作者 | 華衛(wèi)

“今年，AI 提效比去年更‘卷’了?！边@恐怕是現(xiàn)在無數(shù)個身在職場的人共同的感受。

如今，算力補貼變成了科技大廠標配的新型福利。不少頭部企業(yè)都在密集推出面向全員的 AI 資源支持計劃，阿里巴巴為全體員工發(fā)放專屬 token 額度，騰訊被曝為員工配置年度價值約 22 萬元的 AI token 套餐，覆蓋多款主流開發(fā)與協(xié)作模型。4 月初，字節(jié)跳動在發(fā)布的內(nèi)部信中宣布，工作場景 AI 工具不限額度，員工業(yè)余時間 AI 產(chǎn)品體驗費用公司報銷 50%。

好消息是，不用再當“氪金”上班的打工人了。但壞消息是，這份福利似乎很快要變成評估員工價值的隱形 KPI。有消息稱，國內(nèi)某大廠當前正依據(jù) token 使用量標準來作為轉(zhuǎn)正、晉升以及裁人的依據(jù)之一。

海外的科技巨頭亦早在大力在推進類似的管理制度：微軟要求各級主管評估員工績效時，必須考量 AI 工具使用情況；Meta、OpenAI 等公司內(nèi)部出現(xiàn)員工 token 使用排行榜，實時滾動著每位員工的 AI 使用量；Shopify 的 CEO Tobi Lutke 去年給全公司發(fā)了封備忘錄，不僅將 AI 的使用情況納入績效考核，團隊申請加人之前，也必須先證明 AI 做不了這個工作。

也就是說，現(xiàn)在用 AI 用得不好要影響?yīng)劷?，?AI 用得不夠面臨被優(yōu)化風險，就連部門的招聘名額都“反向掌握”在 AI 手里。

與此同時，AI 顛覆職場的方式正在加碼。只是引入 AI 工具的使用都算簡單且傳統(tǒng)了，“萬物皆可蒸餾”正成為當前的 AI 時代潮流。繼 “同事.skill” 走紅后不久，“女媧.skill”都緊接著登場了。該項目由 B 站 UP 主花叔開源，能將歷史人物或公眾人物的思維方式、決策邏輯和表達風格蒸餾成可復(fù)用的 AI 技能模塊，目前已支持喬布斯、馬斯克等 17 位知名人物的技能模塊，無需編程即可在 AI 助手中調(diào)用。

更現(xiàn)實的沖擊是，這種 “Skill 化”的用人模式，已不止停留在 GitHub 開源項目層面，有公司正在進行落地的大膽嘗試。

近日，國內(nèi)一家游戲傳媒公司將離職員工訓練成 AI 數(shù)字人繼續(xù)留在公司“工作”。離職同事原為人事專員，其數(shù)字分身目前可承擔咨詢、邀約、制作 PPT 和表格等簡單工作?！白蛱爝€一起摸魚打趣的同事，今天就變成了 AI 人?！痹摴締T工小魚介紹，當事同事確已離職，但本次嘗試經(jīng)過其本人同意。

“你的同事不是被裁，是變成了 token 繼續(xù)陪在你的身邊?！笨礋狒[之余，焦慮也在職場人中快速蔓延，甚至衍生出一場隱秘的辦公室對抗。有消息稱，有公司開始要求員工提交自己總結(jié)的工作 Skill，還有開發(fā)者為此做出了“反蒸餾.skill”工具，能把 Skill 文件中的核心知識替換為“正確但毫無信息量”的話術(shù)。

不僅如此，人開始被“標上 token 價格”。token 耗的資金，正被頻繁拿來與員工的薪資做對比。幾天前， Claude Code 產(chǎn)品負責人 Cat Wu 稱其“不少功能的開發(fā)進度從 6 個月縮短到了 1 個月，有時甚至只需一天”，背后的 token 消耗雖然在飆升，但成本仍遠低于工程師的平均薪資。

而在這場 token 消耗大賽和數(shù)字員工的概念喧囂背后，發(fā)力的是在公司管理層誕生的“AI 神話”。

老板們眼中的“AI 神話”

