May-akda: TT3LABS, Web3/AI/SaaS na platform para sa remote na paghahanap ng trabaho
Noong Pebrero 26, 2026, ang fintech giant na Block ay nag-anunsyo ng pagpapabaya sa higit sa 4,000 empleyado, na bawasan ang laki ng tim sa mas higit sa 10,000 patungo sa mas kaunti sa 6,000. Sinabi ng CEO na Jack Dorsey sa liham sa mga shareholder:
Ang mga smart tool ay nagbago na sa kahulugan ng pagbuo at pagpapatakbo ng isang kumpanya... isang mas malaking team, gamit ang mga tool na aming binubuo, ay makakagawa ng higit pa at mas mabuti.
Dorsey ay nagbigay din ng kanyang napakasingil na paghuhula:
Naniniwala ako na ang karamihan sa mga kumpanya ay nasa huli na. Sa susunod na taon, ang karamihan sa mga kumpanya ay magkakaroon ng parehong konklusyon at gagawa ng katulad na mga struktural na pagbabago.
Pagkatapos ng trading sa araw na iyon, tumaas ang presyo ng mga bahagi ng Block ng higit sa 20%. Ito ang tugon ng mga kapital na meron sa totoong pera: pagbabayad para sa leverage at efficiency ng AI ng kumpanya.
Isang karaniwang tao na walang alam sa pag-program ay nakakapagpapatakbo na ng isang ganap na functional na App sa isang gabi gamit ang malalaking modelo. Kung gayon, ang mga pamilihan ng kapital ay magtatanong ng isang malalim na tanong: Ano ang halaga pa ng malaking gastos sa pagpapatakbo ng mga tech giant na nagtatrabaho ng libu-libong programmer upang panatilihin ang pang-araw-araw na pagpapatakbo ng isang super App?
Ang trend ng pagpapalit ng tao sa AI ay magdudulot ng mas maraming malalaking kumpanya na susundin. Ang pagkabalisa ay natural, ngunit hindi sapat ang pagkabalisa lamang. Dapat nating simulan ang pagbabago sa malalaking kalagayan at mabagal na i-download ito sa mga personal na estratehiya para sa pagpapabuhay.
Hindi lang ang AI isang kasangkapan, ito ay nagsisimula nang maging mga midyum ng produksyon
May ilang tao sa merkado na nagagamit ang "Web4" upang tukuyin ang kasalukuyang yugto. Upang malinawin ang mga pag-unlad, muna nating ayusin ang iba’t ibang yugto ng pag-unlad ng internet:
Web2
Ang core ay ang interaksyon ng software at tao, kung saan ang iba’t ibang platform ay gumagamit ng algorithm upang makakuha ng atensyon ng user, at sa puso nito ay isang labanan para sa pagkuha ng traffic.
Web3
Tinutukoy ang paglutas ng problema sa pagkakaroon at pagkabahagi ng halaga ng mga digital asset. Marami ang simpleng isasalungat ito sa cryptocurrency, ngunit sa kanyang kalikasan, nananatili pa ito sa paglalaban sa mga patakaran ng pagkabahagi ng yaman at hindi pa nakakasalungat sa "produksyon at paggawa" na ugnayan ng mga digital na produkto.
Kasaligang araw ng Web4
Unang beses na nalalapit ng AI sa pagbabago ng sariling relasyon sa produksyon. Hindi na ito isang simpleng kasangkapan para sa pagpapabuti ng efisensiya, kundi patuloy na nagsisilbing isang bagong uri ng mga midyum sa produksyon. Sino man ang mas marunong maggamit nito, siya ang makakapagpapalawig ng antas ng output.
May malaking lihim na gastos sa tradisyonal na pagtatrabaho ng tim: mahirap i-replica ang pagkakatao at intuisyon ng isang mahusay na lider sa mga kahalili, at hindi maiiwasan ang pagkakamali sa pag-unawa at pagkawala sa pagpapatakbo ng maraming tao. Ito ay ang "lihim na buwis" ng organisasyon, at dating walang malinaw na solusyon. Pinapaliit ng AI ang lihim na buwis na ito nang malaki—walang kurso sa pag-aaral, kaya kung ibibigay mo ang malinaw na prompt, makakapag-execute ito nang mataas na kalidad, at maaari ring i-parallel ang maraming task line nang sabay-sabay. Ang pagkakatao ng isang tao na pinagsama sa leverage ng execution ng AI, ay nakakapagpapalakas ng output na katumbas ng buong tim.
