作者： Arnav Gupta
在我們公司的高層辦公室裏，某處正躺着一份多達 8000 人的裁員名單。我有 10% 的概率在這份名單上。再過幾天，也就是 5 月 20 日，我就能知道自己的命運了。
看到今天 Coinbase 宣佈的“AI 裁員”消息，我決定寫下這篇文章。我特意趕在 5 月 20 日之前動筆，因爲我想分享一些最真實的看法，不帶任何“我是走是留”的個人情緒。這些想法不僅與我是否被裁無關，也不僅僅侷限於我所在的公司。它們來自我那些在各大中型企業工作的朋友們的真實心聲。
現在有大量的文章在爭論：這新一波的裁員潮（大家普遍認爲是從傑克·多西裁掉 Square 40% 員工開始的）到底是因爲 AI 導致的，還是僅僅在搞“AI 洗白 (AI-washing)” （指企業藉着擁抱 AI 的名義，來掩蓋其他商業失敗或裁員的真實目的） 。我不想在文章裏塞滿各種新聞和論文的鏈接來折磨你，這些內容你可能早就看過了，或者只需在谷歌搜一下、問問 ChatGPT 就能找到。
備受吹捧的“AI 生產力”與難以捉摸的證據
AI 真的讓我們更高效了嗎？這真是一個充滿爭議的重磅問題！如果我們反向思考一下，斷言“AI 什麼都沒改變”，我想哪怕是那些最懷疑 AI 價值的人，也不會同意這種說法。尤其是在科技公司裏，AI 使用量的火箭式飆升是擺在眼前的事實。即便是那些最保守、給 AI 預算設限、不給員工配備 AI 工具的公司，也同樣不可否認有一部分工作實質上是 AI 完成的——哪怕員工只是苦哈哈地在谷歌或微軟辦公套件裏，偷偷用 Gemini 或 Copilot 來編輯文檔。
至於那些更有遠見、一頭扎進 AI token（Token）（AI 模型處理文本的基本單位，企業使用大語言模型時通常按消耗的 token 數量計費）海洋的公司，比如優步（Uber）或 Shopify（我這裏不包括像 Meta 或微軟這種自己開發大語言模型的公司，也不包括 Vercel 或 Cloudflare 這種積極搭建 AI 基礎設施的公司；只說純粹的“使用者”），他們的 AI 用量簡直陷入了瘋狂。我們已經見怪不怪了：從 90% 到 100% 的代碼由 AI 生成，到每週提交的代碼審查（PRs/diffs）數量暴增 2 到 5 倍，再到上億美元的全年 AI 預算在短短幾個月內被消耗殆盡。
然而，像 Ed Zitron、Will Manidis、Gary Marcus 和 Michael Bury 這些科技評論家和投資人們，肯定會反問你一個直擊靈魂的問題：既然如此，爲什麼這些公司的收入沒有隨之實現 2 到 5 倍的增長呢？爲什麼他們的 App 看起來和半年前幾乎一模一樣？如果 AI 真的那麼高產，他們到底用 AI 生產出了什麼？如果他們多寫了 5 倍的代碼，而終端用戶卻毫無察覺，那這些代碼到底有什麼意義？這是一個極其尖銳且合理的問題。
投入（Input）、產出（Output）與成果（Outcome）
我們得先插播一點企業管理基礎課。當一家快速成長、融資過剩、四處撒錢的中型公司終於面臨資金乾涸時，你去向某位資深的 CEO 請教。他會建議你請麥肯錫的人來看看情況。諮詢顧問會在演示文稿的第一頁放上一張純白的幻燈片，上面用默認的 Arial 字體寫着三個詞：“投入、產出、成果”。
他們會向你解釋一個大家都懂、卻總愛遺忘的商業本質：
代碼，僅僅是 投入 。
功能，纔是 產出 。
用戶心甘情願爲你的產品掏錢，這纔是 成果 。
AI（或者至少像 Claude 企業版這樣的產品）本質上是一個面向企業的軟件服務（B2B SaaS）產品。你會發現，SaaS 產品的定價和營銷方式各有不同。如果一個產品能直接改變“成果”，他們通常會直接從“成果”中抽成。想象一下這樣的銷售話術：“我們的工具能讓您促成銷售線索的速度提升 36%。馬上體驗吧，只需支付銷售額 5% 的低廉服務費即可。”
這絕對能秒殺客戶。在其他條件不變的情況下，如果你過去 100 天能談成 100 筆單子，現在只需要 63 天。省下來的 36 天（如果我算得沒錯的話）能讓你再多談成 57 筆單子！也就是說，你的銷售額潛在增長了 57%。任何人都非常樂意從銷售提成裏拿出 5%，來換取 57% 的額外收入。而且如果你不用這個產品，你一分錢都不用付。