全球的科技巨頭們，2026 開年以來，全在不約而同地干同一件事：砍人力、全面轉(zhuǎn)型 AI，把真金白銀砸向核心業(yè)務(wù)。這一戰(zhàn)略在中小公司身上，似乎表現(xiàn)得更為激進。據(jù)業(yè)內(nèi)人士透露，今年年初，有技術(shù)出身又熟悉公司業(yè)務(wù)的老板親自用 Openclaw 搭建了各種數(shù)字員工，把公司人員縮減到原來的 20%，甚至覺得還能再減。

21 世紀的下崗潮，推進者好似變成了 AI。不少打工人在社交平臺哭訴，AI 使用效率低下成了裁人理由。一位開發(fā)者敘述道其公司新宣布的機制，“無論以往工作能力和貢獻，只評估 AI 使用能力以成立 AI 精英小組，其他人全部淘汰?！?/p>

“去年很多企業(yè)還是圍繞原有業(yè)務(wù)流中的環(huán)節(jié)思考提效，比如寫作、數(shù)據(jù)整理。但今年，隨著 AI 能力變強，很多過去解決不了的問題現(xiàn)在能解決了，于是大家開始基于 AI 的能力特征重構(gòu)業(yè)務(wù)流。這種提效更本質(zhì)，好比過去為馬車修路，現(xiàn)在汽車來了，大家開始為汽車修路，汽車就能跑得很快?！鼻翱萍即髲S CTO、AI 技術(shù)專家軟風（化名）表示。

他透露道，此前其公司內(nèi)部也在做數(shù)字員工，有些業(yè)務(wù)流服務(wù)頭部客戶還需要人，但服務(wù)長尾客戶就可以靠 AI 完成。并且，AI 在研發(fā)場景的提效效果同樣顯著，以產(chǎn)研的交付周期來看，值得買現(xiàn)在一個正常項目的交付周期能比以前縮短一半。他們最初為員工配置 40 美元的 token 包，很快不夠用，現(xiàn)在申請沒有上限。

“AI 編程的效率提升非常明顯。我們有的員工一個月 token 消耗約 1000 美元，一個人能干兩個人的活?！?/p>

飛豬高級技術(shù)專家謝勁松表示，“在 AI 使用力度上，去年和今年的差異非常大。過去大家對 AI 幻覺顧慮比較重，考慮到交付的穩(wěn)定性，在如何用模型這件事上比較保守。今年，在平衡探索很多業(yè)務(wù)場景可能帶來的損失和智能帶來的收益之間，我們的決策邏輯在逐漸轉(zhuǎn)變，讓模型在復(fù)雜場景上幫我們解決問題的意愿和信心更強了?！?/p>

據(jù)其介紹，除集團內(nèi)提供的大量免費資源之外，飛豬最近又加碼了新的政策，報銷所有同學因為工作場景產(chǎn)生的 AI 相關(guān)服務(wù)采購費用，額度最高 1000 元 / 月，不夠可以繼續(xù)申請增加。最直觀的效率提升是，從 idea 到落地的周期短了很多。以前的工作方式是流程化的，一環(huán)扣一環(huán)；引入 AI 之后，很多事情可以跨工種、跨角色并行推進，協(xié)同和溝通的損耗明顯下降。另一個變化是，大家能更快看到最終效果，對要不要做、怎么做可以更早形成判斷。

“飛豬全方位推進 AI 在業(yè)務(wù)上的落地，除了對交易、資金與強合規(guī)相關(guān)鏈路仍然非常審慎，運營、市場、數(shù)據(jù)分析等領(lǐng)域正活躍用 Agent 做提效的探索?！蓖瑫r，謝勁松解釋道，AI 帶來的效率提升是靈活、非固化的，今天在一個場景中 work 的方案，換到另一個場景可能完全失效，真正有價值的改變是對工作過程的潛移默化?！皬奈覀€人角度看，以前一天只能做開會或者單線程做事，最多邊開會邊做點其他工作?，F(xiàn)在四五個 Agent 開著，可以邊寫方案、邊開會、邊做決策、邊寫代碼?！?/p>

由此，我們看到一個清晰的信號：傳統(tǒng)的 AI 內(nèi)容生成工具雖仍在沿用，但已不再是企業(yè)提效的核心增量。現(xiàn)在，在企業(yè)內(nèi)部推行的 AI 工具中，AI 編程和 Agent 成為兩大主力，前者對產(chǎn)業(yè)效率提升極高，后者對業(yè)務(wù)流效率提升不小。