Totoo na minsan pa ring "nagsasalita nang seriyoso ng mga kakaibang bagay" ang AI, na nagpapatunay na ang pagsusuri at pagpapasya ng tao ay patuloy na kailangan. Ngunit ang kumpiyansa ng modelo ay umuunlad sa bawat buwan, at ang tulong na oras para sa mga posisyon na kung saan lang ang pagpapatupad ang ginagawa ay mas maikli kaysa sa inakala ng marami.
Pagsasapuso ng efisensiya at malalim na krisis: Pagkatapos maalis ang mga hadlang sa pagpasok
Sa maikling panahon, ang paggamit ng mga AI tool ng mga karaniwang tao ay nagbibigay ng benepisyo sa efficiency. Ngunit kung ipagpapatuloy natin ang pag-iisip, kapag tinanggal na ng AI ang pangunahing pagkakaiba sa efficiency at napababa nang malaki ang hadlang sa pagpasok sa propesyon, makikita ng mga kumpanya: pagkatapos umabot sa mataas na efficiency sa output ng isang tao, kung ang kabuuang laki ng negosyo ay hindi lumawak sa parehong proporsyon, ang pagpapanatili ng orihinal na bilang ng mga empleyado ay isang negatibong ari-arian.
Tingnan ang pagkakaiba sa sahod ngayon. Ayon sa data ng pagmamasid sa mga posisyon ni TT3LABS, simula noong 2025, marami nang nangyari na mga paketeng sahod sa merkado ng paggawa sa AI na umaabot sa "higit sa milyong dolyar", at ang mga kandidato na ito ay mga batang AI engineer na walang malaking karanasan sa "pamamahala ng tim." Noong hinanap ni Meta ang mga pangunahing researcher ng OpenAI, ang isang bonus sa pag-sign ay lumampas na sa 1 bilyong dolyar, habang ang average na equity compensation ng mga empleyado ng OpenAI ay umabot sa $1.5 milyon, at ang pinakamataas na base salary ng senior research engineer sa Anthropic ay $690,000 taon (hindi kasama ang equity).
Ang pera na ginagastos sa kapital ay binibili ang isang kakaibang kakayahan: ang paggawa ng AI mismo na mas malakas. Ang mga taong makakapagpapalago sa mga pundasyonal na modelo ay may halaga na maaaring palakasin nang heksapikal sa buong negosyong network. Samantala, ang iba pang tao, kung ang kanilang trabaho ay maaaring masakop ng AI sa mas mababang gastos, ay maaaring bumaba ang kanilang halaga.
Ito ay nagdudulot din ng mas malalim na potensyal na krisis. Lalo na ngayon, ang unang reaksyon ng marami sa mga problema ay hingin ang sagot mula sa AI, at ang gitnang proseso ng pagdededebate, pag-verify, at pagsubok at pagkakamali ay pinaglalabasan. Sa paglipas ng panahon, mawawala ang kakayahang mag-isip. Ang problema ay ang mga "magaling na pagsisikap" na ito ang nagpapabuo sa iyong pagkakaroon ng pagka-angat sa mga problema. Ang pangmatagalang pagkakasalig sa AI upang gawin ang prosesong ito para sa iyo ay magdudulot ng pagbaba ng iyong papel sa trabaho—isang "tagapagsalin ng pangangailangan": isasalin mo ang mga hiling ng iba sa mga input para sa AI, at isasalin mo naman ang output ng AI sa iba. At ang mid-way na bahaging ito, kung saan pinakamadaling i-skip ng susunod na henerasyon ng AI.
Impact Map: Nasaan ka posisyon?
Ang takot na walang koordinado ay kailangan lamang ng pag-aalala. Bago talakayin ang mga solusyon, kailangan nating gumawa muna ng isang "mapa ng impluwensya." Hindi ito para magpalit ng panik, kundi para matukoy ng bawat isa ang kanilang posisyon.
Mga posisyon kung saan ang mga gawain na may mataas na panganib ay maaaring malinaw na isulat sa mga utos
Pagsusulat ng basic code, pangunahing pag-analisa ng data, pagbuo ng standardized na ulat, template-based na disenyo, karaniwang pagsasalin at pag-check. Ang karaniwang katangian ng mga posisyong ito ay ang kanilang trabaho ay maaaring malinaw na i-decompose bilang "input→process→output". Sa mga higit sa 4,000 na taong tinanggal ni Block, ang malaking bahagi ay nasa kategoryang ito. Hindi masama ang kanilang propesyonal na kakayahan, ngunit ang kanilang mga gawain ay eksaktong kayang gawin ng malalaking modelo.
