2026 年 7 月 14 日，企業 AI 公司 Hebbia 的創辦人暨執行長 George Sivulka 在 X 上發布了一篇長文〈You just hired a million bad employees.〉（你剛雇用了一百萬名爛員工）。這篇文章在三天內累積了逾 200 萬次瀏覽，核心不是又一輪「AI 要搶你飯碗」的老調，而是一個更反直覺的主張：AI 代理人（agent）沒有讓工程師消失，反而讓每一位員工——包括最爛的那些——都拿到了「無限的人手與無限的預算」。
他開頭第一句話，就把結論砸在桌上：
“AI was supposed to replace human labor. It did the opposite. For the first time in history, humans are cheaper than software.”
中文：AI 本來應該取代人力，結果剛好相反。人類史上第一次，人比軟體還便宜。
— George Sivulka，〈You just hired a million bad employees〉
接下來我們分三步走：先忠實整理他到底在說什麼、把最關鍵的句子逐字標出來，讓你就算不點原文也能吸收全部精華；再逐一查證他丟出來的那些數字與案例；最後給出一個不吹捧、也不看衰的獨立判讀——包括他這篇文章沒有說出口的那層利益。
他把 AI 當成一支「員工大軍」來看
Sivulka 整篇文章建立在一個類比之上：AI 代理人的工作方式，和人類員工失敗的方式一模一樣。
“Agent workforces and human workforces fail in the same way. Understanding the 7 major parallels between the two will unlock the next trillion dollars of AI value creation.”
中文：代理人工作力與人類工作力，會以相同的方式失敗。理解兩者之間的 7 個對照，就能解鎖 AI 下一個一兆美元的價值。
— George Sivulka，〈You just hired a million bad employees〉
而他用來鋪陳這個類比的歷史，是鐵路。他為文章配的封面，就叫〈Man vs. Token〉。
他說 1830 年代鐵路帶來「世界前所未見最大規模的基礎建設」，美國鐵路里程「十年間成長了 120 倍」；直到 1841 年 10 月 5 日，兩列火車在麻州的 Western Railroad 因為一次簡單的協調失誤對撞，鐵路公司才被迫發明「現代管理」——為每個地區設經理、定義新職位、建立清楚的層級與匯報線。他的結論是：AI 正在再一次打破這個系統。
🔍 查證：這段歷史大致成立，但要修兩處。（1）「120 倍」是 1830→1840 這十年的數字（里程約從 23 英里到 2,818 英里，約 122 倍，資料出自美國普查局《Historical Statistics of the United States》），但這是「從近乎零」開始的低基期放大——1830 年代實際新增里程（約 2,800 英里）其實遠少於 1840 年代（+6,200）與 1850 年代（+21,000），所以「史上最大基建」是修辭而非字面事實。（2）1841 年那場對撞確有其事（日期、鐵路、麻州、致命、協調失誤都對），但「車禍催生現代管理」是管理史學者 Alfred Chandler《看得見的手》（1977）的詮釋，不是當天的因果；而且常被說成「第一張組織圖」的，其實是 1855 年 Daniel McCallum 為紐約與伊利鐵路（New York & Erie）畫的——是另一條鐵路、晚了 14 年。
他接著把矛頭轉向今天：
“We just gave every employee, even the worst ones, infinite headcount and infinite budget. Managing AI is harder than managing people, because AI scales dysfunction instantly.”
中文：我們剛給了每一個員工——連最差的那些——無限的人手和無限的預算。管理 AI 比管理人更難，因為 AI 會瞬間把失能放大到規模。
— George Sivulka，〈You just hired a million bad employees〉
七個對照：AI 代理人如何複製人類職場的每一種病
文章的主體，是他列出的「7 個對照」。以下逐一整理，並在該查的地方立刻查給你看。
1. Tokenmaxxing＝用人海戰術硬解問題
他說「tokenmaxxing」這個炒作週期不到一個月就走完；但重點從來不是花了多少 token，而是大多數人根本不知道怎麼用。他估計「每 100 個員工裡，大概只有 1 個懂得怎麼餵 AI 上下文（context）」——把剩下 99 個人接上 agent，你只會得到一堆「迴圈（loops）」。
2. Loops（迴圈）＝開會討論怎麼開會
在 Claude Code／Cowork、Copilot、Karpathy 的 Autoresearch 這些 harness 裡，agent 會不斷呼叫自己來修正自己——他說這只是「用暴力去彌補幾乎沒人會好好下 prompt 的事實」。
“You are spending tokens on spending tokens.”