跑崩的效率模式

誰來背鍋？

老板們看到的是 AI 帶來的機會，因此瘋狂擁抱 AI、加速其布局與落地。社區(qū)里，卻正在涌入越來越多來自一線職場人的“不和諧”聲浪。

“被 AI 搞的簡直亂上加亂?！痹谶@場 AI 提效競賽中，有人稱被迫替 AI 收拾起“爛攤子”，花大量時間給 AI 糾錯；還有人反饋因被拔高的提效標準加了更多的班，控訴“有了 AI，我反而更忙了”。

軟風對此坦言，早期 AI 經(jīng)常寫出問題代碼、畫出不想要的圖，隨著模型能力提升，需要大力糾錯的場景正變得越來越少。謝勁松則表示，AI 確實對私有數(shù)據(jù)或私有業(yè)務(wù)流不熟悉，無法作出與人相同的判斷，有時需要糾錯，但依然瑕不掩瑜?！叭绻茏屽e誤沉淀成 skill 或知識庫，讓 AI 下次能檢索到相關(guān)信息去解決，這也不是什么大問題?！?/p>

值得注意的是，的確并非所有崗位都能快速受益于 AI?！斑\營、審核等業(yè)務(wù)崗在初期應(yīng)用 AI 時效率提升很快，立竿見影，但想更進一步就比較難了?！避涳L強調(diào)，“核心原因在于，以往的流程是為人的特點設(shè)計的，對 AI 并不友好。如果不能對業(yè)務(wù)流重新調(diào)整，AI 的天花板就不會很高。”

謝勁松還提到，飛豬是做服務(wù)履約的平臺，對客服系統(tǒng)里引入 AI 會做得更審慎?？头Υ_定性、合規(guī)性和一致性的要求非常高，幻覺風險的管理季度重要，要把 AI 真正放進生產(chǎn)鏈路，需要更強的機制設(shè)計，如知識約束、流程編排、質(zhì)檢與人工兜底等?！澳壳拔覀兏鼉A向于把 AI 定位為輔助一線同學提效的智能助手：讓它先承擔信息檢索、草擬回復(fù)、歸類總結(jié)等可控環(huán)節(jié)，由人來做關(guān)鍵判斷和最終確認?！?/p>

同時他指出，在系統(tǒng)重構(gòu)、架構(gòu)設(shè)計這類復(fù)雜研發(fā)任務(wù)中，難點往往不在“寫代碼”，而在于把問題定義清楚、把約束講清楚、把取舍做清楚。AI 可以加速產(chǎn)出與驗證，但目標、邊界、遷移路徑、穩(wěn)定性與最終驗收上，仍需要人來對結(jié)果負責。不過，他認為，這不完全是模型能力的問題。在真實的生產(chǎn)場景里，上下文與知識的可治理性是關(guān)鍵。業(yè)務(wù)邏輯、代碼與流程往往高度差異化，信息不對稱會讓 AI 很難做到像真人一樣“懂”，企業(yè)也會通過代碼助手、知識庫與規(guī)范接口等方式逐步擴大可被安全使用的邊界。

此外，軟風表示，對于 AI，企業(yè)內(nèi)長期存在兩個極端聲音：一是把 AI 當“許愿池”，認為它什么都能干；二是苛刻地苛責 AI，覺得它什么都干不了?，F(xiàn)在后者隨著 AI 技術(shù)成熟變少了，前者反而顯現(xiàn)得更多了。謝勁松也指出類似的問題，“大家對 AI 的預(yù)期存在很大的認知差異，問題在于沒有認真分析 AI 的能力項、當前發(fā)展階段以及自己企業(yè)內(nèi)部的問題，把 AI 當成了救命稻草，企業(yè)本身要解決的問題變成了向 AI 許愿。”

價值判斷錯位是他們共同提到的另一項企業(yè)在 AI 轉(zhuǎn)型中存在的典型誤區(qū)?！坝靡?guī)模當參照，比如覺得場景標準化程度高，就想讓 AI 來承接，沒有充分評估幻覺風險帶來的影響?！倍遥珹I 工具鏈本身迭代很快，知識庫、RAG、Workflow、Agent、Multi-Agent ，每種方案的適用邊界不同，企業(yè)在選型上面臨的決策復(fù)雜度遠超預(yù)期。“反倒是一線同學，場景邊界清晰、反饋即時，能把工具靈活穿插進日常工作，自身提效很明顯?！敝x勁松說道。

