[智能应用]大厂“牛马”，被迫用AI [复制链接]

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。

大厂“AI提效”浪潮下：打工人的机遇、挑战与沉思
在科技飞速发展的当下，“AI提效”之风强劲地刮进了互联网大厂，从最初的少数技术极客和尝鲜者把AI当作提高效率的新工具，到如今国内外互联网大厂从“鼓励使用AI”迈向“隐性强制使用AI”阶段，大厂打工人的工作生态发生了翻天覆地的变化。这场自上而下的AI实验，让大厂员工们陷入了复杂的处境，有人兴奋、有人疲惫、有人不安，也引发了我们对工作本质和未来走向的深刻思考。
AI浪潮下的工作变革：从工具到考核
工具属性转变：从助力到负担
最初，AI作为提高效率的新工具，让一些人尝到了甜头。然而，随着大厂对AI使用的推进，AI逐渐从单纯的工具演变为一种考核和要求。国内某头部互联网大厂的运营好好，原本领导鼓励用AI提效，虽说不挂钩绩效，但实则是隐性要求。在使用公司自研AI工具时，不仅面临额度限制，而且工具能力不稳定。做数据看板这一简单任务，经过80次反复调试，耗费大量时间，最终收获的却是乱码。AI在接管部分重复性工作的同时，调试、校验、返工的时间又填满了省下来的精力，成为了负担。
工作氛围微妙变化：经验与习惯的“拆解”
大厂的工作氛围也因AI发生了微妙改变。原本属于个人经验和工作习惯的东西，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为“积极拥抱新技术”的典型。这种变化引发了新的焦虑，员工们开始思考自己究竟是在使用AI，还是在给AI当燃料，一步步走向可被替代的流程。
不同岗位的AI体验：机遇与挑战并存
工程师岗位：调试与能力退化的担忧
美国某电商公司的工程师Kevin，为了凑Kiro使用次数，删掉代码让它重写，结果生成的代码少处理了一个异常分支，还得自己补回去。公司强制使用Kiro并追踪使用频率，而Kiro在处理复杂工程判断时生成的代码常是半成品。去年底公司因使用Kiro出现事故后，代码变更审批收紧。Kevin担心长期这样下去，自己从零实现、排查复杂问题的能力会退化。
后端研发岗位：卷Skills与被取代的焦虑
北京某互联网大厂的后端研发Kelly，公司AI应用氛围激进，员工能看到每天消耗的Token数，部门鼓励全员写Skills并设定考核指标，50%的开发需求强制由Agent生成。全面AI化后，她每天工作时长变长，大家都在卷Skills。她一方面焦虑于部门对Skills产出的考核，另一方面害怕AI Agent取代自己的工作。虽然目前AI解决单一问题效率不一定比有经验的后端研发高，但随着Skills不断优化，AI会逐步超过人类，而把自己技能和经验SOP化、Skills化，也意味着离被AI取代不远了。
通信协议工程师岗位：用对AI实现绩效领先
国内某手机厂商的通信协议工程师陈宇，公司卷AI，对Cursor使用额度有要求。他认为AI不是用得越多越好，而是要用得对。他研究如何让AI适配工作，AI帮他快速定位并剔除无关干扰，让他专注在真正需要优化的地方。去年他的整体产出提升明显，绩效在组里排名靠前。不过，AI日志分析准确率只有60%左右，必须人工复核，他近半年工作量增加，但这个过程是在“教育”AI。他觉得AI是人和人之间新的竞争工具，劝准备换工作的朋友恶补AI相关能力。
CIO岗位：效率提升与岗位减少的平衡
澳大利亚某上市公司CIO Ming Lu，作为“AI原住民”，公司推进AI工具初期不顺利，软件开发和UX部门有阻力。今年年初制定新AI战略，设定考核机制，监控Token使用量。调整后效果明显，软件开发变化最大，产品需求文档形成周期大幅缩短。他的工作重心变为与各部门经理讨论AI介入环节，搭建多智能体Claude环境。虽然公司不裁员，但要求员工效率提升3至5倍，停止招收部分方向新人。他认为具备强大需求分析和顶层规划能力的人更吃香，而工作内容高度标准化的人压力更大。
高级研发岗位：构建系统与工作时长增加
国内某头部大厂的高级研发云天，自费使用多种AI工具，每月Token消耗量大。公司对Token使用量无强制要求，但他工作时间变长。原因是使用AI不仅要让它干活，还要先构建系统规范其使用边界、降低出错率，在出问题后及时“擦屁股”。他认为设立“保底门槛”合理，完全不用AI说明缺乏改造工作流意识。对于AI是否导致缩招或裁员，他认为整体就业市场遵循工业革命规律，标准化、重复性强的岗位会被冲击，但需要深度思考、创意策划和资源整合的岗位会更受欢迎。
时代浪潮下的沉思：工作未来的走向
在这场“AI提效”浪潮中，大厂打工人的经历让我们看到，AI既带来了提高效率的机遇，也带来了工作负担增加、能力退化担忧、被取代焦虑等挑战。大厂通过设定考核机制、监控Token使用量等方式推动AI使用，虽然在一定程度上提升了工作效率，但也引发了员工的不满和焦虑。

