Agent 時代精力重分配 (Think/Make Redistribution)
概述
@wquguru 於 2026 年 5 月在 X 提出的概念框架，分析 AI Agent 如何改變個人工作時間分配的結構。核心論點：Agent 時代，最優時間分配將從傳統的 70% Make（執行）+ 30% Think（思考），逐步遷移至 50% Make + 50% Think，少數人能達到 40% Make + 60% Think。
核心框架
舊模型失效的原因
- 過去限制在執行頻寬（生理上限：一天能寫多少程式、讀多少材料）
- Agent 打破了這個限制，讓執行的邊際成本趨近於零
- 新瓶頸從執行端轉移到上游：任務定義、系統設計、判斷力
五種人的分類與排序
| 類型 | Make/Think 比例 | 評估 |
|---|---|---|
| 純執行者 | 95% Make / 5% Think | ⚠️ 最危險 — 執行被 Agent 取代，議價權下降 |
| 傳統強者 | 70% Make / 30% Think | 仍強但不最優，若只把 AI 當加速器會錯過槓桿 |
| 新最佳平衡 | 50% Make / 50% Think | 🏆 最優 — 執行被放大 + 高密度思考 |
| 深度思考者 | 30% Make / 70% Think | 上限更高但風險更高，須有真實反饋渠道 |
| 純空想者 | 5% Make / 95% Think | 仍然最弱 — Agent 會放大未經驗證的幻想 |
Make 的新定義（三層次）
- 人類親手做 — 關鍵程式碼、最終判斷、客戶溝通（不消失）
- Agent 代勞 — 搜集材料、生成初稿、寫測試（會越來越大）
- Agent 自主驅動 — 建立可複用的 workflow、項目配置、自動化系統（最有價值的層次）
Think 的新定義
從「我還可以做什麼」升級為：
- 什麼問題值得做？
- 這個 workflow 的失敗模式是什麼？
- 哪些經驗可以變成模板、script、skill、agent？
- 時間是否被舊世界的執行習慣佔滿？
Agent 時代最稀缺的是判斷力。想法會極其便宜，難在知道哪一個值得投入。
相關概念
- harness-engineering-for-ai-coding — David Ko 提出的 AI Coding Agent 感測器回饋系統，涉及 workflow 設計
- ai-capability-perception-gap — Karpathy 的 AI 能力認知斷層，涉及付費 Agent 專業用戶 vs 免費版用戶的差異