“實際上，AI 有自己的長板和短板，它運作效率高、能執(zhí)行 SOP、沒有利益沖突。但如果組織形態(tài)和業(yè)務(wù)流程沒有針對 AI 做特定優(yōu)化，就好比讓貓在水里和魚比游泳，自然是比不過的?！避涳L強調(diào)。

token 消耗不持續(xù)不健康

如何“良性循環(huán)”？

“技術(shù)認知對提效效果的決定性作用變得更加明顯，AI 驅(qū)動本質(zhì)上還是一把手工程。”軟風指出，以往企業(yè)的業(yè)務(wù)流程是基于人的特點設(shè)計的，比如工作效率、精力切換特征、利益沖突行為等，但 AI 不存在這些問題。“如果老板本人對業(yè)務(wù)流很熟，他就不只是在某個環(huán)節(jié)用 AI 提效，而是把整個流程基于 AI 的特點重新設(shè)計。這樣，大量人力被節(jié)省，整個業(yè)務(wù)流幾乎靠 AI 就能運轉(zhuǎn)。”

他曾做過的實踐是：將所有業(yè)務(wù)劃分，那些涉及信任、情感連接的必須由人做；相對標準化的則完全交給 AI。兩類工作分割開后，重新為標準化工作設(shè)計業(yè)務(wù)流。

“token 可以花錢解決，模型會自己進化。但組織整體的進化和對 AI 的調(diào)整至關(guān)重要，如果不做，天花板就很低。這件事不是喊口號能實現(xiàn)的，必須靠了解業(yè)務(wù)流和 AI 的人做整體設(shè)計，并下定決心改革?！避涳L說道，“token 怎么算都比人便宜?！?/p>

當被問及當前 AI 提效再上一個臺階的最大瓶頸時，謝勁松的回答毫不含糊：算力?！皌oken 成本會變成非常現(xiàn)實的硬約束，甚至會牽動采購與架構(gòu)選型?！痹谒磥?，提效再上一個臺階，意味著要從“半自動化（人機交互）”跨越到“全自動化（Agent 獨立運行）”。而規(guī)?；娜詣踊?，本身就意味著如流水一般的 token 消耗。企業(yè)如果只從節(jié)省成本出發(fā)，天花板很低。但如果把它放在“突破企業(yè)能力天花板”的視角，就完全不同。比如用 AI 自動化優(yōu)化核心系統(tǒng)，把 Java 改成 Rust 這種級別的收益可能非常大。

“AI 提效健康與否，看 token 消耗和數(shù)字員工的產(chǎn)出就可以衡量?！避涳L補充道。謝勁松同樣提到，token 消耗能反映 AI 的滲透度，但更關(guān)鍵的是要和交付周期、質(zhì)量穩(wěn)定性以及關(guān)鍵業(yè)務(wù)指標一起看。若 token 持續(xù)投入的同時，交付更快、質(zhì)量更穩(wěn)、業(yè)務(wù)指標或運營效率有可驗證改善，說明 AI 已經(jīng)進入核心業(yè)務(wù)流程，狀態(tài)會更健康。

軟風認為，現(xiàn)在模型能力已經(jīng)達到一定程度，針對它做的組織流程變化不會因為模型變強而需要大幅調(diào)整。模型變強只會讓流程更順暢、質(zhì)量更高，這就進入了良性循環(huán)：企業(yè)可以隨時享受模型升級的紅利，能力變強自身也變強，不需要額外做太多改變。

謝勁松則拋出另一個角度：實現(xiàn)良性循環(huán)的關(guān)鍵在于“協(xié)同進化”。新的協(xié)作模式會誕生，通過調(diào)度和控制一堆 AI Agent 協(xié)同工作生產(chǎn)效率得到提升，可以將精力投入到那些非機械化、高附加值的‘突破與創(chuàng)新’中，拉高‘方向和創(chuàng)新’上限，良性循環(huán)就轉(zhuǎn)起來了。

理想的 AI 提效下

人該何去何從？

理想的 AI 提效狀態(tài)應(yīng)該是什么樣子？

軟風給出的圖景是：不是人和 AI 各做同一件事的一部分，而是有些事情完全由人從頭到尾完成，有些事情完全由 AI 從頭到尾完成。每一件事都是一個完整的業(yè)務(wù)單元，而不是大事中的一個小環(huán)節(jié)。這樣人和 AI 的效率都能充分發(fā)揮，人在其長處發(fā)揮，AI 在技術(shù)方面發(fā)揮。

