定焦One（dingjiaoone）原創(chuàng)

作者 | 王璐 金玙璠 王漢星 雷晶 陳丹 李夢冉

編輯 | 金玙璠

這股“AI提效”的風，還是刮到了大廠打工人身上。

最開始，AI還只是少數(shù)技術(shù)極客和嘗鮮者的玩具。有人自掏腰包買會員，有人私下交流提示詞，把它當成提高效率的新工具，確實從中嘗到了甜頭。

但現(xiàn)在，情況變了。國內(nèi)外的互聯(lián)網(wǎng)大廠已經(jīng)從“鼓勵使用AI”進入了“隱性強制使用AI”的階段。有人被統(tǒng)計每天消耗了多少Token，有人所在團隊把AI使用情況和績效掛上了鉤，有人被要求優(yōu)先使用公司自研工具，有人則要把自己的工作經(jīng)驗拆成流程、寫成Skills，交給AI反復(fù)調(diào)用。

當“用AI”、“燒Token”逐漸變成一種考核、一套要求，甚至一種新的工作模板，那些被卷進這場智能化浪潮的大廠員工，真實處境到底如何？

這兩天，我們和六位來自不同公司、不同崗位的從業(yè)者聊了聊。他們的背景涵蓋了海外上市公司的CIO、國內(nèi)頭部大廠的高級研發(fā)、負責寫代碼的初級程序員，以及做運營和市場商務(wù)的非技術(shù)崗。

有人靠著AI實現(xiàn)效率翻倍，將產(chǎn)品需求文檔的輸出周期從幾周壓縮到一天，甚至一個人干出了過去一個團隊的成果；也有人為了應(yīng)對“智能化產(chǎn)出”的要求，把一份簡單的數(shù)據(jù)看板手動調(diào)試了80遍，硬生生把AI用成了需要不斷“擦屁股”的初級實習生。

大廠的工作氛圍也發(fā)生了微妙的變化。當那些原本屬于個人經(jīng)驗、工作習慣的東西，被一點點拆解、整理、上傳、復(fù)用，踏實寫代碼的人成了“不活躍分子”，頻繁調(diào)試提示詞的人則成了“積極擁抱新技術(shù)”的典型。新的焦慮也隨之冒了出來：我們究竟是在使用AI，還是在給AI當燃料，一步步把自己變成可被替代的流程？

在這場自上而下的AI實驗里，有人感到興奮，有人感到疲憊，也有人一邊配合，一邊不安。但幾乎所有人都意識到一點：時代的齒輪已經(jīng)轉(zhuǎn)動，無論是主動擁抱還是被動配合，那個純粹依人力、拼時長的工作時代，正在“翻篇”。

為了交一份“AI成果”，我把數(shù)據(jù)看板改了80遍

好好 | 國內(nèi)某頭部互聯(lián)網(wǎng)大廠 運營

三周前，領(lǐng)導(dǎo)在群里發(fā)通知，說以后“鼓勵大家用AI提效”，沒有KPI，不掛鉤績效，但在例會上，他對大家強調(diào)，以后所有工作產(chǎn)出，都可以讓AI先生成一版。

那一刻我明白了，這其實是隱性要求。

二十多天前，我們被統(tǒng)一要求使用公司自研的AI工具，理由是“數(shù)據(jù)安全”，但問題很快出現(xiàn)。

首先是額度限制。公司給每人發(fā)放的調(diào)用次數(shù)有限，我一邊琢磨著如何盡可能用AI完成工作，還得精打細算地“省著點用”。

其次是能力不穩(wěn)定。寫文案還行，一旦涉及數(shù)據(jù)分析和復(fù)雜邏輯，就開始出錯。

上周，我用它做數(shù)據(jù)看板，直接把我整崩潰了。

這個任務(wù)很簡單，是一個分析客戶和銷售數(shù)據(jù)的工具。過去是技術(shù)部門的活兒，現(xiàn)在需要“人人都會”。我之前用Gemini順利寫過一個小游戲，就天真地以為搭個數(shù)據(jù)看板應(yīng)該也不難。

