作者：桃晏昭

編輯：陳紀英

「都說AI讓我們效率更高了，為什麼我們反而更累了?」

「我每天教AI怎麼工作，是在親手訓練自己的替代者嗎？」

外灘大會這兩個扎心的AI追問，戳中了不少大廠牛馬。

以前卷加班卷KPI，現在要卷Token的投產比；有人每月消耗公司數千元的 Token 額度，一天燒掉上百萬的Token消耗量，也有人自費充值，用AI為工作提效；用AI少了被敲打，用AI多了要考覈產出；有人蒸餾出「AI 老闆」，提前替真老闆給自己挑刺，罵完拿到了部門最高績效。

大廠牛馬熱情擁抱 AI，既怕AI不好用，又怕AI太好用，頂替了自己。

這場沒有終點的提效競賽裏，幾乎沒有人敢停下來，唯有爭當AI卷王。

一、用得少怕被敲打，用得多被考產出

在字節做產品經理的曉琪，每天到工位的第一件事，就是喚醒幾個「AI下屬」。

豆包、ChatGPT、Claude Code，還有公司內部自研的Aime，多個AI一字排開時，一天的工作彷彿都更有底氣。

AI剛普及時，曉琪感恩於生產力的解放：先打開有內網權限的辦公助手Aime，讓它分析這周剛開的實驗效果並生成分析文檔；再把一段SQL代碼扔給豆包，讓它參考原格式，改出替換字段的版本；最後把近期的工作溝通困境拋給ChatGPT，請它看看有沒有破局方案。

給AI派完活兒，曉琪去茶水間接一杯咖啡，再回工位時，幾份有模有樣的結果已經躺在螢幕上了。

AI是助力，也成了新的壓力。

老闆開始在群裏反覆強調，「大家一定要把AI用起來」；公司和部門一場接一場地組織AI最佳實踐分享，同事輪流展示自己如何搭工作流、搓網站，強調相比以前又省下了多少人力。

沒人公開說「不用AI就會被淘汰」，但所有人都聽懂了。

不少牛馬已經開始付費上班：主動充好各大AI的會員、自費購買API，花自己的錢，幫公司提升效率。

不止產品崗、技術崗。在多家大廠，新聞通稿的撰寫基本上也由AI代勞了。「我們部門訓練好了Skill，告訴AI通稿的角度，喂上信息，基本上就能成文了，最後人才把關審核下，基本完活兒。」

如果公司本身就有AI產品，還能享受近水樓台的便利。一位阿里人士透露，阿里旗下AI辦公產品千問辦公和釘釘打通，能追蹤她的工作日誌，直接生成周報。「不止是我，我們部門都在用，Leader也在用AI讀取我們的周報內容。」

AI從單點執行，到幫人系統地完成任務，這種趨勢是全球性的。麥肯錫8月底的全球調查表明，年營收10億美元以上的大企業中，40%的受訪者已在至少一個業務職能中完成AI Agent規模化部署，比去年高出13個百分點。

AI不再只是員工自發找到的外掛，而是正在成為工作的基礎設施。各大廠也在AI軍備競賽上，給足了打工人資源。據《經濟觀察報》報道，騰訊混元大模型團隊員工月Token額度約7000元，阿里的產品、研發額度則約8000元；字節員工可以不限量調用內部AI產品，此外每年還可報銷50%的外部AI支出費用，產研崗位年度報銷額度上限為1000美元，其餘崗位則是300美元；螞蟻集團非技術崗位的一線員工，每月上限是二三百美元。

Token消耗量甚至一度進入了大廠部分團隊的考評體系。據36氪報道，今年4月，阿里一名算法工程師因單月Token消耗量位居部門第一，而受到公開表揚，部門管理者曾表示，相關排名會作為績效與晉升的參考之一。

曉琪所在的團隊雖然沒有公開排名，但她能感受到類似的壓力：用得少，會收到來自老闆的敲打，「為什麼用得這麼少？」；用得太多，又要被質疑，「花了這麼多成本，對應產出如何？」

曉琪曾統計過自己的Token消耗量，大概一天50萬到100萬之間。她並不清楚這些Token在公司的實際結算裏到底值多少錢，也不清楚自己在組織內的相對排名，但她知道，自己得拼命想着如何多用AI。

這種變化，曉琪在部門周報裏感受得最直接。Q3周報上，用「Agent」作為關鍵詞搜索，有超過20條結果。所有運行中的項目，都在強調如何用Agent解決問題；產品、運營、研發，人人都在搭自己的AI工作流。

