作者 | 华卫
“今年，AI 提效比去年更‘卷’了。”这恐怕是现在无数个身在职场的人共同的感受。
如今，算力补贴变成了科技大厂标配的新型福利。不少头部企业都在密集推出面向全员的 AI 资源支持计划，阿里巴巴为全体员工发放专属 token 额度，腾讯被曝为员工配置年度价值约 22 万元的 AI token 套餐，覆盖多款主流开发与协作模型。4 月初，字节跳动在发布的内部信中宣布，工作场景 AI 工具不限额度，员工业余时间 AI 产品体验费用公司报销 50%。
好消息是，不用再当“氪金”上班的打工人了。但坏消息是，这份福利似乎很快要变成评估员工价值的隐形 KPI。有消息称，国内某大厂当前正依据 token 使用量标准来作为转正、晋升以及裁人的依据之一。
海外的科技巨头亦早在大力在推进类似的管理制度：微软要求各级主管评估员工绩效时，必须考量 AI 工具使用情况；Meta、OpenAI 等公司内部出现员工 token 使用排行榜，实时滚动着每位员工的 AI 使用量；Shopify 的 CEO Tobi Lutke 去年给全公司发了封备忘录，不仅将 AI 的使用情况纳入绩效考核，团队申请加人之前，也必须先证明 AI 做不了这个工作。
也就是说，现在用 AI 用得不好要影响奖金，用 AI 用得不够面临被优化风险，就连部门的招聘名额都“反向掌握”在 AI 手里。
与此同时，AI 颠覆职场的方式正在加码。只是引入 AI 工具的使用都算简单且传统了，“万物皆可蒸馏”正成为当前的 AI 时代潮流。继 “同事.skill” 走红后不久，“女娲.skill”都紧接着登场了。该项目由 B 站 UP 主花叔开源，能将历史人物或公众人物的思维方式、决策逻辑和表达风格蒸馏成可复用的 AI 技能模块，目前已支持乔布斯、马斯克等 17 位知名人物的技能模块，无需编程即可在 AI 助手中调用。
更现实的冲击是，这种 “Skill 化”的用人模式，已不止停留在 GitHub 开源项目层面，有公司正在进行落地的大胆尝试。
近日，国内一家游戏传媒公司将离职员工训练成 AI 数字人继续留在公司“工作”。离职同事原为人事专员，其数字分身目前可承担咨询、邀约、制作 PPT 和表格等简单工作。“昨天还一起摸鱼打趣的同事，今天就变成了 AI 人。”该公司员工小鱼介绍，当事同事确已离职，但本次尝试经过其本人同意。
“你的同事不是被裁，是变成了 token 继续陪在你的身边。”看热闹之余，焦虑也在职场人中快速蔓延，甚至衍生出一场隐秘的办公室对抗。有消息称，有公司开始要求员工提交自己总结的工作 Skill，还有开发者为此做出了“反蒸馏.skill”工具，能把 Skill 文件中的核心知识替换为“正确但毫无信息量”的话术。
不仅如此，人开始被“标上 token 价格”。token 耗的资金，正被频繁拿来与员工的薪资做对比。几天前， Claude Code 产品负责人 Cat Wu 称其“不少功能的开发进度从 6 个月缩短到了 1 个月，有时甚至只需一天”，而背后的 token 消耗虽然在飙升，但成本仍远低于工程师的平均薪资。
而在这场 token 消耗大赛和数字员工的概念喧嚣背后，发力的是在公司管理层诞生的“AI 神话”。
全球的科技巨头们，2026 开年以来，全在不约而同地干同一件事：砍人力、全面转型 AI，把真金白银砸向核心业务。这一战略在中小公司身上，似乎表现得更为激进。据业内人士透露，今年年初，有技术出身又熟悉公司业务的老板亲自用 Openclaw 搭建了各种数字员工，把公司人员缩减到原来的 20%，甚至觉得还能再减。
21 世纪的下岗潮，推进者好似变成了 AI。不少打工人在社交平台哭诉，AI 使用效率低下成了裁人理由。一位开发者叙述道其公司新宣布的机制，“无论以往工作能力和贡献，只评估 AI 使用能力以成立 AI 精英小组，其他人全部淘汰。”
