AI Industrial Revolution: Gumagamit pa ba tayo ng lumang workflow?

Isinulat ni: Will Awan

Noong nakaraang taon, sumali ako sa ilang industriya conference na may tema sa AI. Ang mga guest sa entablado ay tumatalakay nang paulit-ulit sa mga kakayahan ng AI, habang ang mga tao sa ilalim ay hawak ang kanilang mga cellphone at nagsasalita ng screen, at pagkatapos ay i-post sa朋友圈 at bumalik sa pag-scan ng kanilang mga cellphone. Ngunit kapag bumalik ka sa opisina, pareho pa rin ang mga weekly meeting, pareho pa rin ang mga pagsasapilit, pareho pa rin ang mga weekly report. Ang mga malalaking kumpanya ay naisulat na ang paggamit ng Token sa kanilang KPI, at may ilan na naging model na empleyado dahil sa paggamit ng script para magpalaki ng bilang. Ang mga tao sa朋友圈 nila, ngayon ay Claude ang revolusyon, bukas ay Codex ang napakagaling, at kahapon ay Gemini ang mahal—ito ba ay pagtanggap sa revolusyon, o paglalakad nang mabilis mula sa isang event patungo sa isa pa?

These are noise, not the answer I want.

Ang totoong tanong ay hindi kung gaano kapot ang AI—ang steam engine ay nasa gawa na, ang tanong ay sino ang una pang aalisin ang lumang x车间.

Hindi iyon araw na sinimulan ang Industrial Revolution nang ma-improve ni Watt ang steam engine, kundi nang desisyunin ng mga may-ari ng pabrika sa Lancashire na umalis sa mga ilog at muling itayo ang mga x车间 sa paligid ng steam engine. Parehong iyon ang pinakamahalagang sandali sa AI—hindi iyon araw na inimbento ang malalaking modelo, kundi nang desisyunin ng unang organisasyon na tanggalin ang mga lumang proseso at muling itayo ang paraan ng produksyon sa paligid ng AI. Hindi pa iyon araw. Pero nasa daan na ito.

Nakita na ng dalawang tao ang pangyayari sa maagang panahon. Si Zhao Yiwang, CEO ng Notion, ay sumulat noong katapusan ng 2025 ng isang artikulong “Steam, Steel, and Infinite Minds,” na nagbigay ng malamig na pagtataya: nasa panahon pa tayo ng “pagsisilbi sa waterwheel”—nakakabit lang ng AI chatbot sa umiiral na mga kasangkapan, ngunit walang nag-re-design ng pabrika. Dumating si Leopold Aschenbrenner, dating empleyado ng OpenAI, sa ibang landas: sumulat ng 165-pahina na “Situational Awareness,” at pagkatapos ay itinatag ang isang pondo, na nagpalago mula sa $225 milyon hanggang $13.68 bilyon, lahat ay nakabatay sa AI infrastructure. Isang tao ay tumitingin pabalik, at isa ay naghuhula pababa.

Hindi ito tungkol sa kanila. Ito ay tungkol sa atin—kung saan tayo ngayon, at anong bahagi ng kasaysayan ang ating uulitin.

(Power-loom weaving, engraving ni J. Tingle batay sa Thomas Allom, 1835 / Wikimedia Commons)

Ang karaniwang araw ng karamihan ay ganito: sa umaga, ginamit ang AI upang sumulat ng isang email, at nai-save ang sampung minuto; pagkatapos, ginugol ang dalawang oras sa isang pagpupulong sa linggo na hindi kailangan; sa hapon, pinapalitan ang isang set ng datos sa tatlong tool; sa gabi, isinulat ang isang post sa social media na "Ang AI ay totoo!" Ang napagkitaang sampung minuto, nawala muli sa lumang proseso.

Gayundin, noong unang ipinakilala ang steam engine, ang mga may-ari ng pabrika ay nagpalit lang ng water wheel sa steam engine, at ang lahat ng iba pa ay nanatiling kasing-kasing: ang pabrika ay nanatiling nakabatay sa ilog, patuloy na may maraming antas, at ang central shaft ay patuloy na nagpapagalaw sa buong produksyon. Ginagawa natin ang parehong bagay nang isasama ang ChatGPT sa Slack, idadagdag ang Copilot sa Office, at i-embed ang AI chat window sa workflow—parehong gawain. Nag-upgrade ang mga kasangkapan, ngunit hindi nagbago ang workshop.