第1次，AI直接給了我一個數(shù)據(jù)上傳模板，里面多了七八個根本用不到的字段，我只好手動刪改。

調(diào)教到第13次，維度和數(shù)據(jù)總算對齊了，但顯示地區(qū)漏了三個，它還解釋說是“自動篩選低價值區(qū)域”。

調(diào)整到第40次，數(shù)據(jù)格式開始混亂，小數(shù)點有的保留0位有的保留4位。

我強撐到第60次修改，結(jié)果上傳新數(shù)據(jù)后，圖表無法自動更新，新舊數(shù)字疊加在一起，數(shù)據(jù)膨脹了近一倍。

熬到第80次修改，終于走到了PDF導(dǎo)出成功的最后一步，想著終于能松一口氣了，但打開后心又死了，費了一下午的功夫收獲了一堆亂碼。

我仔細算了筆賬，無論是做數(shù)據(jù)看板，還是完成日常的工作報告，我反復(fù)對AI進行調(diào)試、等待“抽卡”的時間，足夠人工做完兩遍。但領(lǐng)導(dǎo)想看到“AI產(chǎn)出”，我就得陪這位“AI初級員工”不斷試錯。

對我來說，AI既是工具也是負擔，大概一半一半。它確實接管了一些重復(fù)性工作，但調(diào)試、校驗、返工的時間又把省下來的精力填滿了。我最清晰的感受是，很多工作我明明可以自己做完，卻必須繞一圈，用AI“做一遍”。

為了湊AI使用次數(shù)，我刪掉代碼讓它重寫了一遍

Kevin | 美國某電商公司 工程師

我這周的Kiro（公司內(nèi)部的AI編程助手）使用次數(shù)還沒達標。為了湊夠，我把一段參數(shù)校驗的代碼刪了，直接丟給Kiro讓它改寫一版。它生成出來看著像那么回事，但少處理了一個異常分支，最后還得我自己補回去。

其實我之前用AI寫代碼用得挺勤的。我訂閱了ChatGPT Plus，后來又試過Claude，遇到一些繁瑣的基礎(chǔ)測試用例，或者需要快速查個不常用的API，丟給AI處理確實能省不少事。那時候是真的覺得能提效，大家也會互相交流提示詞。

但去年底開始，公司把Kiro定為公司“推薦的AI原生開發(fā)工具”，并且定了指標：年底前，80%的工程師每周使用Kiro。

最開始說是為了讓大家在項目里順手把工具用起來，但沒過多久，內(nèi)部就上線了一個追蹤員工AI使用頻率的系統(tǒng)。誰在用、誰沒怎么用，后臺都能看出來。

最讓我們頭疼的是，Kiro不太好用。寫樣板代碼、測試、接口適配還行；但一旦牽涉到調(diào)用鏈、狀態(tài)處理或者部署約束，它生成的代碼就經(jīng)常只是個半成品。所以，大量工程師要求改用Claude Code，認為Kiro不適合高復(fù)雜度的工程判斷。

大家對AI生成的代碼不放心是有原因的，去年底，公司有個團隊就因為跑Kiro出了個不小的事故。事故之后，AI參與的代碼變更審批明顯收緊了。

但我還是會覺得有點恍惚。那些踏踏實實鉆研底層邏輯、手動優(yōu)化核心代碼的人，在追蹤系統(tǒng)上不夠活躍；反而是那些頻繁調(diào)試提示詞的人，成了“積極擁抱新技術(shù)”的典型。

我原本以為，工程師的價值是處理那些真正復(fù)雜的問題。可現(xiàn)在很多時候，我負責寫提示詞、盯生成結(jié)果、補它留下來的坑。我最擔心的不是工作方式變了，而是長期這樣下去，自己從零實現(xiàn)、排查復(fù)雜問題的能力，會一點點退化。

