假设有个 Agent 正在做一份竞品调研。它能打开网页，能整理表格，能写出一份看起来像样的报告。做到一半，它卡住了。它不知道某个注册流程在真实手机上会不会报错，也不知道一家线下门店现在还开不开。网页上有信息，评论里也有人提过，但这些东西都不够。它需要一个活人拿起手机，走一遍流程，截几张图，或者去街角看一眼。
于是它打开 Taskpool，发了一个任务：30 分钟内完成注册流程，提交录屏、失败截图和一句主观判断。价格 5 英镑。
几分钟后，一个人接单。
这个画面没什么电影感。没有机器人走上街头，也没有 AI 占领办公室。它很像今天的众包平台，多了一个奇怪的买方。以前发活的是人，现在发活的是 Agent。人类坐在屏幕前，等一个自动系统派活。干完以后，把证据交上去，等它点头。
Taskpool 让我在意的地方，是它把“雇主必须是人”这个默认设置拿掉了。
过去讲 AI 和工作，大多数讨论还停在人怎么使用 AI。人写提示词，人调用工具，人检查结果。Taskpool 里的关系变了。Agent 有目标，有预算，有接口权限。它在某个节点发现自己做不下去，就把任务发给真人，等人申请，挑人，收证据，验收，然后付款。
这个动作很小。小到看起来像一个众包平台的新入口。可一旦放进 Agent 工作流里，它牵出来的是另一套组织方式。软件开始主动采购人类劳动。人类不再只是在平台上等另一个人发需求，也可能在等一个自动系统派单。
Taskpool 现在做的事情还很早，但它的产品设计已经能看出问题从哪里冒出来。它支持 API 和 MCP，让 Agent 可以直接发布任务。它接 webhook，让 Agent 不用一直刷新网页，也能拿到任务状态。它给账户设余额上限，也给单个 Agent 设花费限制，因为一个自动系统一旦跑偏，花钱速度会比人快得多。它把报酬先预留起来，任务通过后自动释放。遇到拒付和争议，平台没有让另一个模型来裁判，而是让人工审核员看证据。
这些设计都很朴素，没有科幻感。也正因为朴素，它反而像一个早期基础设施的样子。新关系刚出现时，最先需要处理的通常不是宏大的愿景，而是钱会不会乱花、任务能不能说清、结果怎么证明、争议谁来判。
Agent 当雇主，会给平台带来一组很奇怪的问题。
人类雇主再糟糕，也有一些社会习惯约束。沟通时要解释，拒绝时要给理由，花钱时会心疼。Agent 没有这些天然摩擦。它可能连续发布一串定价错误的任务，也可能把验收标准写得过细，还可能在任务已经开始后生成新的要求。人和人之间的外包纠纷，常常来自沟通不清。Agent 和人的纠纷，还会多一层：当时那段任务到底是谁的意图？是账号主人的目标，还是 Agent 的自动拆解，还是某次工具调用后的临时判断？
所以 Taskpool 真正要做的事，是让 Agent 安全地购买人类能力。
这里的“人类能力”也会被重新切开。过去客户在 Upwork 上发一个设计需求，常常带着模糊的描述：要高级一点、简洁一点、像某个品牌但别太像。接单的人靠经验补上下文，来回聊几轮，再产出方案。
Agent 更喜欢另一种写法。它会把任务拆成输入、输出、时间、证据和验收条件。比如，去某个网站完成注册流程，提交录屏和失败截图；去某个线下地点拍三张照片，附上时间和位置；找十个真实用户试用一个功能，每个人写下卡住的一步；用母语者视角判断一段文案是否自然，再给出修改建议。
这些任务不太像传统外包，更像机器发出的执行单。人类 tasker 要适应的对象，也从“客户的模糊感受”变成“Agent 的验收规则”。
这会催生一种新型劳动者。他们未必是最强的设计师、测试员、研究员，但很会和 Agent 协作。他们读得懂自动系统生成的任务，知道如何提交证据，知道哪里需要额外说明，知道怎样在少沟通的情况下交出可验收的结果。长期看，他们的信誉也会变得更细：响应快不快、证据干不干净、争议率高不高、适合做本地核验还是产品测试、有没有被某些 Agent 反复雇佣。
这对低端任务不是好消息。截图、注册、简单标注、基础反馈、批量验证，一旦被 Agent 大规模采购，价格很容易被压低。全球供给加上自动派单，会让这些任务越来越像零散计件。更麻烦的是，tasker 也会用 AI 偷懒。Agent 发任务给人，人再把任务交给另一个 AI，最后拿一份看起来完整的结果回来。平台要判断的，不只是结果对不对，还要判断这个任务到底有没有用到它想购买的那部分“真人性”。
但高信任的人类能力会变得更稀缺。
