情況變了,大廠"牛馬",被迫用AI......

2026-04-03 | 來源: 定焦One | 轉到微信 | 有0人參與評論 | 字體: 放大縮小 | 收藏 | 打印

從自願提效到績效考核。

這股“AI提效”的風，還是刮到了大廠打工人身上。

最開始，AI還只是少數技術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。

但現在，情況變了。國內外的互聯網大廠已經從“鼓勵使用AI”進入了“隱性強制使用AI”的階段。有人被統計每天消耗了多少Token，有人所在團隊把AI使用情況和績效掛上了鉤，有人被要求優先使用公司自研工具，有人則要把自己的工作經驗拆成流程、寫成Skills，交給AI反復調用。

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、不同崗位的從業者聊了聊。他們的背景涵蓋了海外上市公司的CIO、國內頭部大廠的高級研發、負責寫代碼的初級程序員，以及做運營和市場商務的非技術崗。

有人靠著AI實現效率翻倍，將產品需求文檔的輸出周期從幾周壓縮到一天，甚至一個人幹出了過去一個團隊的成果；也有人為了應對“智能化產出”的要求，把一份簡單的數據看板手動調試了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生了微妙的變化。當那些原本屬於個人經驗、工作習慣的東西，被一點點拆解、整理、上傳、復用，踏實寫代碼的人成了“不活躍分子”，頻繁調試提示詞的人則成了“積極擁抱新技術”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實驗裡，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：時代的齒輪已經轉動，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”，

我把數據看板改了80遍

好好 | 國內某頭部互聯網大廠運營

三周前，領導在群裡發通知，說以後“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，以後所有工作產出，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，我們被統一要求使用公司自研的AI工具，理由是“數據安全”，但問題很快出現。

首先是額度限制。公司給每人發放的調用次數有限，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”。

其次是能力不穩定。寫文案還行，一旦涉及數據分析和復雜邏輯，就開始出錯。

上周，我用它做數據看板，直接把我整崩潰了。

這個任務很簡單，是一個分析客戶和銷售數據的工具。過去是技術部門的活兒，現在需要“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據看板應該也不難。

第1次，AI直接給了我一個數據上傳模板，裡面多了七八個根本用不到的字段，我只好手動刪改。

調教到第13次，維度和數據總算對齊了，但顯示地區漏了三個，它還解釋說是“自動篩選低價值區域”。

調整到第40次，數據格式開始混亂，小數點有的保留0位有的保留4位。

我強撐到第60次修改，結果上傳新數據後，圖表無法自動更新，新舊數字疊加在一起，數據膨脹了近一倍。

熬到第80次修改，終於走到了PDF導出成功的最後一步，想著終於能松一口氣了，但打開後心又死了，費了一下午的功夫收獲了一堆亂碼。

我仔細算了筆賬，無論是做數據看板，還是完成日常的工作報告，我反復對AI進行調試、等待“抽卡”的時間，足夠人工做完兩遍。但領導想看到“AI產出”，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性工作，但調試、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，

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

其實我之前用AI寫代碼用得挺勤的。我訂閱了ChatGPT Plus，後來又試過Claude，遇到一些繁瑣的基礎測試用例，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原生開發工具”，並且定了指標：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裡順手把工具用起來，但沒過多久，內部就上線了一個追蹤員工AI使用頻率的系統。誰在用、誰沒怎麼用，後台都能看出來。

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；但一旦牽涉到調用鏈、狀態處理或者部署約束，它生成的代碼就經常只是個半成品。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。事故之後，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。那些踏踏實實鑽研底層邏輯、手動優化核心代碼的人，在追蹤系統上不夠活躍；反而是那些頻繁調試提示詞的人，成了“積極擁抱新技術”的典型。

我原本以為，工程師的價值是處理那些真正復雜的問題。可現在很多時候，我負責寫提示詞、盯生成結果、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、排查復雜問題的能力，會一點點退化。

全員寫Skills，

等於自己“幹掉”自己

Kelly ｜北京某互聯網大廠後端研發（職級序列8）

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

今年春節前後，公司整體的AI應用氛圍突然變得非常激進。現在，全部員工都能在系統裡看到自己每天消耗了多少Token，我的直屬領導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准。

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驗、工作流程、技術細節以及常見問題進行全面盤點，然後文檔化、Skills化。

Leader主要看兩個指標：用公司內部“龍蝦”工具每天的Token消耗量，以及Skills的產出量，對於後者，部門甚至有非常明確的考核指標，每周強制要求產出。

不僅如此，目前部門裡50%的開發需求，被強制要求由Agent生成，這意味著，產品、開發、測試環節被直接跳過，要求用“龍蝦”實現端到端的產出。

這個50%的比例還會在年內逐步提升，目標是到2026年底爭取實現全自動化。

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

全面AI化以後，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。

大廠到中學搶人自培,中國大學招生更難了

首次曝光:"福特"航母火災,艦載機起降被迫中斷

汽車大廠斯特蘭蒂斯加拿大組裝中國電動車遭拒絕

比如在我們部門的群裡，晚上11點以後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，一方面來自於部門對Skills產出考核的焦慮，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，效率不一定比有經驗的後端研發高。因為Skill寫的簡單流程不穩定，要花大量精力去調試、修改，並且Token的消耗量也很大，但當Skills越改越好用之後，AI就會逐步超過人類，並且以非常低的成本運行。

