我認為在 AI 的認知上，執行長與個別貢獻者（ICs）之間存在著明顯的鴻溝。執行長似乎很喜歡 AI，並大力推廣（甚至在公司內設立 AI 使用的強制規定）。但個別貢獻者通常對其使用抱持更為懷疑的態度。從 Hacker News 的評論串到內部 Slack 關於採用編碼代理的討論，都可以看到這種分歧無所不在。
我目前的觀點是，造成這種巨大分歧的原因在於：執行長一直以來都必須處理非決定性問題，並專注於非決定性的系統設計，而個別貢獻者則是以在決定性任務上的執行表現來評估。
執行長一直都必須處理非決定性問題。這就是常態：
更廣泛地說，如果你曾上過數學的混沌理論課程，你會知道當系統中的個別代理以不同的輸入、效用函數等方式運作時，就會出現非線性、混沌的系統。如果你能讓這些效用函數保持一致（能掌握系統動態），系統就會變得稍微容易管理。
經理的工作是建立一個世界模型，並協調所有人的效用函數，同時知道複雜系統中存在大量的非決定性。因此，作為經理，你對相當程度的非決定性感到自在是合乎邏輯的。
AI 是一種非決定性的事物，但它具有一個行為良好的混沌系統的許多特徵（特別是那種你可以理解系統的整體行為，即使無法預測任何時間點的具體結果的系統）。
這些特性中有許多比大型人類系統更具決定性，這使得 AI 對於已經習慣於此的執行長來說極具吸引力，他們可能已經投入大量精力來為其系統增加決定性（例如，透過增加層級、標準作業程序等形式的流程和結構）。
個別貢獻者通常更專注於具有特定輸入和輸出的特定問題。正確性更容易確定，而你在工作上的表現很大程度上可以透過品質和速度來描述，這兩者的權重取決於你所在的組織。隨著你晉升，情況會有所改變（例如，資深工程師被期望解決大型、模糊的業務問題），但對大多數個別貢獻者而言，世界是相對明確定義的。
個別貢獻者在實務中會遇到許多非決定性問題（需求不明確、系統不穩定、優先級轉變），但他們被評估的方式卻朝著相反的方向推動。個別貢獻者的價值通常來自於可靠的精確性（例如，編寫正確的程式碼、進行正確的分析、提出經得起檢驗的設計）。你的產出越具決定性，你在工作上就越出色。
AI 將非決定性引入了這個領域，從個別貢獻者的角度來看，有充分的理由對其持懷疑態度：
一個說明：偏重速度而非品質的組織，通常會看到更多個別貢獻者採用 AI（例如，我認識的創業公司工程師總體上都在採用 AI 並用它來加速許多事情，儘管不一定能提高品質）。偏重品質的組織則往往看到相反的情況。AI 並不能真正提高品質，或者要做到這一點非常困難，而且有時會因為這些個別貢獻者通常針對特定任務受過良好訓練，反而會降低特定任務的品質。
AI 的認知差異歸結於堆疊不同部分的工作樣貌。執行長管理非決定性系統，並圍繞著它建立了他們的職業生涯。個別貢獻者在一個更具決定性的世界中運作，並根據他們交付精確、可靠輸出的能力來進行評估。AI 完美地契合了前者的世界觀，卻笨拙地融入了後者。