裁员潮将持续，直到我们学会发掘 AI 的商业价值

作者：Arnav Gupta

在我们公司的高层办公室里，某处正躺着一份多达 8000 人的裁员名单。我有 10% 的概率在这份名单上。再过几天，也就是 5 月 20 日，我就能知道自己的命运了。

看到今天 Coinbase 宣布的“AI 裁员”消息，我决定写下这篇文章。我特意赶在 5 月 20 日之前动笔，因为我想分享一些最真实的看法，不带任何“我是走是留”的个人情绪。这些想法不仅与我是否被裁无关，也不仅仅局限于我所在的公司。它们来自我那些在各大中型企业工作的朋友们的真实心声。

现在有大量的文章在争论：这新一波的裁员潮（大家普遍认为是从杰克·多西裁掉 Square 40% 员工开始的）到底是因为 AI 导致的，还是仅仅在搞“AI 洗白 (AI-washing)”（指企业借着拥抱 AI 的名义，来掩盖其他商业失败或裁员的真实目的）。我不想在文章里塞满各种新闻和论文的链接来折磨你，这些内容你可能早就看过了，或者只需在谷歌搜一下、问问 ChatGPT 就能找到。

备受吹捧的“AI 生产力”与难以捉摸的证据

AI 真的让我们更高效了吗？这真是一个充满争议的重磅问题！如果我们反向思考一下，断言“AI 什么都没改变”，我想哪怕是那些最怀疑 AI 价值的人，也不会同意这种说法。尤其是在科技公司里，AI 使用量的火箭式飙升是摆在眼前的事实。即便是那些最保守、给 AI 预算设限、不给员工配备 AI 工具的公司，也同样不可否认有一部分工作实质上是 AI 完成的——哪怕员工只是苦哈哈地在谷歌或微软办公套件里，偷偷用 Gemini 或 Copilot 来编辑文档。

至于那些更有远见、一头扎进 AI token（Token）（AI 模型处理文本的基本单位，企业使用大语言模型时通常按消耗的 token 数量计费）海洋的公司，比如优步（Uber）或 Shopify（我这里不包括像 Meta 或微软这种自己开发大语言模型的公司，也不包括 Vercel 或 Cloudflare 这种积极搭建 AI 基础设施的公司；只说纯粹的“使用者”），他们的 AI 用量简直陷入了疯狂。我们已经见怪不怪了：从 90% 到 100% 的代码由 AI 生成，到每周提交的代码审查（PRs/diffs）数量暴增 2 到 5 倍，再到上亿美元的全年 AI 预算在短短几个月内被消耗殆尽。

然而，像 Ed Zitron、Will Manidis、Gary Marcus 和 Michael Bury 这些科技评论家和投资人们，肯定会反问你一个直击灵魂的问题：既然如此，为什么这些公司的收入没有随之实现 2 到 5 倍的增长呢？为什么他们的 App 看起来和半年前几乎一模一样？如果 AI 真的那么高产，他们到底用 AI 生产出了什么？如果他们多写了 5 倍的代码，而终端用户却毫无察觉，那这些代码到底有什么意义？这是一个极其尖锐且合理的问题。

投入（Input）、产出（Output）与成果（Outcome）

我们得先插播一点企业管理基础课。当一家快速成长、融资过剩、四处撒钱的中型公司终于面临资金干涸时，你去向某位资深的 CEO 请教。他会建议你请麦肯锡的人来看看情况。咨询顾问会在演示文稿的第一页放上一张纯白的幻灯片，上面用默认的 Arial 字体写着三个词：“投入、产出、成果”。

他们会向你解释一个大家都懂、却总爱遗忘的商业本质：

代码，仅仅是投入。

功能，才是产出。

用户心甘情愿为你的产品掏钱，这才是成果。

AI（或者至少像 Claude 企业版这样的产品）本质上是一个面向企业的软件服务（B2B SaaS）产品。你会发现，SaaS 产品的定价和营销方式各有不同。如果一个产品能直接改变“成果”，他们通常会直接从“成果”中抽成。想象一下这样的销售话术：“我们的工具能让您促成销售线索的速度提升 36%。马上体验吧，只需支付销售额 5% 的低廉服务费即可。”

这绝对能秒杀客户。在其他条件不变的情况下，如果你过去 100 天能谈成 100 笔单子，现在只需要 63 天。省下来的 36 天（如果我算得没错的话）能让你再多谈成 57 笔单子！也就是说，你的销售额潜在增长了 57%。任何人都非常乐意从销售提成里拿出 5%，来换取 57% 的额外收入。而且如果你不用这个产品，你一分钱都不用付。