原本需要3個人標註兩天的上千條數據，現在用評測Agent，10分鐘就能跑完一輪；0代碼基礎的文科生學會了Vibe coding，原本需要研發排期一周的工作，現在產品經理自己上手，3個小時就能用自然語言搓出樣式精美的Demo。

曉琪跟同事調侃：「如果到了8月，你還不會用Agent，跟猿人有什麼區別？」

當AI開始替人完成任務，企業自然會重新計算：這件事，還需要幾個人來幹？

二、80%的崗位要求AI能力，100%的牛馬怕被AI替代

AI帶來的壓力，也在向招聘市場蔓延。

啱啱過去的外灘大會人才招聘會上，集中釋放了1500多個崗位，七成以上與AI相關。

美團2027屆校招的崗位中，超過80%明確要求AI相關能力；螞蟻集團秋招的技術崗位中，八成以上與人工智能相關；攜程的研發類筆試，也新增了AI Coding模塊。

會用AI，正在從加分項變成必選項。同道獵聘集團副總裁把冉觀察到：「AI時代的人才需求正從單一技術導向轉向‘專業+AI’的複合能力模型。」

但AI並不是平均地威脅所有崗位。與其討論「哪個工種會先消失」，不如看看一個崗位裏，到底有多少工作適合交給AI——一項工作越容易說清楚、越方便在線上完成、結果越能被驗收，就越容易先被AI替代。

西二旗一家大廠的內容運營凌九，在擔任業務面試官時，會明確考察候選人的AI能力。她把候選人的AI能力簡單分為3層：只會寫Prompt、會使用Skill、熟練調度Agent完成任務。

凌九想得很明白：運營工作中，大量時間消耗在信息蒐集、基礎數據覆盤和腦爆第一版活動方案上。這些工作目標相對明確，容易被拆成標準步驟，最適合先交給AI。

工作3年的客戶端研發子航，則明顯感到飯碗被AI衝擊。他戲稱手動寫代碼的是「古法手搓手藝人」：以前接到需求，他得自己查文檔、寫代碼、Debug，現在把任務跟AI說清楚，第一版代碼很快就能生成。

更直接的信號是，組裏最近又走了2個新人，也沒有立刻補人。「以前適合給應屆生練手的活兒，現在AI能幹得又快又好。」

代碼成為最早在AI面前「淪陷」的領域之一，正是因為它足夠「機器友好」：任務容易拆解，過程完全線上化，結果還能通過測試快速驗收。

同在字節工作的數據分析師珂珂，也經歷過這種焦慮。以前業務方想看一個指標的波動原因，要在評審會上給數分提需求，然後等排期；排上期後，珂珂寫SQL、跑數、分析。現在業務自己問Aime，5分鐘就能拿到一份圖文並茂、數據翔實的完整報告。

「那還要我幹嘛？」

但在實踐中，他發現自己依然有價值。由於數據基建不夠完善，同一個字段命名，可能意味着不同的業務含義。口徑是否對齊、底表是否可信，這些需要跟多個團隊反覆拉扯許久才能對清楚的東西，成了珂珂此刻的不可替代性。

這也是數據分析師工作的邊界：只會寫SQL容易被替代，但關聯哪張表、統計時要不要去緩存、為什麼選A指標而不是B指標，以及數據究竟說明了什麼，仍需要人來判斷。

「AI會寫SQL又能怎樣呢，畢竟它無法像人一樣背鍋啊。」珂珂自嘲。

把工作任務按結構拆分給AI，效率提升肉眼可見。BCG今年對1.2萬名職場人的調查發現，在經常使用AI的一線員工中，42%的人每周至少能節省8小時工作時間。

但問題隨之而來：省下來的這8小時，到底去了哪裏？

三、AI提效後，牛馬們更捲了

在大廠，AI節省出來的時間並不意味着休息。這部分空隙不僅迅速會被新工作填滿，還進一步拉高了管理者對效率的期待。

「這個場景能不能用AI？」「為什麼有了AI還交付這麼慢？」「先不用加人，搭個Agent試試」，不一定所有領導都懂AI，但他們都一定有資格挑戰自己的下屬。

老闆的靈感，可能來自於前一天晚上睡前刷到的短視頻。但不影響到了第二天開會，團隊就多出一個AI方向。

更現實的是，個人效率提高了，不等於組織效率同步提高。

一份德勤8月對500多名美國企業和IT負責人的調查顯示，只有5%的公司認為，現有業務流程可以高度適配AI Agent；真正能實現跨部門、多Agent規模化協作的，僅有15%。

這個結果並不意外。AI提升的是單個任務的效率，企業追求的卻是組織流程效率的優化。

一名產品經理可以10分鐘生成實驗報告，但實驗是否上線，仍要經過多方指標確認和管理層審批；程序員可以迅速寫好代碼，但需求是否值得開發、能否真正帶來增長，依然沒有答案。

