AI delegate out,accountability delegate in — Zapier V2 招募標準真正的分水嶺

Zapier 剛把 AI fluency 招募標準改版了

Zapier 的 Head of Talent Tracy St.Dic 前幾天發了一篇 V2 AI fluency hiring rubric。一年前他們宣布全公司要 100% AI 採用、招募卡 AI fluency bar；一年後這份 rubric 被重寫。

多數人會注意到的點是「bar 又拉高了」——現在候選人要證明 AI 已經嵌進核心工作、有可複製系統、有可量測影響，不是「我平常有在用 ChatGPT」就算。這很重要，但不是這次改版最有意思的訊號。

最有意思的是他們加了一條新的支柱：Accountability。

---

V2 四支柱：為什麼第四條現在才出現

V2 把 AI fluency 拆成四個：

1. Mindset — 對 AI-driven 方法的理解與開放度
2. Strategy — 知道哪裡該用 AI、該怎麼用
3. Building — 實際把 AI 接進 workflow
4. Accountability — 對產出判斷、對結果負責 ← 新的

前三條在 V1 就有了，都還停留在「你會不會用 AI」的光譜上。第四條的命題完全不同：你敢不敢對 AI 產出簽名？

Zapier 在文章裡留了一句我覺得值得裱起來的話：

"With AI, you can delegate the work, but not the accountability."

翻成 day-to-day 的語言：工作可以丟給 agent，但出事不能說「是 Claude 寫的」。

---

為什麼 accountability 是 AI 時代真正的分水嶺

AI 產出有一個特徵，跟過去任何工具都不同：它看起來都對。

Compiler 錯會噴 error、測試錯會 fail、lint 錯會畫紅線。但 LLM 寫的 code、SQL、合約條款、行銷文案——錯的版本跟對的版本長得幾乎一樣。流暢、有 structure、terminology 用對、論述看起來合理。人不站出來判斷，沒有任何機制會告訴你這個產出是錯的。

這件事改寫了工程師 deliver value 的介面。

過去十年，工程師的價值交付是「產出」：寫出來的 code、修好的 bug、上線的 feature。AI 把產出這一層打爆了——一個 senior 寫 code 的速度不會比 Claude 快。但判斷力還沒有被 AI 取代：什麼叫「對」、在什麼場景下可接受、哪個 edge case 必須守住、上線後壞了誰吸。

Zapier 把這一條抓出來寫進招募標準，其實是在講：會用 AI 是 table stakes，敢替 AI 產出簽名才是差異化。

---

Delegate 執行、留下責任——留下的具體是什麼？

「你可以 delegate 工作但不能 delegate 責任」這句話聽起來很漂亮，拆開講才有用。AI 時代工程師真正留在身上、不能往下丟的，我認為是四件事：

1. 定義成功標準。 Agent 不知道你的 eval 長什麼樣。你必須在 prompt 之前就清楚：這個 task 算做完的標準是什麼、測什麼、由誰驗收。這件事做壞了，後面 agent 跑得再漂亮都是幫倒忙。

2. Critical eval。 AI 產出進來你第一反應應該是「這哪裡會錯」，不是「這看起來不錯」。前者是工程師，後者是 reviewer 假扮工程師。

3. 提早發現問題。 問題在 production 被客戶發現，代表你的 accountability 已經破產。Accountability 的 craft 是把「抓到問題」往前推——推到 PR 之前、推到 agent commit 之前、推到 prompt 送出之前。

4. 擁抱結果。 Bug 上線了、漏洞被利用了、客戶生氣了——你不能說「是 Claude 做的」。這句話講出來的那一秒，你的 accountability slope 就歸零。

這四件事 AI 做不到。做了你也不該信——因為它沒有後果要承擔。

---

會用 AI vs 對 AI 產出負責——兩種組織的人才畫像

Zapier 這次 V2 rubric 改動的本質，是把兩種組織的人才畫像分開：