Christian Catalini 指出，人工智能的进步大幅降低了生成成本，却未降低验证成本。这解释了为何早期人工智能产品首先出现在易于验证的领域，如聊天和图像生成。新的自动化边界正从“常规与非常规工作”转向“可衡量与不可衡量工作”。对人工智能的不完整生产力测量依赖，可能导致“虚假效用”和人类能力削弱的“空心经济”。Catalini 建议关注决策的历史而非令人印象深刻的产出，因为真正的价值在于人类判断。他批评将人工智能代理拟人化，主张聚焦于经济激励与运营环境。组织须对人工智能代理的所有行为负责，激励方向应从生成转向验证。Brian Cantrill 观察到，读者容易识别人工生成内容，并因其缺乏真实性而不予信任。音乐出版商起诉人工智能公司，指控其在未经同意的情况下使用受版权保护的歌词作为训练数据，构成知识产权盗窃。Steve Yegge 警告称，人工智能模型可能超出其创建者的理解与维护能力，因此必须对系统规模实施严格管控。Jessica Kerr 具有影响力的博客《Creating Passionate Users》已消失，她是网络骚扰的受害者，被迫离线。Jessica Kerr 倡导“共演”（symmathesy），即一种由学习部分构成的学习系统，并强调对人工智能生成代码进行严格测试（"Vexationes Artium"）。她认为，在人工智能时代，人类想象力与关系比理性更为关键。Jim Gumbly 详细阐述了人工智能监管的复杂决策图景，其中商业激励与监管需求相互冲突。新兴人工智能模型（如 OpenAI 的 Astra）显示出改进的对齐能力，但可监控性降低，使传统的软件改进周期变得复杂。气候科学家预测，由于海洋温度异常显著偏高，今年将出现“异常炎热”的厄尔尼诺现象。