Klarna的故事值得所有想用AI降本的公司反复看。

2023年底，这家瑞典金融科技公司宣布AI客服已经在35种语言中处理了75%的客户聊天，随后裁掉700名客服人员，总员工从7400人砍到3000人。每笔交易的客服成本从0.32美元降到0.19美元，降幅40%。CEO Sebastian Siemiatkowski在各种场合反复宣讲这个成功案例。

然后呢？

2025年上半年，客户满意度暴跌22%。AI面对复杂争议、退款处理和敏感金融问题时只能给出笼统的通用回答。Q1季度净亏损9900万美元。公司不得不重新开始招人，甚至把软件工程师和市场营销人员调去呼叫中心顶班。CEO公开承认：“追求效率导致了服务质量的急剧下降。”

为什么？因为没有人在"养"那个Agent。

没有人持续监控它的输出质量是否在漂移。没有人在业务规则变化时更新它的知识库。没有人定义"什么场景必须交给人处理"的边界。它被当成一台部署完就能永远运行的机器。但AI Agent不是机器，它更像一个永远不会主动举手说"我搞不定"的新员工。

97%部署了，只有29%赚到了钱

Writer在2026年初对2400人做了一份调查（1200名一线员工加1200名C级高管）。结果很荒诞：97%的高管说去年部署了AI Agent。再问有没有获得实质性回报？只有29%说是。

79%的公司面临落地挑战，这个比例比2025年还高。

更值得关注的是一个细节数据：35%的公司在Agent失控时甚至不知道如何立刻关停它。

这不是技术问题。模型够强、工具够多、预算够大。问题出在一个被所有人忽略的环节：上线之后，谁在管？

Dan Shipper在最近一期Lenny’s Podcast里把这件事说得很直白："为了让一个AI Agent有用，它现在真的需要一个在乎它的人。"这句话听起来像在说宠物。但它描述的是一个正在所有公司里浮现的真实需求。

Dan的团队Every从15人涨到近30人，核心原因之一就是"每自动化一个流程，就需要有人盯着确认它在服务业务而不是在搞破坏"。他们踩过一个典型的坑：一个用vibe coding快速搭出来的产品上线后每十分钟崩一次，让Codex自动修复，结果每修一处带出四个新错误，最终不得不找两位高级工程师从头重写。

自动化不等于不需要人。自动化意味着你需要一种新的人。

这个岗位到底长什么样？

局长观察到海外公司里正在浮现出三种"养Agent的人"的原型。

第一种：从业务骨干转型。Klarna在2025年中重新招人时，岗位名称不再是"客服代表"，而变成了一个新东西。这些人的职责不是自己接电话，而是审核AI的回答质量、定义什么场景必须转人工、在AI给出错误退款方案时及时兜底。他们需要懂业务规则，但日常工作是"训练和监督AI"而不是"自己做客服"。

第二种：从技术侧伸出来的"Agent运维"。和传统运维的区别在于，传统运维看的是系统挂没挂、延迟高不高。Agent运维看的是输出对不对、有没有幻觉、上下文有没有丢失。Gartner在2026年5月的一份报告里预测，未来五年AI Agent将重塑基础设施运维团队的角色和运营模式。"看日志"这件事的含义在变：不只是看error log，还要看推理trace，判断模型为什么在这一步给出了一个看似正确但实际离谱的答案。

第三种：Dan Shipper描述的"超级Agent维护者"。他的预测是，公司里会出现一个集中维护的"超级Agent"，由专门的小团队负责养好，再服务整个组织。个人Agent维护成本太高，普通人不想SSH到服务器排查问题。最稳的做法是让一个人或小团队负责把Agent养好，其他人只管用。

这三种角色有一个共同点：他们的核心能力不是写代码，不是画原型，不是跑数据，而是在AI的输出和业务的真实需求之间做翻译和兜底。

你怎么在招聘网站上写这个JD？“需要一个能看懂业务、能读推理日志、能写Prompt、能识别AI幻觉、能在关键时刻兜底的人”。HR大概会问：这到底是产品经理还是运维工程师还是QA？

答案是都不是。但都沾一点。

为什么大多数公司还没意识到这件事？

因为"部署"和"维护"在组织注意力里的权重完全不对等。

Writer的调查揭示了一个荒诞的现象：75%的高管承认他们的AI战略"更多是对外展示，而非真正的内部方向"。钱花了（59%的公司年投入超过100万美元），公关稿发了，但配套的流程、人才和监督机制根本没跟上。

这和Klarna的路径一模一样。先高调宣布AI替代人力，等问题爆发再手忙脚乱地补人。

问题的根源在于一个认知偏差：人们把AI Agent当成了传统软件。传统软件部署完确实不需要天天有人养。版本固定、行为确定、输出可预测。但Agent不一样。它的行为是概率性的，它的输出会随输入变化而漂移，它面对的业务场景在持续演化。

Dan在播客里做了一个很好的区分：个人Agent你自己玩玩可以，出了问题你忍一忍。但组织级Agent服务的是客户、影响的是营收、涉及的是合规，容错率极低。

而且随着公司里Agent数量增长，这会变成一个规模性的管理问题。今天你有1个Agent，一个人兼职盯一下就行。明天你有20个Agent分布在客服、风控、研报、投放各条业务线，你就需要一个正式的团队、一套正式的流程、一个正式的职能。

麦肯锡2025年分析了50个Agent项目的失败案例后提炼出6个关键因素，其中排在最前面的就是：工程实践中最容易被低估、被跳过、被"等上线再解决"的环节。 而持续维护恰恰是那个"等上线再解决"的典型。

最后说两句

回到Klarna的故事。它不是一个"AI失败"的故事，它是一个"没人养Agent"的故事。

技术没问题。AI确实能处理75%的客服对话。问题在于剩下那25%没人管，知识库没人更新，边界Case没人定义，质量漂移没人监控。公司把Agent当成了一劳永逸的基建，而不是一个需要持续喂养的活物。

这个角色目前没有标准称谓。有人叫AI Ops，有人叫Agent Manager，有人叫AI Trainer，有人直接叫"那个管AI的同事"。叫什么不重要。重要的是你得想清楚一个问题：如果今天你的Agent出了幻觉，谁会在十分钟之内发现？

如果答案是"不知道"或者"等用户投诉了再说"，那你正在走Klarna走过的路。

Agent越强，"养Agent的人"越重要。这不是悖论，这是规律。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】