當執行不再是主要卡點時，拍板決策和協作效率就可能成為新的瓶頸。

與此同時，AI也改變了資源分配的邏輯。

沾上AI的項目，往往更容易獲得公司的資源傾斜，而不帶AI的項目，則更容易被判定為「缺少想象力」。於是，很多團隊開始拼命在原有工作場景中，試圖套上AI，升華項目的價值，於是，大廠的所有業務都開始「All in AI」。牛馬們的薪酬也和AI掛鉤，AI核心部門薪酬一再上漲，非AI部門卻只能接受普漲。比如，傳聞騰訊挖來姚順雨，耗資上億——雖然騰訊隨後闢謠，但姚的年薪大概率過千萬。

不過，一些公司很快發現，「多用AI」本身並不等於提效。

美團核心本地商業CEO王莆中透露，今年3月，美團的「養龍蝦運動」走過彎路。「10萬個人，8萬隻蝦，兩個星期10萬個skill」，大家用龍蝦聊天、發文件、做分析，代價是每天燒掉約上千萬人民幣，甚至AI帶來的謬誤還影響了真實經營。

當AI真正成為生產資料，Token消耗量就不再只是代表生產力水平的數字，而是一筆必須計算ROI的成本。

考覈的標尺也在不斷變化：最早問的是「為什麼不用」，後來變成「用了多少」，最終公司不得不開始審視，這些投入到底換來了多少產出，最終交付物究竟是皇帝的新衣、還是業務大突破？

為了應對AI內卷，牛馬們也開始玩起了邪修。

在又一次被老闆噴了20分鐘後，算法工程師小林決定用AI反擊。他把過往跟老闆的所有對話整理好，連同老闆的決策風格和意見偏好，統統餵給AI，做出老闆的Agent，徹底蒸餾了他。

在每次彙報之前，他會先跟老闆的Agent分身模擬一遍，AI負責預判老闆會問什麼、反對什麼，他再據此調整方案和話術。

「相當於老闆還沒罵我，我先讓AI替他罵一遍。」

效果也立竿見影——在年中的績效考覈中，小林得到了部門的最高績效。

而AI在績效季也顯示出了另一種用法。

在一些互聯網大廠的績效季，員工要邀請多個合作方參與360度環評。一個人往往會同時收到多位同事的評價邀請。

在前AI時代，大家要對着同事的自評開始找各種角度讚美，而現在，只需要把自評交給一套Skill，AI就能生成一份關於業務結果、軟性素質的綜合評價。不僅結構完整、措辭周全，還只需要2分鐘。

一名大廠員工坦言，雖然公司沒有明確鼓勵這麼做，但平時加班實在太忙。「AI寫的跟我想表達的也差不多，就直接用了，甚至比我手搓的還條理清晰。」

於是荒誕的一幕出現了：員工用AI寫自評，同事再用AI評價這份AI生成的自評，老闆最後閱讀一批由AI互相讚美的材料。

從寫代碼、揣摩老闆到寫360度評價，AI壓縮了那些「必須做、卻未必真正創造價值」的工作。可真正影響組織效益的決策、協作，並沒有完全被AI替代。

四、人的剩餘價值是什麼？

在AI的加持下，執行變得越來越便宜。但真實的大廠工作，很少只是把任務做完。

曉琪可以讓AI一次性生成5種策略，但在評審時，她仍要回答最樸素的拷問：「為什麼做這個，而不是另一個？怎麼決定的優先級？」

珂珂可以讓AI幾分鐘寫完SQL，但當兩張底表對同一個指標有不同統計口徑時，還是需要有他結合實際情況決定最終用哪套。

小林可以創造出「AI老闆」提前演練，卻不能讓這個分身替真正的老闆拍板方案。

越來越多的「怎麼做」被AI接管，而人的價值在於回答：定義為什麼做、取捨做什麼、協調資源，以及出了問題誰負責。

AI可以模仿老闆說話，卻不能決定哪個方向值得投入；可以寫出滴水不漏的溝通話術，卻不能讓目標衝突的部門真正出錢、出人、出資源；可以完成任務，卻不用為錯誤的決策擔責，不用擔心背一個差績效，甚至團隊解散。

AI加速了大廠齒輪轉動的效率，曉琪每天依然會打開幾個AI工具讓它們互相校驗，珂珂繼續在不同部門之間覈對數據，小林向老闆彙報前，也仍會先找AI老闆演練一遍。

在利用AI提效和被AI替代的恐慌之間，牛馬們還要繼續卷下去。