為什麼 Perplexity 不在其 AI 產品中放廣告？
他們的立場是，AI 產品承載廣告的那一刻，使用者就會認為答案偏向付出最高費用的人——即使自然結果沒有改變。因為 Perplexity 認為自己經營的是「信任與準確性業務」，它判斷保存使用者信任比廣告帶來的收入更重要。
Comet 是什麼，為什麼它在 client-side 執行？
Comet 是 Perplexity 的 agentic web browser。在雲端執行的 server-side agents 常在真實任務中失敗，因為遇到 paywall、captcha，並且無法存取使用者登入資訊。透過在使用者自己的裝置上執行，Comet 繼承使用者的 cookies、登入狀態與偏好——讓 agent 真正能完成需要認證的多步驟網頁任務。
在有能力的 AI agents 世界中，哪些技能最重要？
訪談中有兩項突出：錯誤驗證（發展出在 agent 輸出上線前，察覺它在哪裡出錯的品味與 heuristics）和管理（像管理初階員工一樣，給出簡潔、可行動的回饋來修正 agent）。在兩者之上，是好奇心與能動性——當執行成為商品，稀缺的技能是弄清楚什麼工作本身值得做。
結論
這個版本的未來工作不是 AI 全面替代人類，而是一種混合：小型、極度好奇的團隊編排龐大量的算力，執行長期專案。預算從軟體席位遷移到 AI 薪資。贏家是最會管理數位工作力的人——而這其實主要是把舊有的良好委派技能，指向一種新型工作者。
我無法擺脫的是最後的反轉：多年來，我們為了執行能力最佳化人們。學校的整個目的，以及早期職涯的大部分目的，就是讓人能快速、可靠地完成那件事。如果 Shevelenko 是對的，剛剛被商品化的正是這一部分——而那些我們一直低估、柔軟且無法教會的東西：好奇心、品味，以及提出更好問題的勇氣，才是僅存的稀缺之物。
完整訪談值得一看。如果你對 future-of-work 的角度感興趣，也適合搭配閱讀我對為何 AI 是數位員工而不是工具和當 AI 開始撰寫自己的程式碼會發生什麼的筆記。我很想知道你的想法——「算力預算」這個框架對你而言是現實，還是早了幾年？