Ngunit ang pagbabago ng bagong makina ay hindi katumbas ng pagbabago ng pabrika. Mas mainam ang sinabi ni McLuhan:

Tumatawid tayo sa hinaharap sa pamamagitan ng salamin ng nakaraan. Ang paggamit ng lumang proseso upang suportahan ang mga bagong kasangkapan ay parang ang mga unang pelikula na kung saan ay lamang pagkuha ng mga dula sa entablado. Ang tunay na pag-usbong ay darating kapag may tao na makakalaya ang steam engine mula sa ilog, at muling disenyo ang buong paraan ng produksyon batay sa bagong enerhiya.

Kapag ihahambing ang timeline ng Industrial Revolution sa AI, maaari mong matukoy kung saan tayo nasa mapa:

Napapalit na ang timeline ngayon. Nanggaling ang Industrial Revolution mula sa steam engine hanggang sa railway mania sa loob ng 60 taon, samantalang ang AI ay nanggaling mula sa Transformer hanggang sa pagkakabuo ng data center sa loob ng 7 taon lang.

Hindi ang bilis ang problema, kundi kung saan tayo nakapagpapahinga—ang unang apat na linya ay patuloy pa ring nasa yugto ng pagpapalit ng mga bagong makina sa lumang pabrika, nakakabit na ang steam engine at nakakabuo na ang riles, ngunit ang paraan ng produksyon ay nanatiling kahit ano pa. Ang ika-anim na linya ang tunay na punto ng pagkakahati. Malaki ang posibilidad na tayo ay nakapagpapahinga sa pagitan ng dalawang hakbang na ito.

Ang steam engine ay nasa kamay na, ngunit ang workshop ay panatiling lumang.

Palaging overbuilt ang infrastructure. Ang mga investor ang nagkakaroon ng pagkabigo, hindi ang infrastructure.

Noong 1846, pinasadya ng British Parliament ang 263 na batas para sa mga riles, na nagpapahintulot sa pagtatayo ng 9,500 milya ng bagong riles. Noong ang pinakamataas na antas ng pag-invest sa riles, ito ay nangunguna sa 13% ng GDP ng Britain. Ang mga aktibong riles ay maaaring bilhin na may 10% down payment lamang, at ang gitnang klase ay tumindig nang malaki. Ang bubble ay bumagsak noong 1847. Ang isang kalahati ng mga nasakop na riles ay hindi kailanman itinayo, at maraming investor ang nawalan ng lahat ng kanilang pera. Si Darwin ay nagkawala ng 60% sa kanyang mga riles, at mas masaya siya kaysa sa karamihan.

Ngunit nanatili ang tren.

Ang infrastructure ng AI ngayon ay sumusunod sa parehong landas. Ayon sa pinakabagong pagtataya ni Goldman Sachs, ang global na kapital expenditure para sa AI infrastructure ay magiging $765 bilyon noong 2026, at inaasahang magiging $1.6 trilyon bawat taon noong 2031. Ang bahagi ng kapital expenditure ng mga malalaking cloud provider sa operating cash flow ay tumaas mula sa halos 40% noong 2023 patungo sa halos 70% noong 2025. Ang mga investmeng may kinalaman sa AI ay nagsisilbing halos isang-kapat ng lahat ng investmeng sa Estados Unidos. Ang $13.68 bilyon ni Aschenbrenner ay isang pagtaya sa antas na ito—hindi niya ipinapalagay kung aling application ang mananalo, kundi ang pader na compute power mismo.

Ang siklo ng kapital na ito ay may parehong istruktura sa pag-unlad ng ari-arian. Ang pagtatayo ng data center ay tulad ng pagtatayo ng gusali: ang lupa ay ang kuryente, ang mga materyales sa paggawa ay ang GPU at storage, ang kontraktor ay ang mga tagapagtayo ng data center, ang developer ay ang cloud provider, ang mananatili ay ang mga kumpanya ng AI application, at ang renta ay ang kita mula sa API. Ang modelo ng negosyo ng cloud provider ay “rent-to-finance”—gamit ang kita mula sa API upang takpan ang kapital na gastos sa data center, habang naghihintay sa pagtaas ng halaga dulot ng pagpapalaganap ng AI application.