你可能已经猜到我要说什么了——Claude 消耗 Token 的定价模式可完全不是这样。如果你的软件工程师像吸毒一样对用 Claude 编程上瘾（我才发现它俩的英文缩写居然都是 ‘cc’），每天生成 1 亿个 Token，那你每天就要为每个工程师掏 100 美元。

即使他们生成的代码有一部分因为跑不通而被扔进垃圾桶；

即使有些代码后来引发了严重的系统故障（SEV）（SEV 指 Severity，科技公司常用来代指导致服务中断的严重线上事故）而被紧急回滚；

甚至即使还有一部分代码，只是为了给内部工具换个皮，好让副总裁们看数据仪表盘时觉得更可爱；

统统都要照单全付。因为代码只是“投入”。虽然通常来说，只要方向正确，更多的“投入”往往会带来更多的“产出”，进而带来更好的“成果”。但是，当你在一夜之间把投入放大了 5 倍时，这条规律可就不一定适用了。你增加的这些“投入”，可能突然就变成了无头苍蝇，完全偏离了预期的“产出”或“成果”。

到底是什么在阻碍我们！

过去，每次 CEO 或产品经理（PM）想做 10 件事的时候，开发团队总会说他们只能搞定最重要的两件，剩下的 8 件没时间做。理由是什么？因为写代码可不是过家家，开发一套复杂且能跑通的软件是需要耗费大量时间的。

嗯……但是现在代码几乎是免费的了。为什么我们还是没做那剩下的 8 件事呢？

答案有两个：一个是 CEO 和产品经理不爱听的；另一个是中层管理和资深员工不爱听的。

1. 其实那 8 个想法……根本就不靠谱？
仅仅因为 CEO 或产品经理脑海里闪过了 10 个念头，并不代表它们真的能转化为实际的业务成果。就算你真的做出了 10 个新功能（产出），也不能保证用户全买账并因此更多地使用你的 App（成果）。事实上，正因为以前开发资源有限，这种“摩擦力”逼迫大家不得不进行更激烈的争论，从而在那些糟糕的想法消耗过多资源之前早早毙掉它们，选出最棒的那两个。而现在，写代码变得又快又便宜，再去争论想法的好坏似乎显得毫无意义。就算你试图反驳他们，你觉得能阻止 CEO 或 PM 转身自己去向 Claude 提需求吗？算了吧，连试都不用试。
2. 让所有人“对齐”太痛苦了。
我们都知道这有多折磨人。首先要让所有利益相关者对“为什么”要做这件事达成共识；接着，还得另外开会讨论具体“做些什么”；最后，大家还得再为“怎么做”拉扯一番。团队数量越多，卡在“对齐地狱”里的项目就越多。以前由于写代码慢，这个问题被掩盖了。现在倒好，“做些什么”一旦拍板，立刻就有人通宵搞出个最小可行性产品（MVP）（用最低成本开发出刚好能展示核心理念的产品，用于快速试错），并在第二天立马安排下一场会议。在会上，你惊讶地发现另一个团队居然也偷偷搞了个 MVP！更要命的是，因为你们基于不同的假设，两个产品运作的逻辑南辕北辙。
当然，你们可以坐下来慢慢磨，讨论谁的假设才是正确的。
但说实话吧。手握无限 Claude Token 的你和你的团队，才懒得这么干呢。另一个团队也不会。你会毫不犹豫地转身投入 Claude 的怀抱，让它按照你认为最完美的方式，把对面团队的工作重新实现一遍。而 Claude 只会乖巧地回一句：“您说得太对了！”，然后立刻开始敲代码。

裁员到底能解决什么问题？

好吧，感谢你耐心听我念叨了半天这些显而易见的大道理。我知道你们想看最核心的干货。裁员到底能达到什么目的？按照我的假设，如果 AI 并没有真正做到一对一地替换掉 30% 的员工（这点大家应该能达成共识吧？虽然在很多任务上，它比初级白领强，但在另一些任务上又不如人类——它绝对不是可以直接拔插替换的零件，更不可能直接取代一家公司 10%、20% 甚至 30% 的人）。