“去年很多企业还是围绕原有业务流中的环节思考提效，比如写作、数据整理。但今年，随着 AI 能力变强，很多过去解决不了的问题现在能解决了，于是大家开始基于 AI 的能力特征重构业务流。这种提效更本质，好比过去为马车修路，现在汽车来了，大家开始为汽车修路，汽车就能跑得很快。”前科技大厂 CTO、AI 技术专家软风（化名）表示。
他透露道，此前其公司内部也在做数字员工，有些业务流服务头部客户还需要人，但服务长尾客户就可以靠 AI 完成。并且，AI 在研发场景的提效效果同样显著，以产研的交付周期来看，值得买现在一个正常项目的交付周期能比以前缩短一半。他们最初为员工配置 40 美元的 token 包，很快不够用，现在申请没有上限。
“AI 编程的效率提升非常明显。我们有的员工一个月 token 消耗约 1000 美元，一个人能干两个人的活。”
飞猪高级技术专家谢劲松表示，“在 AI 使用力度上，去年和今年的差异非常大。过去大家对 AI 幻觉顾虑比较重，考虑到交付的稳定性，在如何用模型这件事上比较保守。今年，在平衡探索很多业务场景可能带来的损失和智能带来的收益之间，我们的决策逻辑在逐渐转变，让模型在复杂场景上帮我们解决问题的意愿和信心更强了。”
据其介绍，除集团内提供的大量免费资源之外，飞猪最近又加码了新的政策，报销所有同学因为工作场景产生的 AI 相关服务采购费用，额度最高 1000 元/月，不够可以继续申请增加。最直观的效率提升是，从 idea 到落地的周期短了很多。以前的工作方式是流程化的，一环扣一环；引入 AI 之后，很多事情可以跨工种、跨角色并行推进，协同和沟通的损耗明显下降。另一个变化是，大家能更快看到最终效果，对要不要做、怎么做可以更早形成判断。
“飞猪全方位推进 AI 在业务上的落地，除了对交易、资金与强合规相关链路仍然非常审慎，运营、市场、数据分析等领域正活跃用 Agent 做提效的探索。”同时，谢劲松解释道，AI 带来的效率提升是灵活、非固化的，今天在一个场景中 work 的方案，换到另一个场景可能完全失效，真正有价值的改变是对工作过程的潜移默化。“从我个人角度看，以前一天只能做开会或者单线程做事，最多边开会边做点其他工作。现在四五个 Agent 开着，可以边写方案、边开会、边做决策、边写代码。”
由此，我们看到一个清晰的信号：传统的 AI 内容生成工具虽仍在沿用，但已不再是企业提效的核心增量。现在，在企业内部推行的 AI 工具中，AI 编程和 Agent 成为两大主力，前者对产业效率提升极高，后者对业务流效率提升不小。
老板们看到的是 AI 带来的机会，因此疯狂拥抱 AI、加速其布局与落地。社区里，却正在涌入越来越多来自一线职场人的“不和谐”声浪。
“被 AI 搞的简直乱上加乱。”在这场 AI 提效竞赛中，有人称被迫替 AI 收拾起“烂摊子”，花大量时间给 AI 纠错；还有人反馈因被拔高的提效标准加了更多的班，控诉“有了 AI，我反而更忙了”。
软风对此坦言，早期 AI 经常写出问题代码、画出不想要的图，随着模型能力提升，需要大力纠错的场景正变得越来越少。谢劲松则表示，AI 确实对私有数据或私有业务流不熟悉，无法作出与人相同的判断，有时需要纠错，但依然瑕不掩瑜。“如果能让错误沉淀成 skill 或知识库，让 AI 下次能检索到相关信息去解决，这也不是什么大问题。”
值得注意的是，的确并非所有岗位都能快速受益于 AI。“运营、审核等业务岗在初期应用 AI 时效率提升很快，立竿见影，但想更进一步就比较难了。”软风强调，“核心原因在于，以往的流程是为人的特点设计的，对 AI 并不友好。如果不能对业务流重新调整，AI 的天花板就不会很高。”