你可能已經猜到我要說什麼了——Claude 消耗 Token 的定價模式可完全不是這樣。如果你的軟件工程師像吸毒一樣對用 Claude 編程上癮（我才發現它倆的英文縮寫居然都是 'cc'），每天生成 1 億個 Token，那你每天就要爲每個工程師掏 100 美元。
即使他們生成的代碼有一部分因爲跑不通而被扔進垃圾桶；
即使有些代碼後來引發了嚴重的系統故障（SEV）（SEV 指 Severity，科技公司常用來代指導致服務中斷的嚴重線上事故）而被緊急回滾；
甚至即使還有一部分代碼，只是爲了給內部工具換個皮，好讓副總裁們看數據儀表盤時覺得更可愛；
統統都要照單全付。因爲代碼只是“投入”。雖然通常來說，只要方向正確，更多的“投入”往往會帶來更多的“產出”，進而帶來更好的“成果”。但是，當你在 一夜之間把投入放大了 5 倍 時，這條規律可就不一定適用了。你增加的這些“投入”，可能突然就變成了無頭蒼蠅，完全偏離了預期的“產出”或“成果”。
到底是什麼在阻礙我們！
過去，每次 CEO 或產品經理（PM）想做 10 件事的時候，開發團隊總會說他們只能搞定最重要的兩件，剩下的 8 件沒時間做。理由是什麼？因爲寫代碼可不是過家家，開發一套複雜且能跑通的軟件是需要耗費大量時間的。
嗯……但是現在代碼幾乎是免費的了。爲什麼我們還是沒做那剩下的 8 件事呢？
答案有兩個：一個是 CEO 和產品經理不愛聽的；另一個是中層管理和資深員工不愛聽的。
-
1. 其實那 8 個想法……根本就不靠譜？
僅僅因爲 CEO 或產品經理腦海裏閃過了 10 個念頭，並不代表它們真的能轉化爲實際的業務成果。就算你真的做出了 10 個新功能（產出），也不能保證用戶全買賬並因此更多地使用你的 App（成果）。事實上，正因爲以前開發資源有限，這種“摩擦力”逼迫大家不得不進行更激烈的爭論，從而在那些糟糕的想法消耗過多資源之前早早斃掉它們，選出最棒的那兩個。而現在，寫代碼變得又快又便宜，再去爭論想法的好壞似乎顯得毫無意義。就算你試圖反駁他們，你覺得能阻止 CEO 或 PM 轉身自己去向 Claude 提需求嗎？算了吧，連試都不用試。 -
2. 讓所有人“對齊”太痛苦了。
我們都知道這有多折磨人。首先要讓所有利益相關者對“爲什麼”要做這件事達成共識；接着，還得另外開會討論具體“做些什麼”；最後，大家還得再爲“怎麼做”拉扯一番。團隊數量越多，卡在“對齊地獄”裏的項目就越多。以前由於寫代碼慢，這個問題被掩蓋了。現在倒好，“做些什麼”一旦拍板，立刻就有人通宵搞出個最小可行性產品（MVP） （用最低成本開發出剛好能展示核心理念的產品，用於快速試錯） ，並在第二天立馬安排下一場會議。在會上，你驚訝地發現另一個團隊居然也偷偷搞了個 MVP！更要命的是，因爲你們基於不同的假設，兩個產品運作的邏輯南轅北轍。
當然，你們可以坐下來慢慢磨，討論誰的假設纔是正確的。
但說實話吧。手握無限 Claude Token 的你和你的團隊，才懶得這麼幹呢。另一個團隊也不會。你會毫不猶豫地轉身投入 Claude 的懷抱，讓它按照你認爲最完美的方式，把對面團隊的工作重新實現一遍。而 Claude 只會乖巧地回一句：“您說得太對了！”，然後立刻開始敲代碼。
裁員到底能解決什麼問題？
好吧，感謝你耐心聽我念叨了半天這些顯而易見的大道理。我知道你們想看最核心的乾貨。裁員到底能達到什麼目的？按照我的假設，如果 AI 並沒有真正做到一對一地替換掉 30% 的員工（這點大家應該能達成共識吧？雖然在很多任務上，它比初級白領強，但在另一些任務上又不如人類——它絕對不是可以直接拔插替換的零件，更不可能直接取代一家公司 10%、20% 甚至 30% 的人）。
既然如此，裁員的邏輯在哪？因爲它能立竿見影地解決兩個擺在檯面上的短期問題。
-
1. 抵消“AI 支出”
這其實就是最基礎的現金流算術題。顯而易見，如果你那些對 Claude 上癮的工程師們每天都在 Claude 上揮霍 100 美元（也就是每月 2500 美元，每年 3 萬美元），這筆錢在印度已經抵得上一個軟件開發工程師（SDE）的全部薪水了；在歐洲能抵半個 SDE；在美國也能抵四分之一個。
如果做一個最簡單粗暴的計算：假設在一家扁平化的公司裏，所有員工都是 SDE。爲了維持現有的工資支出總額（包括購買 Token 的花銷），你必須裁掉 50%（印度）、33%（歐洲）或 20%（美國）的員工。
