你不是在选 AI，你是在招员工

DevDay 那一周，OpenAI 做了两件方向相反的事。

9 月 29 日，它发布 GPT-6.1 Sol：在 agentic coding、computer use 和专业工作上接近旗舰 GPT-6 Astra，输入和输出的价格只有旗舰的五分之一——每百万 token 输入 2 美元、输出 10 美元，缓存输入 0.1 美元。同一场发布会上，它又把速度单独拿出来卖：每月 500 美元的 Pro 500，买到 Ultrafast，Codex 里 token 生成快 8 倍，API 里快 6 倍。

同一家公司，同一代能力，一边降价到五分之一，一边加价到每月五百美元。

这不是定价失误。这是基建的价目表在成形。而就在前一天，OpenAI 撤回了下一个版本的 Astra，理由是它没有通过安全评估；再往前，Cursor 被 SpaceX 收购之后，OpenAI 通知要终止供应模型的合同。供应方可以随时改价、改路线图、改条款——这不是某一家公司的问题，是这门生意现在的形态。

多数人从这些事里读出的结论是：租来的东西不牢靠，能自建就自建。我的判断正好相反。租用会是长期现实，自建不是解药；真正需要重新想的，是公司在租来这段智能之后，到底要拿它做什么。

上一篇《KPI 不会消失，它会改名叫 reward》讲的是怎么给 AI 带来的产出记一笔账。这一篇要往前追一层：这段被租来的智能，在公司里到底是什么身份？

答案不是“一项服务”，也不只是“一个工具”。它可以被雇佣。

模型正在变成一种基建

先接受一个事实：绝大多数公司永远不会自己拥有前沿模型。

训练和运行前沿模型需要的算力、机房、电力和人才，是国家级基础设施的规模。私有化部署听起来很安全，但它是极少数的特权——只有资金极其雄厚的公司才能把它当成常态，对其它所有公司来说，自建的成本根本不在可接受的范围内。这跟今天的电力、自来水、商业地产没有区别：你不会为了用电去建电厂，你租电。

所以“AI 是租来的”不是风险提示，是长期现实。电力、水、写字楼都是租的，没有人因此睡不着觉。租用本身从来不构成问题，构成问题的是基建够不够标准化。

电信网络之所以能支撑起整个互联网，是因为它把“带宽、时延、丢包、可用性”变成了可以比较、可以承诺、可以写在合同里的东西。模型供应商正在走同一条路，而且走得很快。能力已经被切成可比较的参数：

智能，对应模型的规模和各项评测的分数。速度，对应 token 生成速率，Ultrafast 把 Codex 拉到 8 倍、API 拉到 6 倍，官方口径是每秒 300 token。稳定性，对应服务等级——API 里已经有一个叫 service_tier 的参数，Priority processing 公开承诺“比标准档更低、更一致的延迟”，而限流和服务过载会直接返回 429 和 503，外加一个 Retry-After。隐私，对应数据的留存与位置：Zero Data Retention、区域推理驻留、Private Intelligence 里的私有推理，都是同一件事的不同档位。

每一项都已经有价格。速度是加价档；额度是套餐，Pro 500 卖的就是“用得更多、中途不被限”；数据不出境是另一个商品；跑在谁的云上是另一个商品，Bedrock 托管就是这一项；你的额度甚至可以在 16 家合作方之间分配，额度正在变成一种能花出去的货币。

把这几件事放在一起看，方向很清楚：智能的高低、处理的速度、稳定性的承诺、隐私的边界，会被标准化，会被市场定价，也会被写进采购合同。公司未来拿到手的，是一张像运营商套餐一样的参数表，而不是一个玄乎的“最强模型”。

AI 是可替换、可度量、可租用的生产资料；人承担的是不确定性与责任。这句话在基建这一层正在变成现实。

但这一种基建可以被雇佣

把 AI 比作电信网络，是投资人最喜欢的比喻，也是最容易讲浅的地方。真正的差别在最后一步：电信网络不会替你干活，模型会。电力不会跟你汇报，agent 会。普通的基建是被使用的；这一种基建可以被雇佣。