Isang batayan na dapat mong tanungin sa sarili: Kung ang lahat ng iyong mga gawain ay maaaring isulat bilang isang AI instruction, ibig sabihin ay may kakayahan na ang machine na magpalit sa iyo, at ang natitira ay ang kailan ng negosyo na gagawa ng desisyong ito.
Ang pagkakaroon ng pagkakasunod-sunod ay pinipigilan ng mga intermediate na may karanasan
Manager ng projekto, puno ng operasyon, intermediate engineer. Ang kanilang trabaho ay naglalaman ng pagpapasya at pagcoordinato, hindi maaaring tanggalin ng AI sa maikling panahon, ngunit kasalukuyang "napapaliit". Noon, kailangan ng limang intermediate na mangasiwa sa bawat bahagi ng isang business chain at magkakasundo, ngayon ay tinatanggap ng AI ang pagpapatupad sa mga itaas at ibaba, at sapat na dalawa o isang tao upang maisagawa ang buong chain.
Ang sitwasyon na kinakaharap ng grupo na ito ay "bumaba ang bilang ng mga posisyon". Hindi bumaba ang iyong kakayahan, ngunit bumaba nang malaki ang pangangailangan ng merkado para sa iyong papel. Ang solusyon para sa grupo na ito ay pababa gamitin ang AI para palakasin ang pagpapatupad, at pataas para makakuha ng karapatan sa pagtukoy ng mga problema.
Master of Uncertainty in Value Appreciation
May isang uri ng trabaho kung saan ang pangunahin ay hindi "gawin ang tama", kundi "gumawa ng desisyon habang ang impormasyon ay palaging hindi kompleto, at magdala ng responsibilidad sa mga epekto". Mga komplikadong negosyasyon sa negosyo, pagharap sa krisis sa publiko, pagpapamahala sa mga organisasyon na may iba’t ibang kultura, at paggawa ng mga desisyon sa mataas na panganib sa pag-invest. Maaaring magbigay ang AI ng pagsusuri at payo, ngunit hindi ito makakasign ng iyong pangalan, hindi ito makakatanggap ng kasalanan para sa iyo, at hindi ito makakaintindi ng mga interes na nakatago sa isang tingin sa loob ng isang tanghalian.
Hindi lamang hindi nababawasan ang halaga ng mga karakter na ito, kundi tumataas din dahil sa malaking pagbaba ng gastos sa pagsasagawa dahil sa AI; ang parehong budget ay kayang palakasin ang mas malalaking proyekto, at lumalawak ang levers sa kamay ng mga tagapagdesisyon.
Sa totoong buhay, maraming tao ang may trabaho na sumasaklaw sa higit sa isang antas. Isang simpleng pagsusuri: Isipin ang iyong araw-araw na mga gawain, ilan sa mga ito ay maaaring maipaliwanag ng isang simpleng utos, at ilan ang nangangailangan ng iyong sariling desisyon sa gitna ng kaligayahan? Mas mataas ang porsyento ng una, mas kailangan mong gumawa ng pagbabago nang maaga.
Tigilan ang anxiety sa mga kasangkapan, ilipat ang publikong computing power bilang pribadong hadlang
Sa huling araw ng Enero, lumabas ang OpenClaw ("crayfish"), at sa loob ng ilang araw, lumampas ang mga star sa GitHub sa 170,000. Agad na sumunod ang mga kumpanya ng modelo, ipinakilala ng Alibaba Cloud ang one-click deployment, ipinahayag ng Tencent ang CoPaw bilang kompetisyon, at ipinakilala rin ni MiniMax at Kimi ang kanilang sariling compatible na solusyon.
Pagkatapos ay makikita mo ang isang interesanteng phenomenon: maraming tao ang nagugugol ng higit pang oras sa pag-aaral kung paano i-deploy ang mga crayfish at kung aling package ang mas mura kaysa sa paggamit ng AI para makapagbigay ng mga resulta sa negosyo. Lahat ay naghahanap ng mga kasangkapan, ngunit pagkatapos mong i-deploy ang iyong konfigurasyon, maaaring kopyahin ng iba ang iyong setup sa loob ng dalawang oras.