既然如此，裁员的逻辑在哪？因为它能立竿见影地解决两个摆在台面上的短期问题。

1. 抵消“AI 支出”
这其实就是最基础的现金流算术题。显而易见，如果你那些对 Claude 上瘾的工程师们每天都在 Claude 上挥霍 100 美元（也就是每月 2500 美元，每年 3 万美元），这笔钱在印度已经抵得上一个软件开发工程师（SDE）的全部薪水了；在欧洲能抵半个 SDE；在美国也能抵四分之一个。
如果做一个最简单粗暴的计算：假设在一家扁平化的公司里，所有员工都是 SDE。为了维持现有的工资支出总额（包括购买 Token 的花销），你必须裁掉 50%（印度）、33%（欧洲）或 20%（美国）的员工。
事实上，既然 AI 的使用量正在无视一切地疯狂增长，而公司的收入却没有出现相应的增长，裁员就成了必然选择。否则，公司的资产负债表就会彻底崩溃。如果你的投入成本增加了 50%，但最终的商业成果却毫无起色甚至一成不变，那你整个软件开发生命周期的单位经济效益就完全崩盘了。
假如我们真正学会了如何使用 AI——弄清楚了如何让增加 50% 的投入成本转化为增加 50% 的收入成果，我们就不用走这一步了。但是，正因为你还没学会，所以你们当中的一些人就必须卷铺盖走人，好腾出钱来给 Anthropic 开工资。
2. 削减“对齐税”
毫无疑问，任何一家大公司的体量，都远远超出了其单纯为了“生存”所需的规模。这正是大公司的特点，大型组织注定会堆积“组织脂肪”，这是组织架构设计的必然结果。在这些公司里，即使有人离职，系统照样能运转，因为总有别人知道他以前是干嘛的。在很多大厂，你甚至可以安心休半年产假，你负责的项目依旧安然无恙。这些都是好现象！但这同时也是一个铁证：如果裁掉一部分人，公司绝不会立刻瘫痪。恰恰相反，在经历了最初几周的系统性阵痛后，在接下来的几个月里，运转速度甚至会变快！
还记得前面提到的那两个为了技术方案僵持不下的团队吗？很简单，只要你裁掉其中一个团队，然后让留下的那个团队熬几个通宵把活干完——他们就再也不用和任何人“对齐”了。我们无法预知长期会发生什么（或者套用经济学家凯恩斯的话——“从长期来看，我们都死了”），但在短期内，裁掉大企业中 10-20% 的员工，只会让工作节奏变得更快。
大企业随着时间推移，不可避免地会积累冗余、人浮于事，就像积累技术债务一样积累起大量的“组织债务”。这就是大企业的通病。今天裁掉 10% 的人，也无法阻止两年后老毛病复发。但是，当你看到所有人都在吹嘘自己比以前多提交了 5 倍的代码，却因为被其他团队卡脖子而迟迟无法上线时，最直接、最粗暴的解药显然就是：裁掉一些人，这样就没人互相卡脖子了。

这就是 AI 裁员，哪怕 AI 并没有直接取代你的位子

你的工号被虚拟机上运行的一个新 Claude 实例取代了吗？我们都知道事情并非如此。

尽管如此，公司里是不是有许多曾经需要你在 VS Code、Figma、Canva 或 Google Docs 里敲敲键盘、点点鼠标才能完成的工作流程，如今却变成了别人（那些本来需要你提供这些工作成果的人）直接冲着大语言模型吼一嗓子写个提示词，再也懒得来找你帮忙了？这也是不争的事实。

这些裁员到底算不算“AI 洗白”？也就是说——公司是不是本来就存在各种与 AI 无关的根本性问题（比如过度招聘、利润下滑、竞争压力、糟糕的商业决策），现在只是拿 AI 当个裁员的“借口”？嗯，某种程度上这也说得通。

你可能还会发现，如果把这段时间所有 CEO 发的“裁员邮件”收集起来，你甚至会觉得他们是不是拉了个聊天群，聚在一起通气写的这些邮件。“AI 原生小组”、“写代码的管理者”、“增加管理跨度”、“扁平化架构”、“管理 AI 智能体团队”……你会发现这些新鲜词汇如出一辙地出现在每一封邮件里。简直就像是他们给 GPT 喂了同一段提示词一样。

但真相是，即使这些裁员不是因为 AI 直接取代了你，即使它们夹杂着“AI 洗白”的成分，这些裁员归根结底依然是因为 AI 引起的。而且，这场裁员潮将一直持续，直到我们真正学会如何使用 AI。直到我们学会如何将海量的 AI Token 转化为实打实的商业成果，而不仅仅是代码投入；直到我们学会让组织间的“对齐”速度，跟上全新世代的编码速度；直到我们弄明白，在原本那 2 个好点子和 8 个馊主意之外，如何利用这多出来的生产力去追逐另外 10 个充满潜力的新想法。

在我们真正搞清楚 AI 究竟如何推动全球 GDP 增长之前，为了填补那高达 700 亿美元（OpenAI 与 Anthropic 的企业级营收总和）的年度 Token 开销，企业只能通过削减员工薪水来“拆东墙补西墙”。而在我们学会如何更高效地疏通团队间互相卡脖子的现象之前，解决问题的办法永远只有一个——直接把我们从组织架构图上抹掉。