TechRadar于2026年9月21日刊发文章认为，随着AI代理承担越来越多办公室工作，知识工作者如今围绕共享表格纠错、反复修改方案展开的一天，可能在五年内成为遗存。文章将这一变化置于农业、工厂到知识工作的技术更替脉络中，称AI代理正在对桌面工作产生类似影响。

文章称，AI已从问答机器转向能够实际做事。以编码为例，两年前AI编码主要是自动补全和小脚本；如今Anthropic的工程师报告，AI编写了高达90%的代码，部分工程师不再手写代码。但文章同时指出，模型仍会犯错：有的数不清strawberry里有多少个R，有的坚持让人步行去50米外的洗车店。AI研究者Andrej Karpathy将这种现象称为“锯齿状智能”，即模型能解决极复杂问题，却会在孩子都能做对的事情上绊倒。文章认为，无法提前判断会遇到哪一种，因此不能把人从流程中抽走、放入代理并假定输出无误。

什么可以交给代理，文章提出两个判断问题：错误成本有多高，检查成本有多大。错误成本是模型出错造成的损害，例如法庭文件中出现幻觉引文可能带来罚款和声誉损失，而会议摘要草稿的代价较低。验证成本是检查产出的难易，数学证明可程序化检查，成本较低；商业策略需要深厚专业知识评估，成本最高。任务在这两项上得分越高，就越需要人类验证、监督和专业知识。

文章还提醒，一个看似单一的任务常包含多个层次。客户服务中，常规一级互动验证成本较低、升级路径清晰，复杂二三级互动则错误成本和验证成本都更高。Klarna的经历被用来说明这一点：该公司大力推动自动化，质量下降后又重新招聘人员。其CEO Sebastian Siemiatkowski的结论是，客户需要知道，只要他们愿意，人类始终在那里。

文章用ATM和放射科说明部分自动化未必减少人的价值。ATM自1970年代普及，美国目前有超过40万台，但银行柜员数量并未减少，反而增加，工资也上升。放射学中，AI工具读取某些扫描比人更好，但放射科并不空闲，职位空缺难以填补，需求从未如此高。诺贝尔经济学奖得主Michael Kremer的O-Ring理论被引用来解释，现代知识工作是乘法而非加法，一个环节出错可能让整体产出价值归零。自动化链条中，单一薄弱环节会拖垮产出，除非有人类抓住，这使剩余人类更有价值，他们在为更大量、更高质量的工作把关。文章认为，只有当整个链条自动化，需求才会下降，而只要锯齿状智能和幻觉仍存在，这很难想象。

自动化释放出的时间用在哪里，决定收益。文章称，如果时间用于瓶颈任务，例如建立与潜在客户的关系、理解客户真正需求、做判断，就能提高最终工作质量，并抬升下一轮可自动化的门槛。文章最后提到，要做到这些，领导者必须识别代理能做什么，主动移交任务，并重组流程。