这就是为什么“选型”在 AI 上会变成一件新事。今天大多数公司在讨论的是“用哪个模型”，但模型只是智力，智力本身不是一个员工。一个能被雇来干活的 AI 员工，是三样东西的组合：

一个具体的模型，负责智力；一套为它适配的 harness，负责手和眼——plugins 机制、browser use 和 computer use、以及必要的工具链；一层带商业属性的上下文和经验。最后这一层才是资历，它包含 system prompt、SKILL、hooks，也包含公司自己的行业知识、内部工具、插件和代码片段——那些本来只长在人类老员工身上的东西。

三者配齐，它才是一个能应聘岗位的东西。只给模型一个通用外壳，它是一段 API；把三者拼对，它才会在你的工作流里表现出“经验”。

一句话：模型是智商，harness 是手脚，上下文是资历。企业要雇的是一个员工，不是一份 benchmark 成绩。

而员工有两种：来干活的，和来管人的。管人的那一种——AI manager——在这个框架里不是什么新物种，只是权限更大、资历更深的一类员工。

今天的通用 harness，故意把模型解耦了

今天几乎所有通用 AI 工具的做法，都是把 harness 和模型解耦：换一个 API key，就能换一家供应商；同一套提示词和 skill，跑在谁家都行。这条路线的官方版本也在推进——OpenAI 把 Agents SDK 里的开源 harness 交出来让人改造，还联合推动了 Open Responses 这样一个面向多供应商互操作接口的开放规范。

解耦有它的好处：客户不被锁定，供应商必须竞争。但它的隐含假设是错的——它假设模型之间没有差别。

实际做过生产环境的人都知道，不同供应商的模型不能用完全一样的上下文。同一个 system prompt、同一组 skill，在一个模型上表现很好，换到另一个模型上可能完全跑偏；要发挥某个模型的长处，得为它重写上下文，用自己内部的 benchmark 一轮一轮去调。有意思的是，连厂商自己都承认这件事：OpenAI 专门为 Codex CLI 训了一个 gpt-5-codex，定位就是“为配合 Codex CLI 使用而构建和优化”。模型与专用 harness 要一起设计，这是厂商自己给的答案。

换句话说，“把 API key 换掉就能换供应商”，是通用工具的假设，不是生产能力。通用的 harness 让 AI 变得可比较，也顺带抹掉了每一个模型真正值钱的那部分差异。

选 AI 员工，和技术选型是同一件事

标准化并不意味着一模一样，这一点今天的工程师最熟悉。

解决同一类问题，不同的语言、框架、方法论都可能适用。选哪个，取决于决策者是否理解它们之间的细微差异，也取决于公司业务的发展趋势和现有的能力水平。没有唯一正确答案，只有更适合当前这个组织的答案。AI 会走到同一个位置。

而且采用曲线也会和现在一样。少数公司会自己组装 AI 员工——因为它们有足够深的场景、足够强的工程能力，也有从差异里榨出价值的需求。多数公司不会，它们会买业界已经跑通的组合：某个模型、配好的 harness、一套面向特定行业的工作流，直接用来解决自己那个具体问题。这不是落后，这是标准的采用方式——就像多数公司不会自己写数据库，但会把数据库选型当成一件正经事。

差别在决策的人。基建把价格标准化之后，选型这件事不会变简单，只会从“谁最强”变成“谁更适合这个岗位”。这需要有人真正理解业务、理解流程、也理解这些选项之间的细微差异。

雇进来之后：选、育、用、留

如果 AI 是员工，那么人力资源那一套动作就要整套搬过来。

选，是按岗位选，不是按模型名选。先写岗位说明：这个工作流要解决什么问题、什么算做完、能拿到哪些权限和数据；写完再决定配哪个模型、哪套 harness、什么上下文。先看模型榜单再想办法用起来，顺序是反的。

