大厂 「牛马」，被迫用 AI

（本文作者为 定焦 One，钛媒体经授权发布）

这股“AI 提效” 的风，还是刮到了大厂打工人身上。

最开始，AI 还只是少数技术极客和尝鲜者的玩具。有人自掏腰包买会员，有人私下交流提示词，把它当成提高效率的新工具，确实从中尝到了甜头。

但现在，情况变了。国内外的互联网大厂已经从“ 鼓励使用 AI” 进入了“ 隐性强制使用 AI” 的阶段。有人被统计每天消耗了多少 Token，有人所在团队把 AI 使用情况和绩效挂上了钩，有人被要求优先使用公司自研工具，有人则要把自己的工作经验拆成流程、写成 Skills，交给 AI 反复调用。

当“ 用 AI”、“ 烧 Token” 逐渐变成一种考核、一套要求，甚至一种新的工作模板，那些被卷进这场智能化浪潮的大厂员工，真实处境到底如何？

这两天，我们和六位来自不同公司、不同岗位的从业者聊了聊。他们的背景涵盖了海外上市公司的 CIO、国内头部大厂的高级研发、负责写代码的初级程序员，以及做运营和市场商务的非技术岗。

有人靠着 AI 实现效率翻倍，将产品需求文档的输出周期从几周压缩到一天，甚至一个人干出了过去一个团队的成果；也有人为了应对“ 智能化产出” 的要求，把一份简单的数据看板手动调试了 80 遍，硬生生把 AI 用成了需要不断“ 擦屁股” 的初级实习生。

大厂的工作氛围也发生了微妙的变化。当那些原本属于个人经验、工作习惯的东西，被一点点拆解、整理、上传、复用，踏实写代码的人成了“ 不活跃分子”，频繁调试提示词的人则成了“ 积极拥抱新技术” 的典型。新的焦虑也随之冒了出来：我们究竟是在使用 AI，还是在给 AI 当燃料，一步步把自己变成可被替代的流程？

在这场自上而下的 AI 实验里，有人感到兴奋，有人感到疲惫，也有人一边配合，一边不安。但几乎所有人都意识到一点：时代的齿轮已经转动，无论是主动拥抱还是被动配合，那个纯粹依人力、拼时长的工作时代，正在“ 翻篇”。

为了交一份“AI 成果”，我把数据看板改了 80 遍

好好 | 国内某头部互联网大厂 运营

三周前，领导在群里发通知，说以后“ 鼓励大家用 AI 提效”，没有 KPI，不挂钩绩效，但在例会上，他对大家强调，以后所有工作产出，都可以让 AI 先生成一版。

那一刻我明白了，这其实是隐性要求。

二十多天前，我们被统一要求使用公司自研的 AI 工具，理由是“ 数据安全”，但问题很快出现。

首先是额度限制。公司给每人发放的调用次数有限，我一边琢磨着如何尽可能用 AI 完成工作，还得精打细算地“ 省着点用”。

其次是能力不稳定。写文案还行，一旦涉及数据分析和复杂逻辑，就开始出错。

上周，我用它做数据看板，直接把我整崩溃了。

这个任务很简单，是一个分析客户和销售数据的工具。过去是技术部门的活儿，现在需要“ 人人都会”。我之前用 Gemini 顺利写过一个小游戏，就天真地以为搭个数据看板应该也不难。

第 1 次，AI 直接给了我一个数据上传模板，里面多了七八个根本用不到的字段，我只好手动删改。

调教到第 13 次，维度和数据总算对齐了，但显示地区漏了三个，它还解释说是“ 自动筛选低价值区域”。

调整到第 40 次，数据格式开始混乱，小数点有的保留 0 位有的保留 4 位。

我强撑到第 60 次修改，结果上传新数据后，图表无法自动更新，新旧数字叠加在一起，数据膨胀了近一倍。

熬到第 80 次修改，终于走到了 PDF 导出成功的最后一步，想着终于能松一口气了，但打开后心又死了，费了一下午的功夫收获了一堆乱码。

我仔细算了笔账，无论是做数据看板，还是完成日常的工作报告，我反复对 AI 进行调试、等待“ 抽卡” 的时间，足够人工做完两遍。但领导想看到“AI 产出”，我就得陪这位“AI 初级员工” 不断试错。

