大厂「牛马」，被迫用AI

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。（定焦One）