育，是拿真实任务建自己的 benchmark，用它反过来调上下文、调 skill、调工具链。这一步是所有工作里最像“人”的一步：模型的通用能力是供应商给的，它在你这里能不能干活，取决于你是否把它调教到懂你的业务。模型升一次级，这整套适配就要重走一遍。

用，是把它放进工作流，给它权限、工具和验收标准。这套机制已经在发生：AI 自己开工单、人做完交回证据、AI 验收，不合格就打回重做。谁是责任人、谁有决策权，仍然是组织里不能省的那部分设计。

留，是这一节里最值得琢磨的。一个 AI 员工越用越值钱，是因为它身上积累的上下文和知识库越来越厚；越厚，它越懂你，也越难被换掉。这既是公司想要的资产，也是公司要背的负担——你换得掉供应商，换不掉自己养出来的那一层经验。真到了换模型的那一天，最贵的不是 API 账单，是员工身上那层资历要重新长一遍。

再往前一步，是把其中一些 AI 员工提拔成 AI manager，让它们去带人类工具人，处理那些 AI 暂时不方便做的工作。这一步需要的不是新技术——派活、验收、绩效、奖惩、调岗都可以经组织授权交给 AI，这套论证在《AI 从替你干活，到给你派活》里已经完整讲过。这里只需要记住结论：既然 AI 员工和人类员工在组织里的位置开始重叠，管理手段本来就是同一套。

未来会长成什么样

今天还没有真正的 AI 员工套装，但拼装它的零件已经齐了。

DeepSeek 开源的 dsh（DeepSeek Harness）是一个能说明方向的样本。它的架构叫“万物皆插件”：没有需要打补丁的特权内核，模型适配器、工具注册表、会话日志，甚至 agent 循环本身都是插件，全部可以由配置替换；一次运行的 dsh，就是一棵在启动时按层拼起来的插件树。它的生态里，已经有人把桌面端本身做成插件，也有插件自己带模型供应商——把用户的 Claude、ChatGPT 订阅接进来当 provider，走的是和宿主完全无关的一套凭据。它的子 agent 接口还能指向“另一个产品里的一次委派”，也就是说，一个 harness 里的 agent，可以名正言顺地调用另一个 harness。Claude 最近推的 mods 也是同一个方向：把能力做成插件，而不是焊死在产品里。

把这些往外推一步，就是我自己的判断，也是我没有在任何地方看到别人明确提出过的一步：一个完整的商业工作流，本身可以是一个 harness。 它作为一个插件，被挂进客户的 harness；内部则是一棵为这个工作流定制好的 dsh——自己挑模型，自己带上下文，自己配插件，连供应商和 API key 都和宿主那套无关。它还能继续往下嵌：这个工作流的某个插件，背后又是另一个定制的 harness。

到那时，卖的东西既不是模型调用，也不是 API key 转售，而是“一个已经装配好、调教好、可以直接上岗的 AI 员工”。买 AI 员工会像今天买软件一样：有套装，有生态，有做集成的，也有做定制的。它离现在的距离，不是技术距离，是产品形态和市场的距离。

基建决定价格，组织决定产出

回到开头那两个价格。一降一涨看起来矛盾，其实是同一件事的两面：模型正在从“一个能力”变成“一组可以被明码标价的参数”。参数会被标准化，价格会被竞争压平，选择会变成一套标准动作。

但标准动作不会给出统一答案。基建层面，所有公司买到的东西会越来越像；组织层面，同样的东西在不同公司里长出来的结果会越来越不像。决定这个差别的，不是谁租到了更聪明的模型，而是谁有能力把租来的一段智能，养成一个懂自己业务的员工，并且知道什么时候该让它换岗、什么时候该给它升职。

设计工作流的能力，正在超过执行工作流的能力。基建会替你解决价格，解决不了这件事。

你没法拥有它，但你可以决定它在你这里成为谁。