播客： "$22B Kalshi Co-Founder: What the Market Already Knows About Your Job"丨Silicon Valley Girl
编译：晚点再听 LatePost
"到今年年底，变化最大的仍然会是工作。"
"现在还没有哪个职位被我们彻底换掉，所有职位都只是被AI增强了。"
"人们总担心自己工作得不够努力。在Kalshi，我们更担心AI还没有用够。"
Luana Lopes Lara在2018年共同创办预测市场平台Kalshi。按Forbes的统计，她是全球最年轻的白手起家女性亿万富豪。今年5月，Kalshi融资10亿美元，估值达到220亿美元。她每天看的东西很特别：人们愿意拿真金白银押在哪个结果上。当讨论对象换成AI和工作，这些价格不断描出风险怎样变化，很少提供安慰。
一两年前，Kalshi收到的AI市场提议大多在问能力：模型能不能完成某项任务，哪个模型会赢，大型数学难题何时被解开。现在，用户更常问AI会怎样影响裁员、失业和选举。Luana认为，这个变化说明普通人已经越过了"AI是什么"的阶段，开始计算它落到自己身上的代价。
"一两年前，人们提议的市场大多关于AI能力；现在，我们收到的请求更多关于AI带来的影响。"
兴奋没有消失，问题的重心却变了。人们仍会交易模型能力、药物审批和量子计算，但"AI会不会成为本月裁员的首要原因"已经成了每月都有人盯着的市场。技术新闻不再只关乎产品发布，也开始进入工资单和岗位说明书。
平台上还有一个被Luana和联合创始人长期关注的AI"灾难情景"市场。它设置了五项条件，只要其中三项发生就结算为"是"，采访时的概率约为26%至30%，成交金额达到数百万美元。这个数字比许多人直觉中的风险高得多，也让团队反复查看。
采访录制时，市场认为AI会成为5月裁员首因的概率是73%，成交量约3万美元。3月和4月，AI确实是裁员的首要原因。Luana提到，Kalshi Research做过校准研究，即使成交量只有约5000美元，价格往往已经会收敛到相当稳定的数字。资金越多、距离结算越近，读数通常越可信。
"即使成交量只有5000美元，你也已经能看到数字收敛到一个校准得很好的水平，所以这个数字确实值得信任。"
这个73%不能直接翻译成"你的岗位有73%的概率消失"。它回答的是一个边界明确的问题：在指定月份，AI是否会被记录为裁员的首要原因。预测市场的价值来自定义清楚的问题，再由愿意承担损失的人给出价格。题目含糊，数字也会失去意义。
有些问题要等五年才结算，例如某种药物何时获批、量子计算何时突破。Kalshi开始为账户里的头寸和美元支付利息后，用户不必因为资金被长期占用而放弃这些交易。市场因此能为遥远事件积累更多信息，价格也不只追着当天的新闻跑。
美国籍教皇当选前，在Kalshi上的概率长期只有约1%。结果出现后，有新闻说预测市场"错了"。Luana的回应很直接：1%并不等于零。秘密会议几乎是封闭的信息系统，外部人本来就很难预测。小概率事件真的发生，不能反过来证明此前的概率无效。
"70%不是100%。即便数字是99%，每100次里仍可能有一次不发生；1%也不是零。"
同一个成交量，在不同市场里代表的可信度也不同。距离选举一周时，政治市场可能只需一两千美元就很准确；提前六个月，往往需要上万美元。看数字之前，先看结算时间、交易量和问题定义。这三个条件会比单独一个百分比更接近真实风险。
Luana解释，预测市场从一开始就让参与者为判断付费。研究越扎实，押对后赚到钱的机会越大；随口表态却要承担损失。它不会制造全知全能的群体，却能把"我觉得"变成一个有成本、可以连续修正的数字。
Kalshi有70%的用户从不交易。他们打开网站，只想快速看经济、选举、体育和文化事件的最新概率。这像一份用价格写成的新闻：首页没有某家媒体的立场，只有很多人用资金表达出来的判断。公司还把数千个选举市场压成K Power指数，让用户用一个数字看美国政治目前更偏向共和党还是民主党。
"我们70%的用户其实什么都不交易，他们只是进来获取信息，看看不同事情的预测。"
另一类用户把市场当成对冲工具。纽约上东区一家酒吧承诺，如果尼克斯赢球就为到店顾客免单，最坏可能损失一两万美元，于是它买入相反结果控制风险。佛罗里达飓风季来临时，也有人要求为自己居住的具体区域开市场，用收益抵掉保险自付额。预测能帮人做决定，对冲则让错误判断不至于一次伤得太重。