事實上，既然 AI 的使用量正在無視一切地瘋狂增長，而公司的收入卻沒有出現相應的增長，裁員就成了必然選擇。否則，公司的資產負債表就會徹底崩潰。如果你的投入成本增加了 50%，但最終的商業成果卻毫無起色甚至一成不變，那你整個軟件開發生命週期的單位經濟效益就完全崩盤了。
假如我們真正學會了如何使用 AI——弄清楚瞭如何讓增加 50% 的投入成本轉化爲增加 50% 的收入成果，我們就不用走這一步了。但是，正因爲你還沒學會，所以你們當中的一些人就必須捲鋪蓋走人，好騰出錢來給 Anthropic 開工資。 -
2. 削減“對齊稅”
毫無疑問，任何一家大公司的體量，都遠遠超出了其單純爲了“生存”所需的規模。這正是大公司的特點，大型組織註定會堆積“組織脂肪”，這是組織架構設計的必然結果。在這些公司裏，即使有人離職，系統照樣能運轉，因爲總有別人知道他以前是幹嘛的。在很多大廠，你甚至可以安心休半年產假，你負責的項目依舊安然無恙。這些都是好現象！但這同時也是一個鐵證：如果裁掉一部分人，公司絕不會立刻癱瘓。恰恰相反，在經歷了最初幾周的系統性陣痛後，在接下來的幾個月裏，運轉速度甚至會變快！
還記得前面提到的那兩個爲了技術方案僵持不下的團隊嗎？很簡單，只要你裁掉其中一個團隊，然後讓留下的那個團隊熬幾個通宵把活幹完——他們就再也不用和任何人“對齊”了。我們無法預知長期會發生什麼（或者套用經濟學家凱恩斯的話——“從長期來看，我們都死了”），但在短期內，裁掉大企業中 10-20% 的員工，只會讓工作節奏變得更快。
大企業隨着時間推移，不可避免地會積累冗餘、人浮於事，就像積累技術債務一樣積累起大量的“組織債務”。這就是大企業的通病。今天裁掉 10% 的人，也無法阻止兩年後老毛病復發。但是，當你看到所有人都在吹噓自己比以前多提交了 5 倍的代碼，卻因爲被其他團隊卡脖子而遲遲無法上線時，最直接、最粗暴的解藥顯然就是：裁掉一些人，這樣就沒人互相卡脖子了。
這就是 AI 裁員，哪怕 AI 並沒有直接取代你的位子
你的工號被虛擬機上運行的一個新 Claude 實例取代了嗎？我們都知道事情並非如此。
儘管如此，公司裏是不是有許多曾經需要你在 VS Code、Figma、Canva 或 Google Docs 裏敲敲鍵盤、點點鼠標才能完成的工作流程，如今卻變成了別人（那些本來需要你提供這些工作成果的人）直接衝着大語言模型吼一嗓子寫個提示詞，再也懶得來找你幫忙了？這也是不爭的事實。
這些裁員到底算不算“AI 洗白”？也就是說——公司是不是本來就存在各種與 AI 無關的根本性問題（比如過度招聘、利潤下滑、競爭壓力、糟糕的商業決策），現在只是拿 AI 當個裁員的“藉口”？嗯，某種程度上這也說得通。
你可能還會發現，如果把這段時間所有 CEO 發的“裁員郵件”收集起來，你甚至會覺得他們是不是拉了個聊天羣，聚在一起通氣寫的這些郵件。“AI 原生小組”、“寫代碼的管理者”、“增加管理跨度”、“扁平化架構”、“管理 AI 智能體團隊”……你會發現這些新鮮詞彙如出一轍地出現在每一封郵件裏。簡直就像是他們給 GPT 餵了同一段提示詞一樣。
但真相是，即使這些裁員不是因爲 AI 直接取代了你，即使它們夾雜着“AI 洗白”的成分，這些裁員歸根結底依然是因爲 AI 引起的。而且，這場裁員潮將一直持續，直到我們真正學會如何使用 AI。直到我們學會如何將海量的 AI Token 轉化爲實打實的商業成果，而不僅僅是代碼投入；直到我們學會讓組織間的“對齊”速度，跟上全新世代的編碼速度；直到我們弄明白，在原本那 2 個好點子和 8 個餿主意之外，如何利用這多出來的生產力去追逐另外 10 個充滿潛力的新想法。
在我們真正搞清楚 AI 究竟如何推動全球 GDP 增長之前，爲了填補那高達 700 億美元（OpenAI 與 Anthropic 的企業級營收總和）的年度 Token 開銷，企業只能通過削減員工薪水來“拆東牆補西牆”。而在我們學會如何更高效地疏通團隊間互相卡脖子的現象之前，解決問題的辦法永遠只有一個——直接把我們從組織架構圖上抹掉。
還有 15 天，我就能知曉自己的命運了。但不管結果如何，我想我已經知道了原因。哪怕當時坐在角落那間寬敞的 CEO 辦公室裏做決定的人是我，我也不知道自己能不能做得更好，說不定我也只會和其他拉羣的 CEO 們一樣，做出如出一轍的選擇。
來源： https://x.com/championswimmer/status/2051807284691612099