全員寫Skills，等于自己“干掉”自己

Kelly ｜北京某互聯(lián)網(wǎng)大廠 后端研發(fā)（職級序列8）

作為一名后端程序員，我從去年開始就已經(jīng)在工作中高頻使用AI了，用的比較多的是內(nèi)部的無代碼編程工具。

今年春節(jié)前后，公司整體的AI應(yīng)用氛圍突然變得非常激進。現(xiàn)在，全部員工都能在系統(tǒng)里看到自己每天消耗了多少Token，我的直屬領(lǐng)導(dǎo)對我說的最多的一句話就是“這個事兒可以用AI試一試。”

目前公司沒有明確的Token消耗考核，但是每個部門有各自的考核標準。

具體到我所在的部門，近期鼓勵全員寫Skills，要求大家對日常的工作經(jīng)驗、工作流程、技術(shù)細節(jié)以及常見問題進行全面盤點，然后文檔化、Skills化。

Leader主要看兩個指標：用公司內(nèi)部“龍蝦”工具每天的Token消耗量，以及Skills的產(chǎn)出量，對于后者，部門甚至有非常明確的考核指標，每周強制要求產(chǎn)出。

不僅如此，目前部門里50%的開發(fā)需求，被強制要求由Agent生成，這意味著，產(chǎn)品、開發(fā)、測試環(huán)節(jié)被直接跳過，要求用“龍蝦”實現(xiàn)端到端的產(chǎn)出。

這個50%的比例還會在年內(nèi)逐步提升，目標是到2026年底爭取實現(xiàn)全自動化。

Token使用成本方面，我們部門技術(shù)序列目前Claude Opus的Token管夠，不強制使用內(nèi)部工具。但大部分部門Opus的額度有限，超出部分要自費，使用內(nèi)部工具和自家模型的Token沒有限制。

全面AI化以后，我每天的工作時長反而更長了。不是因為工作量變大，而是因為大家都在卷Skills，你也不得不卷。

比如在我們部門的群里，晚上11點以后還會有同事分享寫好的Skills。有時候看到同組的人寫出一個比較好用的Skills，我就會感到非常焦慮。

這種焦慮，一方面來自于部門對Skills產(chǎn)出考核的焦慮，另一方面，也害怕AI Agent正在一天天取代人的工作。

實際上，AI在解決單一問題時，效率不一定比有經(jīng)驗的后端研發(fā)高。因為Skill寫的簡單流程不穩(wěn)定，要花大量精力去調(diào)試、修改，并且Token的消耗量也很大，但當Skills越改越好用之后，AI就會逐步超過人類，并且以非常低的成本運行。

作為打工人，大家心里也都清楚，在公司鼓勵全員寫Skills的背景下，藏著掖著肯定寫不出好的Skills，但是把自己所有的技能和經(jīng)驗都SOP化、Skills化，其實離被AI取代的那天也就不遠了。

AI對于工作效率的提升毋庸置疑，但效率上去了，也就意味著不需要那么多人了。目前公司的內(nèi)部活水通道已經(jīng)停了，未來會發(fā)生什么，硅谷的科技大廠已經(jīng)給了答案。

“被迫用AI”，但我靠它卷贏了組里的人

陳宇 | 國內(nèi)某手機廠商 通信協(xié)議工程師

最近半年，我們公司都在卷AI，從去年10月開始，工具開放、額度報銷、鼓勵人人用。以我們部門為例，每人Cursor每個月都有一定的使用額度要求。用不完會被認為“浪費資源”，賬號可能會被回收；用得多但產(chǎn)出沒跟上，又會被判定為濫用，同樣會被提醒。

所以，不用不行，用得不好也不行。在這種趨勢下，壓力肯定是有的。組里已經(jīng)有人因為不愿意花時間學AI，加上工作狀態(tài)一般，被優(yōu)化了。

我對“用AI”的理解和很多人不一樣。濫用AI，浪費那么多Token，還不如花錢買游戲玩。AI不是用得越多越好，而是要用得對。我一般每周抽一兩天，專門研究怎么讓AI更好地適配我的工作、幫我高效干活。