谢劲松还提到，飞猪是做服务履约的平台，对客服系统里引入 AI 会做得更审慎。客服对确定性、合规性和一致性的要求非常高，幻觉风险的管理季度重要，要把 AI 真正放进生产链路，需要更强的机制设计，如知识约束、流程编排、质检与人工兜底等。“目前我们更倾向于把 AI 定位为辅助一线同学提效的智能助手：让它先承担信息检索、草拟回复、归类总结等可控环节，由人来做关键判断和最终确认。”
同时他指出，在系统重构、架构设计这类复杂研发任务中，难点往往不在“写代码”，而在于把问题定义清楚、把约束讲清楚、把取舍做清楚。AI 可以加速产出与验证，但目标、边界、迁移路径、稳定性与最终验收上，仍需要人来对结果负责。不过，他认为，这不完全是模型能力的问题。在真实的生产场景里，上下文与知识的可治理性是关键。业务逻辑、代码与流程往往高度差异化，信息不对称会让 AI 很难做到像真人一样“懂”，企业也会通过代码助手、知识库与规范接口等方式逐步扩大可被安全使用的边界。
此外，软风表示，对于 AI，企业内长期存在两个极端声音：一是把 AI 当“许愿池”，认为它什么都能干；二是苛刻地苛责 AI，觉得它什么都干不了。现在后者随着 AI 技术成熟变少了，前者反而显现得更多了。谢劲松也指出类似的问题，“大家对 AI 的预期存在很大的认知差异，问题在于没有认真分析 AI 的能力项、当前发展阶段以及自己企业内部的问题，把 AI 当成了救命稻草，企业本身要解决的问题变成了向 AI 许愿。”
价值判断错位是他们共同提到的另一项企业在 AI 转型中存在的典型误区。“用规模当参照，比如觉得场景标准化程度高，就想让 AI 来承接，没有充分评估幻觉风险带来的影响。”而且，AI 工具链本身迭代很快，知识库、RAG、Workflow、Agent、Multi-Agent ，每种方案的适用边界不同，企业在选型上面临的决策复杂度远超预期。“反倒是一线同学，场景边界清晰、反馈即时，能把工具灵活穿插进日常工作，自身提效很明显。”谢劲松说道。
“实际上，AI 有自己的长板和短板，它运作效率高、能执行 SOP、没有利益冲突。但如果组织形态和业务流程没有针对 AI 做特定优化，就好比让猫在水里和鱼比游泳，自然是比不过的。”软风强调。
“技术认知对提效效果的决定性作用变得更加明显，AI 驱动本质上还是一把手工程。”软风指出，以往企业的业务流程是基于人的特点设计的，比如工作效率、精力切换特征、利益冲突行为等，但 AI 不存在这些问题。“如果老板本人对业务流很熟，他就不只是在某个环节用 AI 提效，而是把整个流程基于 AI 的特点重新设计。这样，大量人力被节省，整个业务流几乎靠 AI 就能运转。”
他曾做过的实践是：将所有业务划分，那些涉及信任、情感连接的必须由人做；相对标准化的则完全交给 AI。两类工作分割开后，重新为标准化工作设计业务流。
“token 可以花钱解决，模型会自己进化。但组织整体的进化和对 AI 的调整至关重要，如果不做，天花板就很低。这件事不是喊口号能实现的，必须靠了解业务流和 AI 的人做整体设计，并下定决心改革。”软风说道，“token 怎么算都比人便宜。”
当被问及当前 AI 提效再上一个台阶的最大瓶颈时，谢劲松的回答毫不含糊：算力。“token 成本会变成非常现实的硬约束，甚至会牵动采购与架构选型。”在他看来，提效再上一个台阶，意味着要从“半自动化（人机交互）”跨越到“全自动化（Agent 独立运行）”。而规模化的全自动化，本身就意味着如流水一般的 token 消耗。企业如果只从节省成本出发，天花板很低。但如果把它放在“突破企业能力天花板”的视角，就完全不同。比如用 AI 自动化优化核心系统，把 Java 改成 Rust 这种级别的收益可能非常大。