平台要做的工作也比"开一个是非题"麻烦。用户说想知道AI是否影响选举，团队必须先把"影响"拆成可以结算的条件。国家政治倾向更难用单一席位表达，K Power才会把众议院、参议院和各地选举的预测合并。一个好数字，前面往往藏着很长的定义过程。
Luana没有声称某个职位已经在Kalshi彻底消失。她看到的是所有职位都被AI放大：工程师同时调度约20个云端Agent，新员工用Agent补齐公司上下文，管理者能更快知道哪些项目卡住。她仍然判断，到今年年底，普通人感受最明显的变化会发生在工作里。
"我还没看到哪个职位被彻底切换成'我们不需要这个人了，我们有AI'，所有职位都被AI增强了。"
她暂时更看好需要身体参与的工作，比如健身教练，以及偏手艺的岗位；机器人以后会走到哪一步，她没有下结论。过去被认为安全的工程职位，她反倒觉得安全感正在下降。岗位名称可能还在，完成任务的方法、团队所需人数和录用标准已经开始变化。
她用旅行规划举了一个很日常的例子。过去安排周末出行，要自己搜索住处和行程；现在她会让ChatGPT规划两天，但最后仍得亲手打开网页、预订每一家酒店。这个断点很能说明现状：AI已经接过思考和整理，真正跨系统执行的最后几步还常常留给人。
Kalshi目前约有170名员工。Luana把市场运营看成一座工厂，持续盯错误数、市场上线延迟、结果判定延迟和覆盖率。AI系统从底层收集这些指标，再把邮件、文档和团队更新汇总给管理者。她因此能同时管理更多项目，也能更早看到有人连续几周承诺过多、交付不足。
"AI让我更快拿到上下文，更快知道正在发生什么，所以我能更有效地管理更多线程和更多人。"
周日曾是她最忙的一天，要逐个回看上周完成了什么、下周做什么，再检查整套指标。现在不少整理工作由Agent完成，她终于能在周日去吃早午餐。节省下来的时间没有消灭管理，它把管理者从搬运信息推向判断信息。权限仍是难题，法律和监控材料只能对少数人开放。
团队希望每位新员工入职时都能拿到一个自己的Agent，并接入邮件、文档和工作记录。眼下最棘手的部分是权限：同一个系统既要让新人快速补课，也要保证法务案件和市场监控资料只对获准的人可见。上下文越完整，权限设计就越不能含糊。
访谈里出现了一个反常识细节：Kalshi用更多Agent，却仍在招聘工程师。Luana和联合创始人已经被日常经营占满，如果各拿5%的时间顺手做内部AI系统，成品很难稳定。公司于是组建专门团队，把工程师放进市场运营、设计和法务，逐个处理流程。
"如果我只拿5%的时间来做，它不会做得很好。AI要成为公司的重要部分，就需要很厉害的人全职负责。"
真实流程也远比演示复杂。产品反馈散落在Slack、Discord、推文和内部讨论里，要自动排序，还得追踪哪些问题已经上线；公司测试过多家QA产品，没有一个达到要求。设计团队则想缩短"工程师先上线实验、设计师再回来修好"的循环。Solo Founder的故事很吸引人，稳定运转的AI系统依旧需要明确的负责人。
Kalshi刚推出永续合约，第一次走出预测市场。Luana说，如果没有现在的AI能力，这个新产品要么会拖累主业务，要么需要多招很多人。她期待公司用AI做出更多产品、长得更大，考虑的重点并非少招人。效率提升后，公司的选择可以是扩张边界，而非只做人员减法。
Kalshi允许候选人在工程面试里使用AI。两年前常问的"这个人能不能完成某项技术任务"，现在已经没有那么有区分度。团队把更多时间放到系统评审和过往项目复盘，设计岗位会问候选人用过多少AI，法务面试也开始追问"你会怎样用AI处理这类案件"。
"你过去工作的方式，不会是我们在Kalshi继续工作的方式。我们需要人愿意重新弄明白：那些自己曾经很擅长的事，现在可能已经不必亲手做了。"
Luana看重低自我、愿意学习和可靠交付。她说的努力工作并非计算工时，重点是把托付的事情做好。工具会继续变，愿不愿意放下旧优势，已经进入招聘判断。这也解释了为什么工程师会走进设计和法务：公司要改的不是一项孤立任务，是每个团队处理任务的方式。
这种文化也很直接：同事不喜欢某项工作，会当场说清楚。公司曾花三到四年争取监管许可，又在沟通两年后起诉自己的监管机构，最终拿到选举市场的空间。Luana把这段经历归结为一条朴素原则：把所有能做的事都做完，免得失败后发现自己其实还留了一步没走。
73%值得认真看，也只该被当成73%。对个人更有用的动作，是把担忧改写成可以核对的问题：你的工作里哪些步骤已经被Agent接管，哪些判断仍依赖经验，团队的录用标准最近改了什么。概率不会替你决定下一步，却能提醒你别再用两年前的安全感规划今天。