Ang lahat ng malalaking modelo sa wika—OpenAI, Anthropic, Meta, Google, xAI—ay tinuturuan gamit ang mga parehong pampublikong data sa internet. Kaya sila ay本质上 magkakatulad, at dito nagmumula ang kanilang mabilis na komoditisa.
— Larry Ellison, Oracle Q2 Financial Results Call for Fiscal Year 2026
Sa kabaligtaran, ang ibig sabihin ay: kung ang iyong trabaho ay nakabatay lamay sa publikong kakayahan ng pangkalahatang malaking modelo, ang iyong output ay homogenous; kahit gaano pa kalakas ang iyong mga utos, walang panatag na parangal.
Ang totoong hadlang ay ang paglipat mula sa publiko patungo sa pribado.
Mayroon na ngayong malinaw na trend: mula sa mga malalaking kumpanya hanggang sa mga startup team, lalong lumalaki ang bilang ng mga organisasyon na nagde-deploy ng lokal na pribadong modelo. Ang direkta dahilan ay ang seguridad ng impormasyon—walang gustong ibigay ang kanilang pangunahing data sa third-party API. Ngunit may isang napapahintulot na epekto sa trend na ito: kapag ang mga pangunahing player sa industriya ay isinasara ang kanilang data at kaalaman sa pribadong deployment, mas mababaw at mas nakalipas na magiging impormasyon sa industriya na matututunan ng mga pangkalahatang modelo sa pampublikong network. Sa pangkalahatan, ang AI ay bumababa sa antas ng kaalaman para sa lahat, ngunit ang tunay na may halagang antas ng industriya ay patuloy na nawawala mula sa pampublikong network at umuusbong sa pribadong database ng bawat isa.
Kaya ang iyong matagal nang nakumpol na industriya ng “lihim na kaalaman,” hindi ito bumababa sa halaga, kundi tumataas. Ang kondisyon ay kailangan mong gamitin ito.
I-organize at ang mga di-standardisadong karanasan na nakalagay sa isip mo, sa mga chat record, at sa mga nakaraang email, at gawin itong "context" na kayang i-digest ng iyong pribadong modelo. Ipinapakita ng data sa TT3LABS backend na mas mataas ang pagkakaroon ng pagkakataon sa unang pagsuri ng mga kandidato na may dalawang taon o higit pang karanasan sa Web3 kaysa sa mga teknikal na propesyonal mula sa malalaking kumpanya na walang background sa industriya, at ang pangunahing dahilan ay ang mas malaking timbang ng industry Know-how kaysa sa pangkalahatang teknikal na kakayahan. Ang pag-unawa sa mga logika ng compliance at mga lihim na patakaran sa listing ng isang taong may tatlong taon na karanasan sa CEX operations, ang paghuhusga sa pagdidisenyo ng proposal at mga punto ng pagbabago sa emosyon ng komunidad ng isang taong nakapagpasa ng dalawang siklo ng DAO governance, at ang intuitibong pag-unawa sa psikolohiya ng audience at ritmo ng pagsasalaysay ng isang taong nakapokus sa isang partikular na nilalaman—ang lahat ng ito ay hindi makikita sa anumang publikong training data.
Pagkatapos mong i-structure ang mga pribadong karanasan mo at i-integrate sa modelo, ang iyong AI ay hindi na isang pangkalahatang ensiklopedya, kundi isang eksklusibong kasama na nagtatrabaho para sa iyo lamang at nag-uunawa lamang sa iyong larangan. Ang depth ng output na ito ay hindi kayang maabot ng iba na gumagamit ng parehong pangkalahatang modelo.
Ang tanging pangunahing lohika ay: ang AI ay lalong lubos na nagtatagumpay sa pagtrato ng publikong kaalaman, ngunit ganap na nakadepende sa iyong pagpapadala para sa pagtrato ng pribadong karanasan. Ang mga taong makakapag-ugnay ng malalim na kaalaman sa industriya at AI ay ang pangunahing aset sa bagong anyo ng paghahati-hati ng trabaho.
Ang iyong library ng karanasan ang tunay na "model"
Mabilis na umuunlad ang mga AI model; ang kasalukuyang GPT, Claude, at Gemini ay maaaring palitan ng mas malakas na bersyon sa loob ng anim na buwan. Ngunit para sa iyo, ang pagbabago sa isang mas malakas na model ay katumbas lamang ng pagbabago sa isang API interface. Ang hindi maaaring palitan o i-deploy ay ang iyong sariling data at library ng karanasan na iyong ibinigay sa ito.