作為技術(shù)從業(yè)者，謝勁松也坦承，AI 帶來的焦慮真實存在?！癆I 在知識面和能力跨度上往往比單人更廣，對經(jīng)驗和技能的沖擊也很直接?！彼硎?，以前在高并發(fā)等復(fù)雜場景里積累的經(jīng)驗、在技術(shù)深度上建立的優(yōu)勢，在 AI 時代都會被顯著削弱。能力結(jié)構(gòu)被重新拉齊，工作方式和分工也需要重新適配。

那么，如果公司真正實現(xiàn)了理想的 AI 提效狀態(tài)，員工數(shù)量該減少還是增加？這個問題關(guān)乎每一個職場人的焦慮。

軟風給出的回答十分理性，“效率等于總產(chǎn)出除以人員數(shù)量。如果總產(chǎn)出不變，AI 提效的結(jié)果就是人變少，因為沒有提供更多服務(wù)、沒有服務(wù)更多人、沒有提供更多類型的服務(wù)。如果找到了新方向，業(yè)務(wù)擴大，員工數(shù)量就會增加。效率是一個除法得出的數(shù)?！?/p>

此外，他提出了一個超越“提效”本身的更深層視角：AI 來了之后，如何構(gòu)建新產(chǎn)品和新的業(yè)務(wù)增長通道？提效主要是讓原有業(yè)務(wù)成本更低、產(chǎn)出更大。但用戶行為在變化，比如以前搜索現(xiàn)在不用搜索了。大家都在用 AI，以后可能不需要打開 APP，如果現(xiàn)有能力沒有出口觸達用戶，該怎么辦？

對此他給出的判斷是，“如果 AI 成為未來的入口，企業(yè)就應(yīng)該把自己的業(yè)務(wù)能力優(yōu)化給 AI，讓 AI 直接使用你的業(yè)務(wù)，從而找到新出口。另外，企業(yè)內(nèi)部如何將分散在微信、飛書、釘釘?shù)炔煌ǖ赖?context 聚合起來，把企業(yè)內(nèi)通過不同渠道產(chǎn)生的上下文整合起來，在合理的權(quán)限下為 AI 提供一個支撐，會是一個新的解決方案方向?！?/p>

“提效之外，但更大的問題是 AI 來了之后帶來的新生態(tài)機會，以及如何填充這些機會?！避涳L說。

當“全員 AI”從口號走向?qū)嵺`，各行的分水嶺正在劈下：那些用 AI 重構(gòu)業(yè)務(wù)流的企業(yè)，開始收獲遠超“降本”的競爭紅利；而停留在“局部替代”和應(yīng)用迷惘的組織，則可能在新一輪效率競賽中逐漸失速。而跨越這道分水嶺的關(guān)鍵，不止需要企業(yè)長出那個懂業(yè)務(wù)、懂 AI、敢于動流程的“新角色”，還在于找到一條新的“機會通道”。

而在此之后，人才斷代或?qū)⒊蔀橛忠粋€該擔憂的境地。不可否認，AI 的存在讓很多專業(yè)消解了就業(yè)價值，也在悄無聲息地抑制新人入行的路徑。當最底層的原理不再需要個人思考，當每一步推導(dǎo)都可以被即時生成替代，一個可怕的循環(huán)便啟動了：沒有人再經(jīng)歷“緩慢而笨拙”的認知爬坡，也就更難以拿出更高級的創(chuàng)新。技術(shù)越先進，人的思維越貧瘠；效率越高，未來越荒蕪。這或許也是 AI 時代值得警惕的隱形斷崖。

聲明：本文為 InfoQ 原創(chuàng)，不代表平臺觀點，未經(jīng)許可禁止轉(zhuǎn)載。

會議推薦

世界模型的下一個突破在哪？Agent 從 Demo 到工程化還差什么？安全與可信這道坎怎么過？研發(fā)體系不重構(gòu)，還能撐多久？

AICon 上海站 2026，4 大核心專題等你來：世界模型與多模態(tài)智能突破、Agent 架構(gòu)與工程化實踐、Agent 安全與可信治理、企業(yè)級研發(fā)體系重構(gòu)。14 個專題全面開放征稿。

誠摯邀請你登臺分享實戰(zhàn)經(jīng)驗。AICon 2026，期待與你同行。

今日薦文

你也「在看」嗎？