对我来说，AI 既是工具也是负担，大概一半一半。它确实接管了一些重复性工作，但调试、校验、返工的时间又把省下来的精力填满了。我最清晰的感受是，很多工作我明明可以自己做完，却必须绕一圈，用 AI“ 做一遍”。

为了凑 AI 使用次数，我删掉代码让它重写了一遍

Kevin | 美国某电商公司 工程师

我这周的 Kiro（公司内部的 AI 编程助手） 使用次数还没达标。为了凑够，我把一段参数校验的代码删了，直接丢给 Kiro 让它改写一版。它生成出来看着像那么回事，但少处理了一个异常分支，最后还得我自己补回去。

其实我之前用 AI 写代码用得挺勤的。我订阅了 ChatGPT Plus，后来又试过 Claude，遇到一些繁琐的基础测试用例，或者需要快速查个不常用的 API，丢给 AI 处理确实能省不少事。那时候是真的觉得能提效，大家也会互相交流提示词。

但去年底开始，公司把 Kiro 定为公司“ 推荐的 AI 原生开发工具”，并且定了指标：年底前，80% 的工程师每周使用 Kiro。

最开始说是为了让大家在项目里顺手把工具用起来，但没过多久，内部就上线了一个追踪员工 AI 使用频率的系统。谁在用、谁没怎么用，后台都能看出来。

最让我们头疼的是，Kiro 不太好用。写样板代码、测试、接口适配还行；但一旦牵涉到调用链、状态处理或者部署约束，它生成的代码就经常只是个半成品。所以，大量工程师要求改用 Claude Code，认为 Kiro 不适合高复杂度的工程判断。

大家对 AI 生成的代码不放心是有原因的，去年底，公司有个团队就因为跑 Kiro 出了个不小的事故。事故之后，AI 参与的代码变更审批明显收紧了。

但我还是会觉得有点恍惚。那些踏踏实实钻研底层逻辑、手动优化核心代码的人，在追踪系统上不够活跃；反而是那些频繁调试提示词的人，成了“ 积极拥抱新技术” 的典型。

我原本以为，工程师的价值是处理那些真正复杂的问题。可现在很多时候，我负责写提示词、盯生成结果、补它留下来的坑。我最担心的不是工作方式变了，而是长期这样下去，自己从零实现、排查复杂问题的能力，会一点点退化。

全员写 Skills，等于自己“ 干掉” 自己

Kelly ｜北京某互联网大厂 后端研发 （职级序列 8）

作为一名后端程序员，我从去年开始就已经在工作中高频使用 AI 了，用的比较多的是内部的无代码编程工具。

今年春节前后，公司整体的 AI 应用氛围突然变得非常激进。现在，全部员工都能在系统里看到自己每天消耗了多少 Token，我的直属领导对我说的最多的一句话就是“ 这个事儿可以用 AI 试一试。”

目前公司没有明确的 Token 消耗考核，但是每个部门有各自的考核标准。

具体到我所在的部门，近期鼓励全员写 Skills，要求大家对日常的工作经验、工作流程、技术细节以及常见问题进行全面盘点，然后文档化、Skills 化。

Leader 主要看两个指标：用公司内部“ 龙虾” 工具每天的 Token 消耗量，以及 Skills 的产出量，对于后者，部门甚至有非常明确的考核指标，每周强制要求产出。

不仅如此，目前部门里 50% 的开发需求，被强制要求由 Agent 生成，这意味着，产品、开发、测试环节被直接跳过，要求用“ 龙虾” 实现端到端的产出。

这个 50% 的比例还会在年内逐步提升，目标是到 2026 年底争取实现全自动化。

Token 使用成本方面，我们部门技术序列目前 Claude Opus 的 Token 管够，不强制使用内部工具。但大部分部门 Opus 的额度有限，超出部分要自费，使用内部工具和自家模型的 Token 没有限制。

全面 AI 化以后，我每天的工作时长反而更长了。不是因为工作量变大，而是因为大家都在卷 Skills，你也不得不卷。

比如在我们部门的群里，晚上 11 点以后还会有同事分享写好的 Skills。有时候看到同组的人写出一个比较好用的 Skills，我就会感到非常焦虑。

这种焦虑，一方面来自于部门对 Skills 产出考核的焦虑，另一方面，也害怕 AI Agent 正在一天天取代人的工作。

实际上，AI 在解决单一问题时，效率不一定比有经验的后端研发高。因为 Skill 写的简单流程不稳定，要花大量精力去调试、修改，并且 Token 的消耗量也很大，但当 Skills 越改越好用之后，AI 就会逐步超过人类，并且以非常低的成本运行。