Ang model ay isang pangkalahatang imprastruktura na maaaring gamitin ng sinuman. Ngunit ang iyong kaalaman sa industriya, mga desisyon sa negosyo, at mga aral mula sa mga pagkakamali ay ang iyong sariling "training corpus." Mas malakas ang AI, mas malakas ang kanyang kakayahang masipsip ang iyong corpus, at mas mataas ang iyong pribadong hadlang. Kaya, huwag mag-alala kung "babagsak ba ang iyong knowledge base nang mabilis," dahil ang iyong knowledge base ay ang tanging ari-arian na hindi babagsak dahil sa pag-update ng model. Nagbabago ang model, ngunit ang iyong hadlang sa data ay lalago kasabay ng pag-unlad ng kakayahan ng AI.
Samantala, ang tradisyonal na lohika ng kompetisyon sa propesyon ay binabago. Noon, maaari ang mga empleyado na ipakita ang kanilang pagmamalasakit sa pamamagitan ng pagpupuyat at pagtatrabaho nang higit sa oras, ngunit ang mga makina ay naglalabas ng output 7×24 oras; lahat ng mga estratehiya na batay sa "mas kayang kong pigilan kaysa sa iba" ay naging sero sa harap ng AI.
Marami ang sasabing: "Nagbibigay pa rin ako ng emotional value sa aking team." Tama, ito ang natatanging kakayahan ng tao, ngunit ang premium nito ay nakadepende sa antas kung saan ka nasa team. Kapag bumaba ang基层 team mula sa sampu hanggang dalawa at isang hanay ng AI Agent, nawawala ang lugar para sa "team lubricant." Ngunit sa antas ng paggawa ng desisyon, ang komplikadong negosyong pangkalakalan, ang pagtatayo ng tiwala sa mataas na panganib, at ang paglutas ng konflikto sa pagitan ng iba’t ibang interes, mas may halaga ang malalim na ugnayan sa pagitan ng tao dahil bumaba na ang mga gastos sa ilalim. Hindi nawawala ang emotional value—nagmamigrasyon ito pataas.
Sa huli, ang pinakamahalagang i-invest ng isang indibidwal sa panahon ng AI ay hindi ang pagkatuto kung paano gamitin ang anumang tool, kundi ang patuloy na pagpapalago ng iyong sariling pribadong AI na walang iba. Mag-iiterasyon ang mga tool, hindi ang library ng karanasan.
Tatlong hakbang, maaari mo nang simulan ngayon
Sa kaso ni Block, may mga tao na na-dismiss ngunit mayroon pa ring nanatili; ang pagkakaiba ay kung sino ang nananatiling hindi ma-compress pagkatapos maging standard ang AI bilang production tool. Huwag maghintay na bigyan ka ng kompanya ng AI training; mula ngayon, maaari nating subukan ang mga sumusunod na hakbang:
01、Mula sa "paggawa ng sarili" patungo sa "pagbuo ng workflow"
Ang pinakamadaling maitapon ng mga manggagawa ay ang paggamit ng AI para mag-"pahinga" para sa kanila (tulad ng paggamit ng AI upang sumulat ng weekly report o i-edit ang isang email), ngunit ito ay patuloy na isang pag-iisip sa antas ng pagpapatupad. Ang tunay mong gagawin ay ang pagiging isang "contractor" mismo, at muling i-restructure ang pinakamahalagang output ng iyong posisyon bilang isang awtomatikong produksyon na linya ng AI.
Huwag subukan ang maraming bagong modelo nang sabay-sabay; piliin ang isang pinakamature na tool (tulad ng ChatGPT Plus o Claude) at pilitin itong maging bahagi ng pinakamalaking at pinakamahirap na bahagi ng iyong trabaho. I-convert ang iyong orihinal na isang-linya na proseso na "manual na pagkolekta ng data → pagsusuri at paghahambing → paglabas ng konklusyon" sa isang bagong proseso: "itakda ang automated na pagkuha → ibigay sa AI analysis framework → tulong ng tao para sa pag-adjust at pagtutuwid." Kapag nakakapagpapaliit ka na ng isang gawain na kailangan ng isang linggo sa loob ng isang araw, at ang kalidad ay napakatindi at konsistente, hindi ka na lang isang simpleng node ng computing power—ikaw mismo ay naging isang mataas na leverage na "maliit na kumpanya."