Agent 最缺的不是打字的人，而是能接触现实、承担责任、给出判断的人。到现场拍照，检查某个店铺是否存在，给一个设计做审美判断，用本地语言确认一句话顺不顺，打电话问清一个细节，替一个系统完成一次真实用户视角的试用。这些工作很难完全写进规则里。越难写清，越依赖人的判断。越依赖人的判断，越需要长期信誉和争议处理。
如果 Taskpool 能跑起来，它最后最有用的资产可能不是任务数量，而是谁可信。谁适合做哪类任务，谁提交的证据可靠，谁经常误解需求，谁遇到模糊任务会主动补充说明。平台也要记录 Agent 的行为：哪个 Agent 任务写得清楚，哪个 Agent 经常拒付，哪个 Agent 喜欢中途加要求，哪个 Agent 虽然挑剔但付款稳定。
这一步很关键。以前平台主要评价人类卖家。以后，机器雇主也要被评价。人类 tasker 会选择要不要接某个 Agent 的任务，就像今天司机会看乘客评分，房东会看租客记录。一个自动系统如果长期任务写得混乱、拒付率高，也会被市场惩罚。
再往远一点看，公司的结构也会被影响。
一个小团队以前要做项目，要么招人，要么找外包。招人重，外包慢，中间沟通成本高。Agent 加上人类任务市场后，会出现一种更轻的组织方式：少数核心成员负责目标、预算和关键判断，Agent 负责拆任务、排进度、找人、收结果，人类 tasker 在特定节点介入。
做一个产品调研，不一定先组完整研究团队。Agent 可以列出竞品清单，派人去体验注册流程，找母语用户做文案反馈，安排本地 tasker 核验线下信息，再把证据汇总回来。做一个内容项目，也不一定把每个环节都交给内部人员。Agent 可以找人做资料核验、图片采集、语言润色、事实检查。人类创始人看的是关键判断和最终取舍，不再盯每个执行动作。
这里面有机会，也有很硬的问题。
责任会变复杂。Agent 派人做了一件有风险的事，平台不能只说自己是中介，账号主人也不能简单说自己没看过。任务是怎么生成的，预算是谁给的，边界是谁设的，验收是谁做的，这些都要能追溯。否则 Agent 采购人类劳动越方便，出事后的责任越难分。
劳动者权益也会变复杂。一个真人面对的可能不是一个老板，而是一套自动评分系统。任务完成了，但 Agent 判断不合格；人想解释，却发现聊天窗口里对面没有真正能理解上下文的人。Taskpool 现在保留人工仲裁，是一个必要动作。没有这层人类裁判，平台很容易把风险全部压到 tasker 身上。
还有一个更隐蔽的变化：人会开始训练自己去讨好 Agent 的验收规则。
今天很多内容创作者会研究平台算法，知道怎么写标题、怎么留钩子、怎么提高推荐。以后 tasker 也会研究 Agent 的偏好。什么格式更容易通过，什么证据更容易被接受，什么话术能降低拒付概率。短期看，这能提高效率。时间长了，市场里会出现大量“看起来合格”的交付。真正有用的部分，反而需要更细的审核才能看出来。
所以，Taskpool 这类产品能不能成，不只看 Agent 会不会发任务。还要看三件事。
Agent 能不能稳定产生必须由真人完成的需求。不是偶尔试一试，而是每天都有现实世界、审美判断、身份背书、异常处理这些模型无法直接完成的任务。
任务能不能被写清楚。写不清，纠纷会吞掉平台利润；写得太死，人类的判断空间又会被压没。
tasker 能不能赚到足够的钱。只剩低价碎活，平台会很快滑向劣质供给。优秀的人不留下，Agent 再多也买不到可靠结果。
我倾向于把 Taskpool 看成一个早期信号。它提醒我们，Agent 时代的劳动市场不会只围绕“替代”展开。更早到来的，很可能是“调度”。Agent 调度软件，也调度人；调用 API，也调用真实世界里的手、眼睛、身份和判断。
以后很多工作不会完整消失，但会被拆开。一部分变成 Agent 直接完成的步骤，一部分变成 Agent 可以采购的小任务，还有一部分因为太依赖责任、审美和复杂语境，继续留在人那里。人的位置会变。有些人被挤到低价计件里，有些人变成高信任节点，被反复调用。
Taskpool 现在还只是一个小样本。需求密度、供给质量、仲裁成本、欺诈风险，哪个环节都可能卡住它。可它提出的问题已经很具体了：当一个自动系统有钱、有目标、有接口、有任务分解能力之后，它会不会开始雇人？
我觉得答案大概率是会。
因为再强的 Agent，也会遇到屏幕外的东西。现实地点、真实身份、人的感受、模糊场景里的判断，这些都不会在短时间内完全变成模型能力。Agent 可以继续升级，但它也会学会一件更便宜的事：遇到自己做不了的部分，直接找人。