(Hash Power Real Estate: Bawat henerasyon ay may sariling imprastruktura)

Kasama rin ang pangunahing panganib: Nasusubok ba ng pagtaas ng dami ng paggamit ang bilis ng pagbaba ng presyo ng API? Kung bumaba ang renta sa ibaba ng linya ng pagbabayad—ito ang pinakamalaking pangarap na nangyayari sa mga developer ng ari-arian. Ang aral mula sa 2008 ay hindi ang sobrang paggawa ng mga bahay, kundi ang hindi pagkakatugma sa istruktura ng mga gawaing bahay at totoong pangangailangan. Ang katumbas na panganib sa AI ay: sobra ang pangkalahatang kapasidad sa pagpapagana, ngunit nananatiling kakaunti ang espesyalisadong kakayahan na makakapagtrabaho sa mga mataas na halaga tulad ng pagsunod sa pondo at diagnosis sa kalusugan.

Mga riles, ari-arian, AI—tatlong panahon ng pamumuhunan sa imprastruktura, nagbabahagi ng iisang batas: ang sobrang pagbuo ay karaniwan, ang mga nagbebenta ng materyales ay laging nawawala ang kakayahang magtakda ng presyo, at ang matagalang bawat benta ay laging natatanggap ng mga may-ari ng mga “pangunahing lokasyon.” Tingnan ang mga posisyon ng mga pondo sa Q1 ng Wall Street—malamang 80% ang nakatuon sa antas na ito ng imprastruktura: NVIDIA, mga data center, mga infrastrukturang pang-ulo. Pero tinuturo sa atin ng pagkamahal sa mga riles na ito: hindi ito ang buong larawan ng revolusyong AI, kahit hindi ito ang pinakamataas na benta.

Ano ang pangunahing lokasyon ng AI? Ito ay ang natatanging data ng industriya at ang malalim na nakapaloob na workflow. Para sa isang indibidwal, ang totoong "pangunahing lokasyon" ay hindi ang mga share na itinatago, kundi ang hindi maaaring palitan na pagpapasya at kaalaman sa industriya—na may kondisyon na naibahagi na ang paraan ng paggamit nito sa paligid ng AI.

Ang totoong kapalit ay nasa susunod na antas. Ngunit mula sa infrastruktura hanggang sa paglikha ng halaga, hindi ito walang hangganan. May isang puwang sa pagitan—kasaysayan ay ipinakita na ang puwang na ito ay kinuha ang ilang dekada.

Ang mga tao na nag-aalis ng mga gawain at ang mga tao na gumagamit ng AI para mapabilis ang paggawa, hindi nagtatrabaho sa parehong bagay.

Si Simon, co-founder ni Zhao Yivan, dating ay isang “tenx speed programmer,” ngayon ay kakaunti na ang pagkakasulat ng code niya—pinapagana niya ang tatlo o apat na AI coding agents, na nagdudulot ng 30 hanggang 40 beses na efficiency. Mayroon na ang Notion ng 1,000 na empleyado at higit sa 700 na AI agents. Ang pagkakaiba ay hindi ang mga kasangkapan, kundi ang pagkabagsik ni Simon sa kanyang lumang x车间, habang ang karamihan ay nagpalit lang ng isang tubig na pabilog.

6 na bilyon na Chinese user ang gumamit ng generative AI tools, tumaas ng 142% kumpara sa nakaraang taon—ito ang pinakamalaking pool ng pangangailangan sa AI sa buong mundo. Ngunit halos walang kumpanya sa China ang bumuo muli ng kanilang pangunahing workflow batay sa AI. Ang pinakamalaking demand side sa mundo, kasama ang halos walang pagbabago sa supply side. Ang kontrast na ito mismo ay isang signal: hindi kasi kulang ang mga tool, kundi hindi nakasabay ang organisasyon. Ang konteksto ng knowledge work ay nakalat sa mga dosenang tool at dosenang isip, at ang output ay hindi masusuri; walang nakakaalam kung paano masusukat kung epektibo ang isang strategic memo.

