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”，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”。

        1 老板们眼中的“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。

        2 跑崩的效率模式，谁来背锅？ 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。

        3 token 消耗不持续不健康，如何“良性循环”？

         “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。

        4 理想的 AI 提效下，人该何去何从？ 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。声明：本文为 InfoQ 原创，不代表平台观点，未经许可禁止转载。

        今日好文推荐“如果你不用更多Token，就永远逃不出底层”：AI竞赛开始变成资源战争“我可能不再建议学计算机”！

        图灵奖得主炮轰半个行业，并断言：AI Agent最后全是数据库问题智谱首秀工程实战经验！

        Coding Agent日均数亿次调用，GLM-5把长上下文推理的底层问题全逼出来了5.2万Star项目被迫出走GitHub，但开源世界只剩更差的选择会议推荐世界模型的下一个突破在哪？

        Agent 从 Demo 到工程化还差什么？安全与可信这道坎怎么过？

        研发体系不重构，还能撑多久？AICon 上海站 2026，4 大核心专题等你来：世界模型与多模态智能突破、Agent 架构与工程化实践、Agent 安全与可信治理、企业级研发体系重构。

        14 个专题全面开放征稿。诚挚邀请你登台分享实战经验。AICon 2026，期待与你同行。