02、I-customize ang "implicit experience" bilang iyong sariling digital twin
Ang mga malalaking modelo ay natututo sa pamamagitan ng pagkain ng publikong data; alam nila ang lahat ng teorya, ngunit hindi sila marunong sa mga lihim na pagkakakilanlan ng iyong kumpanyang napakahirap na kliyente, o sa mga hindi dapat paglaruan na mga panganib sa pagpapalitan mo sa bahagi ng pondo. Ang mga "lihim na kaalaman" na iyong natutunan sa pamamagitan ng maraming pagkakamali — iyon ang pinakamahalagang ari-arian mo.
Ngunit kung ang mga ari-arian na ito ay nananatiling nasa isip mo lamang, hindi ito makakapagdulot ng compound interest. Ang iyong tungkulin ngayon ay gamitin ang mga custom feature na ipinapakita ng mga malalaking modelo (tulad ng Custom GPTs o Claude Projects) upang gawing "system preset instructions" nito ang iyong karanasan. Ilagay lahat ng edge cases na iyong nalutas, mga ulat sa pagbabalik-tanaw ng mga pagkabigo, at mga di-pasulat na patakaran sa industriya sa loob nito. Ang iyong layunin ay hindi magbuo ng isang static na knowledge base o notebook, kundi "palakasin" ang isang digital assistant na may malakas na personal na estilo ng negosyo mo at nagtatrabaho lamang para sa iyo, 24/7. Kapag naging malikha ang iyong "digital twin", walang makakapag-competitive sa iyo kahit anong generic AI ang gamit ng iba.
03、Pagpapalakas ng sariling "karapatan sa pagtukoy ng problema" at pagkakaroon ng responsibilidad
Sa loob ng team, simulan ang pagpapalakas ng pagpapasa sa machine ang trabaho ng "paghahanap ng sagot", habang pinapanatili mo ang kapangyarihan sa pagtatanong at paggawa ng desisyon. Ang AI ay isang perpektong engine ng sagot, ngunit hindi ito kayang maunawaan ang tunay na negosyal na motibasyon sa likod ng isang pangangailangan. Sabi ng boss, "Gusto kong gumawa ng bagong retention strategy," agad na ibibigay ng AI ang 10 mga teoretikal na modelo ng growth hacking. Pero ikaw lang ang kayang i-combine ang kasalukuyang budget at mga yunit sa pag-unlad, at sabihin, "Ang Solution B ay perpekto ngunit hindi ito maaaring maisagawa ngayon, ang Solution C ay mas mainam kung babawasan natin ang kalahati ng mga function upang tugma sa aming kasalukuyang ritmo."
Sambil iyon, kailangan mong maunawaan ang isang bagay: ang AI ay hindi magkakaroon ng pagkakakulong, hindi magkakaroon ng pagkakasala. Ang mga negosyo ay nagbibigay ng mataas na sahod sa iyo, at madalas ay bumibili ng iyong "pagtanggol" sa mga pang-ekonomikong resulta. Kapag isumite mo ang code o solusyon na ginawa ng AI, kailangan mong may tiwala na sabihin: "Ipinag-ugnay ko na ang output ng AI gamit ang aking propesyonal na karanasan, at ako ang responsable sa final na resulta." Ang ganitong kakayahang magdesisyon sa mga ambigong lugar at magtanggol sa huling pang-ekonomikong epekto—ang "premium sa pagkakasala"—ay hindi maaaring palitan ng machine sa anumang panahon.
Sinabi ni Dorsey, "Nakalimutan na ng karamihan sa mga kumpanya." Ngunit para sa mga indibidwal, baligtad din ito: hindi pa nagsisimula ang karamihan, at hindi pa nila naunawaan ang trend na ito.
Hindi lahat kailangang maging eksperto sa AI. Pero kailangan ng bawat isa na isipin ang isang tanong: Sa iyong trabaho, anong mga bahagi ang maaring gawin ng machine sa huli, at anong mga bahagi ang iyong natatangi, at ilipat ang iyong oras at enerhiya mula sa mga ito patungo sa mga ito.
Kung isang araw ay lalampas na ng buong kalikasan ng tao ang AI, maaaring sa 2027, maaaring sa 2030, ngunit hindi ito isang pagbabago na maaari mong panatiliing manonood.
Hindi ito naghihintay sa iyo na maging handa.