中文：你是在花 token 去花 token。
— George Sivulka，〈You just hired a million bad employees〉
🔍 查證：他點名的四樣東西都是真的：Claude Code（Anthropic 的官方 CLI 編碼代理）、Claude Cowork（Anthropic 2026 年推出的知識工作代理，桌面版約 1 月、網頁／行動版約 7 月）、GitHub Copilot，以及 Karpathy 的 Autoresearch（Andrej Karpathy 於 2026 年 3 月開源的 ML 實驗 harness，github.com/karpathy/autoresearch）。不過把 Autoresearch 和 Claude Code／Cowork 歸成同一種「harness」，是他的修辭類比而非技術分類——Autoresearch 是自我改良的訓練迴圈，另外三個是通用的編碼／知識工作代理。
3. 被浪費的 token＝新的人力冗員
他借用「80% 的員工其實什麼也沒做」的說法，推到「80% 的 token 今天也什麼都沒做」，並舉馬斯克「砍掉 X 八成員工、公司反而表現更好」當佐證。
“Just like 80% of employees do nothing, 80% of tokens today do nothing. People create more people. Tokens create more tokens. Looping is the new empire building.”
中文：就像 80% 的員工什麼都沒做，今天 80% 的 token 也什麼都沒做。人製造更多人，token 製造更多 token。跑迴圈，是新的「建立帝國」。
— George Sivulka，〈You just hired a million bad employees〉
🔍 查證：「80% 裁員」屬實——推特被收購時約 7,500 名員工，馬斯克 2023 年 4 月親口對 BBC 說砍到約 1,500 人（約八成）。但「表現更好」與獨立數據矛盾：廣告營收從 2021 年的約 46 億美元腰斬到 2023 年約 25 億；Fidelity 一度把持股減記到隱含估值僅約 94 億美元（比 440 億收購價低約 79%）；2023 年 7 月 1 日還發生「rate limit」大當機。真正改善的只有成本／燒錢。至於「80% 的 token 什麼都沒做」——這個數字原文沒有出處，是修辭，別當統計看。
4. 100X token＝新的 10X 工程師
軟體原本的承諾是「寫一次、永遠低成本執行、不用盯著」；他說 AI 打破了這個承諾——「一旦軟體什麼都能做，它就沒辦法穩定地做好任何一件事」。於是 token 開始表現得像一支勞動力：更準、更快、不搞政治、不會離職……每一項優點都有一個「但是」。
“The 10X engineer built the last era of companies. The 100X token will build the next. … Humans are cheaper than tokens on average, but good tokens are cheaper at scale. Management converts one into the other.”
中文：10X 工程師打造了上一個時代的公司，100X token 將打造下一個。……平均而言人比 token 便宜，但好的 token 在規模上更便宜。而「管理」，就是把前者變成後者的那台轉換器。
— George Sivulka，〈You just hired a million bad employees〉
🔍 查證：「10X 工程師」的說法可追溯到 1968 年 Sackman 等人的一份研究——但那份研究原本是在比較「線上 vs 離線」寫程式，個體差異巨大只是意外發現、樣本又小，所以精確的「10 倍」其實是民間傳說，不是硬數據。把它當成「個體生產力差異很大」的觀察成立；當成精準倍率則不宜。
5. 囤積上下文＝最新的保飯碗手段
員工不想把自己的「獨門 know-how」交給 AI，因為他們開始意識到，這些系統不只是來「幫他們」的。他舉 Meta 為例：連持股、理應最想把 AI 做對的員工，都對公司拿員工的工作情境當訓練資料感到憤怒。
“Tribal knowledge has been job security for centuries. … Nobody trains their replacement for free.”
中文：部落式的內隱知識，幾世紀以來一直是保飯碗的本錢。……沒有人會免費訓練自己的接班人。
— George Sivulka，〈You just hired a million bad employees〉
🔍 查證：Meta 這件事是真的：據 CNBC／Business Insider 等報導，Meta 的「Model Capability Initiative」（約 2026 年 4 月）會記錄美國員工的鍵盤、滑鼠、點擊與螢幕截圖來訓練 AI 代理，且無法選擇退出（歐盟員工因 GDPR 豁免）；逾 1,000 名員工連署、有人發起工會化。2026 年 6 月這套工具外洩了敏感資料，Meta 因此宣布「暫停」（不是取消）。但要修正 Sivulka 的一層詮釋：報導呈現的員工怒火，主要是關於隱私／監控／裁員，而不是他說的「持股員工急著把 AI 做對」——那個動機是他加上去的。
6. Evals（評測）＝新的 OKR
這是他最站得住腳的一塊。他認為管理 token 工作力的最佳方式，和管理人一樣，就是「定義什麼叫做好」。而唯一逃出辦公室政治泥沼的 AI 用例是寫程式——因為程式碼內建了評測：能跑就是能跑。
“99% of AI revenue today is coding because coding has built-in evals. Code runs or it doesn’t. … A firm’s eval suite will become its most valuable resource.”