作为打工人，大家心里也都清楚，在公司鼓励全员写 Skills 的背景下，藏着掖着肯定写不出好的 Skills，但是把自己所有的技能和经验都 SOP 化、Skills 化，其实离被 AI 取代的那天也就不远了。

AI 对于工作效率的提升毋庸置疑，但效率上去了，也就意味着不需要那么多人了。目前公司的内部活水通道已经停了，未来会发生什么，硅谷的科技大厂已经给了答案。

“ 被迫用 AI”，但我靠它卷赢了组里的人

陈宇 | 国内某手机厂商 通信协议工程师

最近半年，我们公司都在卷 AI，从去年 10 月开始，工具开放、额度报销、鼓励人人用。以我们部门为例，每人 Cursor 每个月都有一定的使用额度要求。用不完会被认为“ 浪费资源”，账号可能会被回收；用得多但产出没跟上，又会被判定为滥用，同样会被提醒。

所以，不用不行，用得不好也不行。在这种趋势下，压力肯定是有的。组里已经有人因为不愿意花时间学 AI，加上工作状态一般，被优化了。

我对“ 用 AI” 的理解和很多人不一样。滥用 AI，浪费那么多 Token，还不如花钱买游戏玩。AI 不是用得越多越好，而是要用得对。我一般每周抽一两天，专门研究怎么让 AI 更好地适配我的工作、帮我高效干活。

我的岗位是通信协议工程师，写代码只占一小部分，更多的时间是处理用户数据、分析系统日志等。以前分析用户手机卡顿数据问题时，有时候明明是运营商网络导致的问题，也要我们一点点排查，大量精力都耗在无效信息的筛选上。

现在，AI 能帮我先快速定位并剔除无关干扰，让我专注在真正需要优化的地方。去年一年，我的整体产出提升很明显，绩效在组里排得比较靠前。

不过说实话，AI 远没到能替代人的程度。它的日志分析准确率只有 60% 左右，必须人工复核。为了提升 AI 的能力，我们得不断写规则、优化逻辑。所以，我近半年的工作量是增加的。但这个过程本身就是在“ 教育”AI，让它服务于人。

这两年，我能明显感觉到公司招的人在变少，我觉得这背后肯定有 AI 的影响。身边有朋友准备换工作时，我都会劝他一定要恶补 AI 相关能力。同样的技术水平，会不会用 AI，在面试和薪资上能拉开明显的差距。现在平台逼着你学，也是帮你提前储备了职业竞争力。

我始终认为，AI 并不是用来代替人的，它是人和人之间一个新的竞争工具而已。

我们没裁员，但效率必须提升 3 至 5 倍

Ming Lu ｜澳大利亚 某上市公司 CIO

作为 CIO，我可能是公司里最早一批“AI 原住民”。

在公司正式确立 AI 战略之前，我已经开始高频使用 AI 工具。公司因为与微软有长期合作，很早就接入了 Copilot，后来，又将 Copilot 与 Claude 整合进内部工作体系。毫不夸张地说，我现在几乎所有的核心工作都已由 AI 完成，效率翻倍。

但公司在内部推进 AI 工具的初期，并不顺利。

一开始，采取的是鼓励式策略，给所有部门和员工配备了近乎无限的 Copilot 使用权限和额度。但效果并不明显，甚至在软件开发和 UX 部门遇到了阻力。

这些团队并不是排斥 AI 工具，也愿意用 AI 做辅助性工作，例如写代码片段、生成设计草图。但他们普遍不愿意更进一步，比如，让 AI 介入核心的 SDLC（软件开发生命周期） 流程。这种心态可以理解，人们愿意让 AI 帮忙，但不愿被 AI 主导。

但是，在公司的战略框架里，只把 AI 当作语法检查器是不够的，我们要的是流程重塑。

因此，今年年初，我与 CTO 共同制定了新的 AI 战略：要求各部门在四月底前提交 AI 路线图，并设定了严苛的考核机制—— 每位经理需提交三个 AI 倡议 （AI Initiatives），每季度按落地情况打分。我们还开始监控 Token 使用量，考核 AI 使用率，长期偏低者可能进入绩效改进计划 （PIP）。