(Mga epekto ng AI sa merkado ng paggawa: Isang bagong sukat at maagang ebidensya)

Ang Anthropic ay nagsimula na sa mas malaking iskala. Ipinakilala nila ang Economic Index, na naglalarawan ng mga gawain at industriya na unang aalisin ng AI gamit ang totoong datos ng paggamit, at batay dito, nagtatag sila ng AI-native enterprise service company kasama ang Goldman Sachs, Blackstone, at Hellman & Friedman; nagtatag sila ng global alliance kay KPMG, kung saan ang 276,000 na empleyado ay makakapag-access sa Claude; at nagbuo ang Accenture ng isang business group, na tinuruan ang 30,000 tao, na nakatuon sa financial, life sciences, at healthcare.

Ang mga konsultasyong kumpanyang ito ay hindi naglalaro bilang mga gumagamit ng AI, kundi bilang mga inhinyero ng tren—hindi sila gumagawa ng mga steam engine o naglalagay ng mga riles, kundi tumutulong sa mga negosyo na tanggalin ang mga lumang pabrika at muling itayo ang mga linya ng produksyon sa paligid ng bagong lakas. Walang papel na ito, karamihan sa mga may-ari ng pabrika ay hindi alam kung saan magsimula.

Nagkakaroon na ng signal. Ang pinakamalakas ay mula sa merkado ng paggawa.

Mas mababa ang probabilidad na makahanap ng trabaho ng mga kabataan na 22-25 taong gulang na pumasok sa mga propesyon na mataas ang eksposur sa AI kumpara sa kanilang kaparehong edad na pumasok sa mga propesyon na mababang eksposur sa AI—14% mas mababa. Ang mga entry-level na posisyon ay nasa pagkakabigo na.

Kung ako ay isang bagong gradwado, direktang nakakaapekto ang numero sa aking paghahanap ng trabaho. Kung ako ay isang manager, ang susunod na pangkat ng entry-level positions na aking hihirangin ay maaaring hindi na tao.

Ang organisasyon ay nagkakasira, ano naman ang tao? Ang aking edukasyon, ang aking resume, ang aking mga taong nakalikom na karanasan sa industriya—ito ang aking waterwheel. Noon ay nagpapagalaw nito ang buong produksyon ko, ngunit naririto na ang steam engine. Ang 985 at 211 ay hindi na ang kanlungan; ito ay patotoo lamang na noon ay nagtatayo ako ng isang magandang pabrika sa tabi ng ilog.

Ang tanong ngayon ay kung may kakayahan tayong lumabas sa ilog na iyon.

Ipinapakita ng data ni Anthropic na ang mga gumagamit na gumagamit ng mga AI tool nang higit sa 6 na buwan ay may 10% na mas mataas na tagumpay sa paggawa ng mga gawain kaysa sa mga bagong gumagamit. Ang mga nagsimula nang kalahating taon ay nangunguna na ng 10%, at ang pagkakaiba na ito ay magkakaroon ng compound effect habang lumalipas ang panahon.

Ngunit hanggang sa ngayon, wala pang isang kumpanya ang nagkakaroon ng pagkabigo dahil sa pag-iwas sa AI,至少 ang aking kumpanya ng abogado ay patuloy na umuunlad sa paligid ng AI. Hindi pa nabibilang ang tagapagtagumpay ng merkado. Ang kurba ng pagkatuto ay totoo—ang mga nagsimula nang maaga ay nagsisikap na magtipon ng mga kalamangan, ngunit ang karamihan ay nasa simula pa lang.

Nanatili ba ang aking kasalukuyang title sa propesyon sa loob ng sampung taon? Ilan sa mga kasangkapan na ginagamit ko araw-araw nang limang taon ang nakalipas ang nanatili hanggang ngayon? Maaaring ang sagot sa lahat ay hindi. Ngunit hindi ko alam kung ano ang tawag sa mga bagay na magpapalit sa kanila—dahil ang mga bagay na iyon ay hindi pa umiiral ngayon.