中文：今天 99% 的 AI 營收都是寫程式，因為寫程式內建了評測——程式能跑，或不能跑。……一家公司的「評測套件」，將成為它最有價值的資產。
— George Sivulka，〈You just hired a million bad employees〉
🔍 查證：「99%」是修辭誇飾，不是統計。根據 Menlo Ventures《2025: The State of Generative AI in the Enterprise》，2025 年企業生成式 AI 支出約 370 億美元，其中寫程式約 40 億、佔「部門級」支出的 55%——是最大的單一類別，但約當總支出的 11%。消費端更是聊天機器人的天下（約佔行動生成式 AI 營收的 93%）。正確版本是：寫程式是「最大、最能變現」的 AI 類別，而不是 99%。他點出的機制（客觀 evals）是對的，數字是唬人的。
7. 下一個兆美元機會＝「AI 轉型公司」
他說矽谷現在最迷戀的是「做空今天的企業」——用「neofirms（新型公司）」或「AI 原生服務」去吃掉知識經濟裡「21 兆美元」的服務支出。但他認為，真正的巨獸不會是吃掉現有服務支出的新創，而是賣「一種全新服務」給既有玩家的「AI 轉型公司」。
“AI transformation companies will be 10X larger than any neofirm. … Encoding each firm’s nuances into agents will become the largest economic task of the decade.”
中文：AI 轉型公司會比任何一家 neofirm 大 10 倍。……把每一家公司的細節「編碼」進代理裡，將成為這十年最大的經濟任務。
— George Sivulka，〈You just hired a million bad employees〉
他甚至拿 Palantir 當例子：帳面上最該被 Claude 顛覆的軟體公司、一家「半兆美元」的企業，照那套讓 SaaS 幾乎不值得投資的邏輯，$PLTR 早該在 $NOW（ServiceNow）之前歸零——但它沒有，因為「Palantir 賣的從來不是軟體，是轉型」。
🔍 查證：「半兆美元」不對。截至 2026 年 7 月中，Palantir 市值約 3,100–3,240 億美元（7 月 8 日才首度突破 3,000 億），約是 ServiceNow（約 1,100 億）的 3 倍——不是 5,000 億。而且「21 兆美元的服務支出」這個數字，原文沒有附任何出處，也沒定義是全球還是美國、是薪資還是營收——可查證的錨點是：全球專業服務市場約 6–7 兆、美國知識工作者年薪資總額約 10–11 兆。要說明他的重點，用估值倍數比市值標籤更準：Palantir 約 66 倍 EV/Sales、上百倍預估本益比，遠高於 ServiceNow 的約 9 倍，這才是它「看起來最該被顛覆」的原因。「$PLTR 會在 $NOW 之前歸零」則是他的預測，不是事實。
文章收在一個漂亮的呼應上：
“Now the work is making the trains run on time. … Humans just became cheaper than software. Someone still has to tell them both what to do.”
中文：現在的工作，是讓火車準點。……人剛剛變得比軟體便宜。但總得有人告訴他們兩個——該做什麼。
— George Sivulka，〈You just hired a million bad employees〉
AlphaLab 的判讀：相信他的診斷，質疑他的結論
一、他的「診斷」是對的，值得認真聽
Sivulka 最強的一塊，是診斷：個人層次的 AI 生產力，還沒有變成公司層次的價值。這有紮實證據——MIT NANDA 的〈GenAI Divide〉研究發現，約 95% 的企業生成式 AI 試點對損益表毫無影響，瓶頸是組織而非技術；而這正呼應經濟史上的「工廠電氣化悖論」：電動馬達問世後，工廠花了數十年重新設計動線，生產力才真正跳升。把 AI 硬接在舊流程上不會有用，「tokenmaxxing」式的亂花錢也是真的。這一塊，我同意。
二、最搶眼的三根支柱，其實最脆弱
1）「人比 token 便宜」是暫時的。這個成本反轉，正以每年約「一個數量級」的速度被抹平：根據 Epoch AI，產出 GPT-4 級品質的每百萬 token 成本，從 2023 年約 30 美元，一路跌到 2026 年不到 1 美元（跌幅逾 95%）。把「該雇人／該買轉型服務」的長期結論，建立在一個正在快速消失的成本反轉上，很脆弱——連他自己都補了一句「好的 token 在規模上更便宜」。