作為打工人，大家心裡也都清楚，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驗都SOP化、Skills化，其實離被AI取代的那天也就不遠了。

AI對於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麼多人了。目前公司的內部活水通道已經停了，未來會發生什麼，硅谷的科技大廠已經給了答案。

“被迫用AI”，

但我靠它卷贏了組裡的人

陳宇 | 國內某手機廠商通信協議工程師

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。組裡已經有人因為不願意花時間學AI，加上工作狀態一般，被優化了。

我對“用AI”的理解和很多人不一樣。濫用AI，浪費那麼多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，專門研究怎麼讓AI更好地適配我的工作、幫我高效幹活。

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

現在，AI能幫我先快速定位並剔除無關幹擾，讓我專注在真正需要優化的地方。去年一年，我的整體產出提升很明顯，績效在組裡排得比較靠前。

不過說實話，AI遠沒到能替代人的程度。它的日志分析准確率只有60%左右，必須人工復核。為了提升AI的能力，我們得不斷寫規則、優化邏輯。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，讓它服務於人。

這兩年，我能明顯感覺到公司招的人在變少，我覺得這背後肯定有AI的影響。身邊有朋友准備換工作時，我都會勸他一定要惡補AI相關能力。同樣的技術水平，會不會用AI，在面試和薪資上能拉開明顯的差距。現在平台逼著你學，也是幫你提前儲備了職業競爭力。

我始終認為，AI並不是用來代替人的，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，我可能是公司裡最早一批“AI原住民”。

在公司正式確立AI戰略之前，我已經開始高頻使用AI工具。公司因為與微軟有長期合作，很早就接入了Copilot，後來，又將Copilot與Claude整合進內部工作體系。毫不誇張地說，我現在幾乎所有的核心工作都已由AI完成，效率翻倍。

但公司在內部推進AI工具的初期，並不順利。

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使用權限和額度。但效果並不明顯，甚至在軟件開發和UX部門遇到了阻力。

這些團隊並不是排斥AI工具，也願意用AI做輔助性工作，例如寫代碼片段、生成設計草圖。但他們普遍不願意更進一步，比如，讓AI介入核心的SDLC（軟件開發生命周期）流程。這種心態可以理解，人們願意讓AI幫忙，但不願被AI主導。

但是，在公司的戰略框架裡，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戰略：要求各部門在四月底前提交AI路線圖，並設定了嚴苛的考核機制——每位經理需提交三個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）。

調整後，效果立竿見影。

軟件開發的變化最明顯。過去，一份產品需求文檔（PRD）的形成，需要產品經理與開發團隊多輪溝通，周期長達數周甚至一兩個月。現在，一位項目經理可以在一天內輸出，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理開會，討論AI可以在哪些環節介入；同時我自己也搭建了一個多智能體的Claude環境，先花大量精力與AI進行頭腦風暴，將方案拆解度，最後再交給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、商業邏輯不夠清晰，AI的執行就會徹底跑偏。這也倒逼我們更多思考商業邏輯的本質。

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，我們已經停止了招收數據分析、程序開發和財務分析方向的新人招聘。這可能也是所有公司遲早要經歷的事。

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。現在真正感到壓力的，是那些工作內容高度標准化、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劃能力的人，反而更吃香了。

用AI後，

我的工作反而更忙了

雲天｜國內某頭部大廠高級研發

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“讓它幹活”，還要先把系統搭起來。就像蓋摩天大樓必須先搭架子一樣，我們要先構建一套系統，去規范AI的使用邊界、降低它的出錯率；甚至在AI出問題後及時“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，相當於一份工作幹兩份活，適應這套新要求，也花了我不少時間。

對於現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務負責人來看，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，我認為設立“保底門檻”是合理的。如果一個員工在現在的環境下，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。

至於AI引入後會不會導致大面積縮招或裁員，我認為整體就業市場本身就遵循工業革命規律。

大廠的招聘邏輯，從來不是單純看需要多少人幹活，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。而對於中小企業來說，AI降低了創業和研發成本，以前100人做的事現在10人就能完成。

我認識一位非技術背景的創業者，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，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，短期內必然會經歷崗位調整的陣痛，但長期來看，整個市場的蛋糕會被做大，會湧現出更多新團隊、新機會。

那些標准化、重復性強的崗位，被沖擊是必然的；但那些需要深度思考、創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。