“AI 提效健康与否，看 token 消耗和数字员工的产出就可以衡量。”软风补充道。谢劲松同样提到，token 消耗能反映 AI 的渗透度，但更关键的是要和交付周期、质量稳定性以及关键业务指标一起看。若 token 持续投入的同时，交付更快、质量更稳、业务指标或运营效率有可验证改善，说明 AI 已经进入核心业务流程，状态会更健康。
软风认为，现在模型能力已经达到一定程度，针对它做的组织流程变化不会因为模型变强而需要大幅调整。模型变强只会让流程更顺畅、质量更高，这就进入了良性循环：企业可以随时享受模型升级的红利，能力变强自身也变强，不需要额外做太多改变。
谢劲松则抛出另一个角度：实现良性循环的关键在于“协同进化”。新的协作模式会诞生，通过调度和控制一堆 AI Agent 协同工作生产效率得到提升，可以将精力投入到那些非机械化、高附加值的‘突破与创新’中，拉高‘方向和创新’上限，良性循环就转起来了。
理想的 AI 提效状态应该是什么样子？
软风给出的图景是：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从头到尾完成，有些事情完全由 AI 从头到尾完成。每一件事都是一个完整的业务单元，而不是大事中的一个小环节。这样人和 AI 的效率都能充分发挥，人在其长处发挥，AI 在技术方面发挥。
作为技术从业者，谢劲松也坦承，AI 带来的焦虑真实存在。“AI 在知识面和能力跨度上往往比单人更广，对经验和技能的冲击也很直接。”他表示，以前在高并发等复杂场景里积累的经验、在技术深度上建立的优势，在 AI 时代都会被显著削弱。能力结构被重新拉齐，工作方式和分工也需要重新适配。
那么，如果公司真正实现了理想的 AI 提效状态，员工数量该减少还是增加？这个问题关乎每一个职场人的焦虑。
软风给出的回答十分理性，“效率等于总产出除以人员数量。如果总产出不变，AI 提效的结果就是人变少，因为没有提供更多服务、没有服务更多人、没有提供更多类型的服务。如果找到了新方向，业务扩大，员工数量就会增加。效率是一个除法得出的数。”
此外，他提出了一个超越“提效”本身的更深层视角：AI 来了之后，如何构建新产品和新的业务增长通道？提效主要是让原有业务成本更低、产出更大。但用户行为在变化，比如以前搜索现在不用搜索了。大家都在用 AI，以后可能不需要打开 APP，如果现有能力没有出口触达用户，该怎么办？
对此他给出的判断是，“如果 AI 成为未来的入口，企业就应该把自己的业务能力优化给 AI，让 AI 直接使用你的业务，从而找到新出口。另外，企业内部如何将分散在微信、飞书、钉钉等不同通道的 context 聚合起来，把企业内通过不同渠道产生的上下文整合起来，在合理的权限下为 AI 提供一个支撑，会是一个新的解决方案方向。”
“提效之外，但更大的问题是 AI 来了之后带来的新生态机会，以及如何填充这些机会。”软风说。
当“全员 AI”从口号走向实践，各行的分水岭正在劈下：那些用 AI 重构业务流的企业，开始收获远超“降本”的竞争红利；而停留在“局部替代”和应用迷惘的组织，则可能在新一轮效率竞赛中逐渐失速。而跨越这道分水岭的关键，不止需要企业长出那个懂业务、懂 AI、敢于动流程的“新角色”，还在于找到一条新的“机会通道”。
而在此之后，人才断代或将成为又一个该担忧的境地。不可否认，AI 的存在让很多专业消解了就业价值，也在悄无声息地抑制新人入行的路径。当最底层的原理不再需要个人思考，当每一步推导都可以被即时生成替代，一个可怕的循环便启动了：没有人再经历“缓慢而笨拙”的认知爬坡，也就更难以拿出更高级的创新。技术越先进，人的思维越贫瘠；效率越高，未来越荒芜。这或许也是 AI 时代值得警惕的隐形断崖。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。