Ganito lagi sa kasaysayan. Ang mga bagong bagay ay hindi ipinaplano, kundi lumalabas sarili nang mag-isa pagkatapos mawala ang mga lumang pagkakabound.

Bago matapos ang mga tren, ang Britain ay isang koleksyon ng mga hiwalay na ekonomiya. Ang presyo ng koton sa Manchester ay maaaring magkaiba ng 30% mula sa London. Bawat lungsod ay may sariling pamantayang oras, at walang nag-iisip na may problema dito. Sa loob ng dalawampung taon pagkatapos ng pagtatayo ng mga tren, nagbago ang lahat. Unang beses na umusbong ang pambansang iisang merkado, at nawala ang mga pagkakaiba sa presyo; ang pamantayang oras ay ipinakilala dahil sa mga tren, hindi ito nilikha; ang mga station master, telegraph operator, at travel agent—mga trabaho na hindi umiiral bago ang tren.

Hindi sinasadya ng mga tao ang mga department store nang magtatayo ng mga riles ng tren. Hindi sinasadya ng mga tao ang standard time nang magtatayo ng mga steam engine.

(Steam, Steel, at AI Unlimited Intelligence)

Ang kasaysayan ng mga lungsod ay nagkukuwento ng iisang kuwento. Noong mga daan-daang taon na ang nakalipas, ang mga lungsod ay may sukat na tao—apatnapu minuto ang lakad papunta sa Florence. Ang mga frame ng bakal ay nagbigay-daan sa pagkakabuo ng mga gusali sa taas, ang mga tren ay nag-uugnay sa mga lungsod at kanilang mga teritoryo, at sumunod ang mga elevator, metro, at mga daungan. Tokyo, Chongqing, Dallas—hindi ito mas malalaking Florence, kundi bagong paraan ng pamumuhay.

Ang kasalukuyang paggawa ng kaalaman ay may sukat na tao rin. Ang mga tim na may sampu-sampung tao, ang mga pagpupulong at email ang nagtatakda ng ritmo; hihigit sa ilang daan ay hindi na kayang tanggihan. Ginagawa natin ang Florence gamit ang bato at kahoy. Ang AI ay nagiging sanhi ng pagkakaroon ng “Tokyo”—mga libo-libong AI Agent at tao na bumubuo ng isang organisasyon, patuloy na gumagana sa iba’t ibang orasan. Ang mga tradisyonal na lingguhang pagpupulong, quarterly planning, at taunang pagsusuri ay maaaring mawalan na ng kahulugan.

Hindi na nagkakode si Simon—naging «pamamahala sa AI Agent» ang kanyang trabaho. Wala pang ganitong posisyon dalawang taon ang nakalipas. Ang aking susunod na propesyon ay maaaring wala pa ng pangalan ngayon. Pero may mga tao na nagtatayo ng hinaharap na hindi pa natin kayang pangalanan.

Pagkatapos ng pag-alis ng lumang workshop, ano ang susunod? Ang sagot ni YC ay: Hayaan ang kompanya na mapabuti ang sarili nito.

Ang kanilang loob na sistema ay nagbabago ng sariling code nang mag-isa sa gabi. May empleyado na nag-post ng isang query sa araw, at nabigo ito. Isang supervisory Agent ang nabasa ang pagkabigo, tinukoy ang sanhi, isinulat ang sariling code para i-fix, isumite para sa pagsusuri, at i-deploy. Noong susunod na araw, nag-run nang maayos ang parehong query. Naganap ang buong proseso habang lahat ay natutulog.

Hindi ito ang AI na tumutulong sa tao na mag-produce ng 30% higit pa. Ito ay ang sistema mismo na natapos ang buong loop, at sarili nitong isinuri kung paano maging mas mahusay.

Ang partner ng YC, Tom Blomfield, tinawag ang uri ng kompanyang ito bilang “recursive self-improving AI loop” sa isang panloob na talakayan. Ang kanyang pagtataya ay direkta: ang karamihan sa mga kompanya ay tulad ng Roman legions—nagpapasa-pasa sa ibaba, nagpapalabas sa itaas, at ang mga tao ay nagsisilbing mga tubo ng impormasyon. Ang AI ay hindi nagpapabuti ng efisensiya sa isang tiyak na bahagi, kundi ang buong batayan ng hierarkikal na istrukturang ito.