从长远来看，AI的发展不可阻挡，它将深刻改变我们的工作方式和生活模式。大厂员工需要积极适应这一变化，提升自己的AI应用能力，将AI作为提升工作效率和竞争力的工具，而不是被动地被AI支配。同时，企业也应该更加关注员工的感受和需求，在推动AI应用的过程中，给予员工足够的支持和培训，避免因过度强调效率而忽视员工的职业发展。

“AI提效”浪潮下的大厂打工人，正站在时代的十字路口。我们需要以开放的心态拥抱AI，同时也要保持清醒的头脑，思考如何在AI时代找到自己的立足之地，实现个人价值和职业发展的双赢。

大厂员工正从“自愿使用AI提效”滑向“隐性强制”，AI使用频率、Token消耗、Skills文档化等逐渐与绩效考核挂钩，导致工作流程异化，员工陷入“为AI而AI”的负担中。
📌 背景
过去，AI是员工自费订阅、私下交流提示词的效率工具。但随着企业推动智能化转型，国内外互联网大厂已从“鼓励使用”转向“隐性强制”。公司通过自研AI工具、统计系统追踪、绩效引导等方式，将AI融入日常流程1。

🔍 现象拆解：从辅助工具到新型考核
表现维度    具体形式    员工反馈
使用要求    必须优先使用公司自研AI（如Kiro），额度有限且能力不稳    工具难用，调试耗时远超直接操作1
数据监控    后台统计每日Token消耗、AI活跃度，部门内部可查看排名    形成无形压力，“不用AI=不积极”1
绩效绑定    AI使用情况虽无明文KPI，但影响例会评价和晋升印象    “踏实写代码”不如“频繁调提示词”亮眼1
知识抽取    要求将工作经验拆解为标准化“Skills”，供AI学习复用    感觉被当“燃料”，经验被榨干后可能被替代1
一位从业者坦言：“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’。”1 这种“为了交差而用AI”的模式，反而增加了返工和校验成本。

🧠 员工处境：被动卷入的焦虑与异化
工程师价值被重构：原本以解决复杂问题为核心竞争力的程序员，现在更多时间花在写提示词、补AI漏洞上，核心能力未被重视1。
新型“内卷”诞生：频繁调试提示词的人成为“拥抱新技术”的典型，而专注底层优化者被视为“不活跃分子”1。
心理落差加剧：有人形容，在喂AI数据的时候，“我不是牛马，我是牛马饲料”——把经验喂给AI，最终培养出一个更不知疲倦的“新牛马”来取代自己3。
✅ 结论
所谓“大厂牛马被迫用AI”，本质是一场由上而下的组织实验：企业试图通过AI降本增效，却将转型成本转嫁给一线员工。结果不是解放人力，而是催生了新的数字劳役——员工既要完成本职工作，又要扮演AI训练师、流程拆解员和系统合规者。这种“为AI而AI”的风气，正在扭曲工作效率的本意，也加深了职业不安全感。