AI · IN · 308
自动化 100% 阈值
Automation 100 Percent Threshold · automation-100-percent-threshold--cat-wu
解决什么问题
很多人用 Claude Code/Cowork 之类的工具搭出一个自动化,跑到 90-95% 的成功率就停下了,结果这个自动化很快被弃用、没有真正省下时间。这条反直觉的结论解释了为什么"差不多能用"的自动化其实价值有限,以及该往哪个方向再多投入一步。
核心内容
- 核心论断:如果一个自动化不能 100% 可靠地工作,它就不是真正意义上的自动化——因为人还是要花心思盯着它、随时准备补救那没覆盖到的 5-10%,这份"盯梢"的心智负担本身就抵消了自动化本该带来的省心。
- 常见的失败模式:把自动化做到 90-95% 准确率后就放弃继续打磨,原因是最后这 5-10% 往往比前面 90% 更费时间(边际改进成本递增),而"自己动手做"往往比"教会 Claude 做"更快,导致人们中途放弃投入。
- 作者自己承认踩过这个坑:她一直在教 Cowork 帮她把 Gmail 清到 inbox zero,"这个过程非常耗时,而且它确实还没做到"——用亲身失败案例佐证这条经验并非事后诸葛亮。
- 建议的做法:与其在 90-95% 处止步,应该投入"笨功夫"(elbow grease)——持续给模型反馈、教它识别你的具体偏好,把自动化死磕到接近 100%,之后才能真正放心依赖它,获得实质性的时间杠杆。
- 配套的产品洞察:作者提到团队也在优化"自定义命令/skill"的整个流程本身太复杂(要知道怎么定义 skill、如何调用、如何反馈修正、如何检查修正是否生效),这也是让"打磨到 100%"变得更难持续的原因之一。
适用边界
- 这个"100% 门槛"更适用于"重复性高、需要长期无人值守运行"的自动化场景;对一次性、探索性的任务,不需要死磕到 100% 才算有价值。
- 达到接近 100% 所需的投入(反复调教、给反馈)本身有成本,需要结合这个自动化的使用频率来判断是否值得投入到底——作者没有给出量化的投入产出判断公式,只给出方向性建议。
关键引述 · 原话
Cat Wu: "If an automation doesn't work 100% of the time, it's not really an automation, and that last five to 10% does take more time... There's just not much value in a 95% there automation."
— Cat Wu
关联卡片
- 与 `harness-deprecation-as-model-improves--cat-wu` 同样出自作者对"如何驾驭 Claude Code/Cowork 日常工作"的实操经验分享。
出处：Cat Wu (Anthropic, Claude Code 产品负责人) · 03-podcasts/cat-wu.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2