Ang bagong lohika niya ay: I-burn ang Token, huwag i-burn ang mga tao. Ang bottleneck ay nagbabago mula sa paggawa ng tao patungo sa paggawa ng compute. Ayon sa data na nakita ni YC, ang per capita income ng mga kumpanya na lumabas sa Demo Day ay nagsikat ng halos 5 beses kumpara sa 18 buwan na ang nakalipas. Ang mga tungkulin ng mid-level management ay natatanggap ng AI—hindi na kailangan ng tao para sa “collaboration.” Dapat bawat isa ay IC, builder, o operator, at mayroong tanging may-akda para sa bawat gawain, hindi komite.

May isang pangunahing kondisyon: ang kumpanya ay dapat “maipabasa” ng AI. Ang lahat ng hindi nakarehistro ay katumbas ng hindi nangyari sa AI. Ngayon, sinasakop ng YC ang lahat ng mga email ng mga kasapi, sinasalaysay ang lahat ng mga mensahe sa Slack at mga recording ng office hours. Gamit ang 2,000 na oras ng recording na nakalikom sa loob ng tatlong buwan, nag-recreate ang AI ng isang 150-pahina na panloob na gabay—na mas mabuti kaysa sa orihinal na bersyon. Ang gabay na ito ay awtomatikong isina-update bawat buwan, at naging isang “buong isip” na laging updated.

留下了 si Tom ang isang tanong:

Kung magsisimula ka ngayon mula sa zero upang itayo ang iyong kumpanya, gagawin mo ba ito sa ganitong anyo? Kung ang iyong kumpanya ay nakaayos na sa isang hierarkikal na istruktura, kailangan mong sagutin ang isang mas mahirap na tanong—mas maliit ba ang sakit ng pagbuwis muli kaysa sa gastos ng pagpapatuloy sa paggalaw tulad ng Roman legions?

Hindi nasa gitna ng pabrika ang tao, kundi nasa palibot—nag-aalaga sa mga lugar na hindi pa kayang abutin ng AI: pagpapasya sa pisikal na kapaligiran, bagong sitwasyon, at mga sandaling may mataas na panganib at emosyon. Ang sentro ng kumpanya ay ang “utak ng kumpanya” na binubuo ng data, rekord, at kaalaman sa industriya. Ang software na tumatakbo dito ay isang consumable; kung maaari itong i-generate, maaari itong i-generate muli. Ang may halaga ay nasa isip ng tao—paano gumagana ang negosyo, anong mga hakbang ang nagsasangkot ng pagpapasya, ang mga pag-unawa na ito ang tunay na ari-arian.

Ipinapakita ni Zhao Yiwang sa《Steam, Steel, and Infinite Minds》ang kabilang panig ng direksyong ito—isang organisasyon na may 1,000 na empleyado at higit sa 700 na AI Agent na nagtatrabaho nang sabay, kung saan ang mga tao ang nagdedesisyon at ang mga Agent ang nagpapatupad. Inilalagay ni Aschenbrenner ang kanyang taya sa infrastraktura ng computing power, samantalang inilalagay ni Zhao Yiwang ang kanyang taya sa pagbabago ng organisasyon. Ang dalawang landas ay humuhulog sa iisang katapusan: ang bagong paraan ng produksyon na binubuo muli sa paligid ng AI.

Sa pagitan ng 1840s at 1850s—nagawa na ang mga riles, ngunit hindi pa nabawi ang mga pabrika.

Saan tayo? Wala nang sumusulat ng code si Simon. Ang kanyang waterwheel ay sarili niyang inalis.

Ang problema ay hindi kung sapat ba ang steam engine, kundi sino ang unang nag-alis ng lumang xhops.

Hindi ko plano ipredict ang mga tindahan sa hinaharap, kundi kailangan kong gawin ang aking trabaho nang maayos—sapat na siguraduhing nasa dulo ng riles ako, hindi sa isang ilog na umaabot sa pagkawala.

Ano naman sa'yo?