我的崗位是通信協(xié)議工程師，寫代碼只占一小部分，更多的時間是處理用戶數(shù)據(jù)、分析系統(tǒng)日志等。以前分析用戶手機卡頓數(shù)據(jù)問題時，有時候明明是運營商網(wǎng)絡(luò)導(dǎo)致的問題，也要我們一點點排查，大量精力都耗在無效信息的篩選上。

現(xiàn)在，AI能幫我先快速定位并剔除無關(guān)干擾，讓我專注在真正需要優(yōu)化的地方。去年一年，我的整體產(chǎn)出提升很明顯，績效在組里排得比較靠前。

不過說實話，AI遠沒到能替代人的程度。它的日志分析準確率只有60%左右，必須人工復(fù)核。為了提升AI的能力，我們得不斷寫規(guī)則、優(yōu)化邏輯。所以，我近半年的工作量是增加的。但這個過程本身就是在“教育”AI，讓它服務(wù)于人。

這兩年，我能明顯感覺到公司招的人在變少，我覺得這背后肯定有AI的影響。身邊有朋友準備換工作時，我都會勸他一定要惡補AI相關(guān)能力。同樣的技術(shù)水平，會不會用AI，在面試和薪資上能拉開明顯的差距?，F(xiàn)在平臺逼著你學，也是幫你提前儲備了職業(yè)競爭力。

我始終認為，AI并不是用來代替人的，它是人和人之間一個新的競爭工具而已。

我們沒裁員，但效率必須提升3至5倍

Ming Lu ｜澳大利亞 某上市公司CIO

作為CIO，我可能是公司里最早一批“AI原住民”。

在公司正式確立AI戰(zhàn)略之前，我已經(jīng)開始高頻使用AI工具。公司因為與微軟有長期合作，很早就接入了Copilot，后來，又將Copilot與Claude整合進內(nèi)部工作體系。毫不夸張地說，我現(xiàn)在幾乎所有的核心工作都已由AI完成，效率翻倍。

但公司在內(nèi)部推進AI工具的初期，并不順利。

一開始，采取的是鼓勵式策略，給所有部門和員工配備了近乎無限的Copilot使用權(quán)限和額度。但效果并不明顯，甚至在軟件開發(fā)和UX部門遇到了阻力。

這些團隊并不是排斥AI工具，也愿意用AI做輔助性工作，例如寫代碼片段、生成設(shè)計草圖。但他們普遍不愿意更進一步，比如，讓AI介入核心的SDLC（軟件開發(fā)生命周期）流程。這種心態(tài)可以理解，人們愿意讓AI幫忙，但不愿被AI主導(dǎo)。

但是，在公司的戰(zhàn)略框架里，只把AI當作語法檢查器是不夠的，我們要的是流程重塑。

因此，今年年初，我與CTO共同制定了新的AI戰(zhàn)略：要求各部門在四月底前提交AI路線圖，并設(shè)定了嚴苛的考核機制——每位經(jīng)理需提交三個AI倡議（AI Initiatives），每季度按落地情況打分。我們還開始監(jiān)控Token使用量，考核AI使用率，長期偏低者可能進入績效改進計劃（PIP）。

調(diào)整后，效果立竿見影。

軟件開發(fā)的變化最明顯。過去，一份產(chǎn)品需求文檔（PRD）的形成，需要產(chǎn)品經(jīng)理與開發(fā)團隊多輪溝通，周期長達數(shù)周甚至一兩個月?，F(xiàn)在，一位項目經(jīng)理可以在一天內(nèi)輸出，既有Markdown說明，也附帶界面原型圖的PRD。項目啟動階段最耗時的“模糊地帶”被大大壓縮了。

如今，我的工作重心也變了。我每天會花大量時間與各部門經(jīng)理開會，討論AI可以在哪些環(huán)節(jié)介入；同時我自己也搭建了一個多智能體的Claude環(huán)境，先花大量精力與AI進行頭腦風暴，將方案拆解度，最后再交給AI去落地。

AI讓我把更多的時間花在了“如何把問題想清楚”上。如果需求文檔寫得不夠扎實、商業(yè)邏輯不夠清晰，AI的執(zhí)行就會徹底跑偏。這也倒逼我們更多思考商業(yè)邏輯的本質(zhì)。