调整后，效果立竿见影。

软件开发的变化最明显。过去，一份产品需求文档 （PRD） 的形成，需要产品经理与开发团队多轮沟通，周期长达数周甚至一两个月。现在，一位项目经理可以在一天内输出，既有 Markdown 说明，也附带界面原型图的 PRD。项目启动阶段最耗时的“ 模糊地带” 被大大压缩了。

如今，我的工作重心也变了。我每天会花大量时间与各部门经理开会，讨论 AI 可以在哪些环节介入；同时我自己也搭建了一个多智能体的 Claude 环境，先花大量精力与 AI 进行头脑风暴，将方案拆解度，最后再交给 AI 去落地。

AI 让我把更多的时间花在了“ 如何把问题想清楚” 上。如果需求文档写得不够扎实、商业逻辑不够清晰，AI 的执行就会彻底跑偏。这也倒逼我们更多思考商业逻辑的本质。

当然，效率提升的另一面是残酷的：岗位可能会减少。虽然公司董事会决定先不裁员，但要求每个员工的效率提升 3 到 5 倍，同时，我们已经停止了招收数据分析、程序开发和财务分析方向的新人招聘。这可能也是所有公司迟早要经历的事。

我不觉得自己被 AI 支配，相反，我感受到了前所未有的驾驭感。现在真正感到压力的，是那些工作内容高度标准化、极易被 AI 直接替代的岗位。而那些具备强大需求分析和顶层规划能力的人，反而更吃香了。

用 AI 后，我的工作反而更忙了

云天｜国内某头部大厂 高级研发

我是比较早一批自费使用 AI 的人，每个月在各种工具上的支出接近 500 美元，从 GPT 到各类垂类模型，好用的就直接买年包，体验型的就先试月卡。

目前我们公司目前对 Token 使用量没有强制要求，合规前提下，哪个好用用哪个，都是团队综合考虑下来挑选觉得对工作最有帮助的。我现在每个月的 Token 消耗量大概在 30 到 40 亿左右。

但即便如此，我的工作时间还是变长了。

原因很简单：用 AI 不仅是“ 让它干活”，还要先把系统搭起来。就像盖摩天大楼必须先搭架子一样，我们要先构建一套系统，去规范 AI 的使用边界、降低它的出错率；甚至在 AI 出问题后及时“ 擦屁股”，把控它的影响范围。这份工作远比单纯用 AI 提效更繁琐，相当于一份工作干两份活，适应这套新要求，也花了我不少时间。

对于现在市场上普遍焦虑的“Token 消耗量纳入 KPI” 的问题，我倒是有不同的看法。

从我接触到的老板或业务负责人来看，没有一个人对 AI 是不上心的，个个都怕错过这个风口。我了解的两家头部大厂，是会要求员工只能用自己家的大模型，不允许使用 Claude、ChatGPT 等其它工具。

其实我不太理解为何有些公司想将 Token 使用量纳入 KPI，这是管理者心智负担最低的做法，但它衡量不了价值的核心。

但从另一个角度看，我认为设立“ 保底门槛” 是合理的。如果一个员工在现在的环境下，完全不烧 Token、坚决不用 AI，这本身就说明他缺乏改造自身工作流的意识。

至于 AI 引入后会不会导致大面积缩招或裁员，我认为整体就业市场本身就遵循工业革命规律。

大厂的招聘逻辑，从来不是单纯看需要多少人干活，而是看利润支撑和人才策略。把懂 AI 的人才招进来，哪怕暂时用不上，也是在抢占身位。而对于中小企业来说，AI 降低了创业和研发成本，以前 100 人做的事现在 10 人就能完成。

我认识一位非技术背景的创业者，靠着 AI，一个人花了半年时间，硬是敲出了一套完整的 ToB 教育系统，这在过去至少需要一个百人团队。当全社会的试错成本都在降低时，短期内必然会经历岗位调整的阵痛，但长期来看，整个市场的蛋糕会被做大，会涌现出更多新团队、新机会。

那些标准化、重复性强的岗位，被冲击是必然的；但那些需要深度思考、创意策划和资源整合的岗位，反而会因为 AI 更加受欢迎。时代的车轮从不等人，有些旧岗位被淘汰是必然，但新世界的大门，也正在缓缓打开。

*应受访者要求，文中好好、云天、陈宇为化名。

更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App