2）「Loops 是浪費」在技術上是反的。推理期運算（inference-time / test-time compute，也就是 agentic loops）恰恰是目前能力的前沿，不是浪費——2026 年的同儕審查研究顯示，把 loop 放大能讓 Claude 在 SWE-Bench Verified 從 70.9% 提升到 77.6%。把「跑迴圈」一律說成「人類無能的補丁」，是把前沿進步的機制誤認成低效。（想理解「迴圈」為什麼是設計而非浪費，可讀我們的〈循環工程 Loop Engineering〉。）
3）「AI 創造的工作比消滅的多」被最新微觀資料打臉。史丹佛數位經濟實驗室〈Canaries in the Coal Mine〉發現，在最受 AI 衝擊的職業裡，22–25 歲年輕工作者的相對就業下降約 13%，入門級職缺更大跌約 35%；連 2024 年諾貝爾經濟學獎得主 Acemoglu 與 Johnson，都公開修正了原本「AI 不會造成大規模取代」的樂觀。（平心而論：MIT 那個 95% 也被批評樣本小、定義鬆，方向性參考即可，不是鐵律。）
三、他沒說出口的那層利益
讀這篇文章時最該放在心上的一句話是：Sivulka 是 Hebbia 的執行長，而 Hebbia 賣的，正是「企業 AI 轉型」。他自己說 Hebbia 的旗艦產品 Matrix 每月處理超過 2,500 億個 token。所以「AI 轉型勢在必行／學會管理 token／evals 是新 OKR」的每一拍，都是一位創辦人在推廣他自己賺錢的趨勢；而整篇文章的結論——「AI 轉型公司會比 neofirm 大 10 倍」——其實就是在描述他自己公司的 TAM。（Hebbia 2024 年 7 月的 B 輪由 a16z 領投、估值約 7 億美元。）這不代表他錯，但你該把他當成「有立場的實務者」，而不是中立的分析師。
四、更誠實的版本是「both / and」，不是他的「either / or」
顛覆理論（Christensen 的「創新者的兩難」）站在他的對立面：既有企業結構上很難自我顛覆，因為把自己的服務自動化＝蠶食自己現有的營收。而 Sequoia、Foundation Capital、Lightspeed 這些押注 neofirm 的人則主張「工作的預算遠大於工具的預算」——一個「幫你把帳做完」的 neofirm，吃的是那位會計師 12 萬美元的薪水，而不是記帳軟體那 1 萬美元的授權費。最誠實的結論是：既有企業的 AI 轉型、與 neofirm 的顛覆，會在不同區塊各自養出大贏家；而「轉型公司贏 10 倍」是三個框架裡最難證成、也最貼合作者自身利益的一個。
一句話總結我同意與存疑的：
✅ 同意：診斷（個人生產力 ≠ 公司生產力）、evals 與管理紀律真的重要、tokenmaxxing 是真現象、把 AI 當「工作力」來管是個好隱喻。
⚠️ 存疑：「人比軟體便宜」是會蒸發的暫時現象；「loops＝浪費」技術上反了；「AI 淨創造工作」被年輕世代的資料打臉；「轉型公司贏 10 倍」是無法否證、且利益相關的預測。
那，你可以怎麼用這篇文章？
就算你不買他的結論，這篇文章仍有幾樣可以直接拿來用的東西：
1. 先建 evals，再堆 token。把「什麼叫做好」變成能自動打分的測試，比教全公司下 prompt 更值錢——這也是他最站得住腳的一點。
2. 別把「花很多 token」當成有在進步。區分「有效的迴圈」與「原地空轉的迴圈」；把會內耗的 agent，當成會內耗的員工來管。（延伸：〈上下文工程〉談的正是怎麼餵對 context、避免污染視窗。）
3. 對「囤積 know-how」的抗拒要有心理準備。Meta 的例子說明：當員工發現 AI 在學他們的活，政治問題會浮現；用逼的（無法退出）只會炸鍋。
4. 別被單一漂亮數字唬住。看到「99%」「半兆」「21 兆」這種整數，先問一句「這是誰算的、算的是什麼」。
5. 把成本曲線放進你的假設。今天「人比 token 便宜」，兩年後可能就反過來——別把長期策略綁在一個會過期的價格上。
📚 延伸閱讀
- 循環工程 Loop Engineering：為什麼「讓 AI 自己跑迴圈」是一門設計，而不是浪費
- 上下文工程：情境視窗是 AI 的 RAM，怎麼餵、怎麼別餵髒
- 循環之網 Graph Engineering：把多個 agent 串成一張會協作的網
- 打造你的個人 AI 代理人：90% 是架構，10% 才是模型
- AI 紅利 × 低毛利產業：當生產力紅利不平均地落地
免責聲明與利益揭露：本文為 AlphaLab 對 George Sivulka〈You just hired a million bad employees〉（刊於 Hebbia 官方部落格）的獨立評論與查證，非投資建議。原文之論點、封面圖與文中截圖著作權皆屬原作者所有，此處為評論與引用之目的使用。AlphaLab 與 Hebbia、a16z、Palantir、Meta 等文中提及之任何公司均無贊助或商業關係。查證所引數據來源包含美國普查局、Menlo Ventures、Epoch AI、史丹佛數位經濟實驗室、MIT NANDA、Credit Suisse／UBS 全球投資回報年鑑等公開資料，市值與營收數字為 2026 年 7 月之快照，會隨時間變動。