當然，效率提升的另一面是殘酷的：崗位可能會減少。雖然公司董事會決定先不裁員，但要求每個員工的效率提升3到5倍，同時，我們已經(jīng)停止了招收數(shù)據(jù)分析、程序開發(fā)和財務(wù)分析方向的新人招聘。這可能也是所有公司遲早要經(jīng)歷的事。

我不覺得自己被AI支配，相反，我感受到了前所未有的駕馭感?，F(xiàn)在真正感到壓力的，是那些工作內(nèi)容高度標準化、極易被AI直接替代的崗位。而那些具備強大需求分析和頂層規(guī)劃能力的人，反而更吃香了。

用AI后，我的工作反而更忙了

云天｜國內(nèi)某頭部大廠 高級研發(fā)

我是比較早一批自費使用AI的人，每個月在各種工具上的支出接近500美元，從GPT到各類垂類模型，好用的就直接買年包，體驗型的就先試月卡。

目前我們公司目前對Token使用量沒有強制要求，合規(guī)前提下，哪個好用用哪個，都是團隊綜合考慮下來挑選覺得對工作最有幫助的。我現(xiàn)在每個月的Token消耗量大概在30到40億左右。

但即便如此，我的工作時間還是變長了。

原因很簡單：用AI不僅是“讓它干活”，還要先把系統(tǒng)搭起來。就像蓋摩天大樓必須先搭架子一樣，我們要先構(gòu)建一套系統(tǒng)，去規(guī)范AI的使用邊界、降低它的出錯率；甚至在AI出問題后及時“擦屁股”，把控它的影響范圍。這份工作遠比單純用AI提效更繁瑣，相當于一份工作干兩份活，適應(yīng)這套新要求，也花了我不少時間。

對于現(xiàn)在市場上普遍焦慮的“Token消耗量納入KPI”的問題，我倒是有不同的看法。

從我接觸到的老板或業(yè)務(wù)負責人來看，沒有一個人對AI是不上心的，個個都怕錯過這個風口。我了解的兩家頭部大廠，是會要求員工只能用自己家的大模型，不允許使用Claude、ChatGPT等其它工具。

其實我不太理解為何有些公司想將Token使用量納入KPI，這是管理者心智負擔最低的做法，但它衡量不了價值的核心。

但從另一個角度看，我認為設(shè)立“保底門檻”是合理的。如果一個員工在現(xiàn)在的環(huán)境下，完全不燒Token、堅決不用AI，這本身就說明他缺乏改造自身工作流的意識。

至于AI引入后會不會導(dǎo)致大面積縮招或裁員，我認為整體就業(yè)市場本身就遵循工業(yè)革命規(guī)律。

大廠的招聘邏輯，從來不是單純看需要多少人干活，而是看利潤支撐和人才策略。把懂AI的人才招進來，哪怕暫時用不上，也是在搶占身位。而對于中小企業(yè)來說，AI降低了創(chuàng)業(yè)和研發(fā)成本，以前100人做的事現(xiàn)在10人就能完成。

我認識一位非技術(shù)背景的創(chuàng)業(yè)者，靠著AI，一個人花了半年時間，硬是敲出了一套完整的ToB教育系統(tǒng)，這在過去至少需要一個百人團隊。當全社會的試錯成本都在降低時，短期內(nèi)必然會經(jīng)歷崗位調(diào)整的陣痛，但長期來看，整個市場的蛋糕會被做大，會涌現(xiàn)出更多新團隊、新機會。

那些標準化、重復(fù)性強的崗位，被沖擊是必然的；但那些需要深度思考、創(chuàng)意策劃和資源整合的崗位，反而會因為AI更加受歡迎。時代的車輪從不等人，有些舊崗位被淘汰是必然，但新世界的大門，也正在緩緩打開。

*題圖及文中配圖來源于pexels。應(yīng)受訪者要求，文中好好、云天、陳宇為化名。