裁員潮將持續，直到我們學會發掘 AI 的商業價值
整理版優先睇
AI 生產力狂飆但商業成果未跟上：裁員潮係必然嘅短期止痛藥
作者 Arnav Gupta 係一間大公司嘅員工，正面臨裁員風險。佢喺 Coinbase 宣佈「AI 裁員」後寫低呢篇文章，分享自己對裁員潮嘅真實睇法。佢指出，AI 大幅增加咗代碼產出（投入），但公司收入未見對等增長（成果），導致單位經濟效益惡化。企業為咗抵消急增嘅 AI 支出（例如每人每月 2500 美元嘅 Claude 費用），不得不裁員。
另一方面，大型組織內部累積咗大量「組織脂肪」同「對齊税」——團隊之間協調成本過高，拖慢進度。裁員可以即時減少呢啲內耗，令工作節奏變快。作者認為，即使裁員有「AI 洗白」成份，根本原因仍然係 AI 引起嘅。
裁員潮會一直持續，直到企業真正學會點樣將 AI Token 轉化為商業成果，而唔係淨係增加代碼量。作者自己仲有 15 日就知命運，但佢坦言就算自己做 CEO，可能都會咁樣選擇。
- AI 令代碼產出暴增 2-5 倍，但收入無跟住增長，單位經濟效益崩盤，裁員係唯一平衡開支嘅方法。
- 企業要抵消每人每月約 2500 美元嘅 AI 訂閲成本，裁員比例可達 20-50%（視乎地區）。
- 裁員仲可以削減「對齊税」：團隊之間為咗達成共識而浪費時間，裁走一啲人反而令剩低嘅人做得更快。
- 真正解決問題唔係裁員，而係要將 AI 投入轉化為成果——例如用多咗嘅生產力去開發新功能、提升用戶體驗。
- 員工應該明白裁員唔係個人問題，而係商業模式未適應 AI 時代；主動量化 AI 成果先係自保之道。
AI 生產力狂飆，但成果去咗邊？
作者指出，AI 使用量喺科技公司火箭式飆升，從 90% 到 100% 嘅代碼由 AI 生成，PR 數量暴增 2 到 5 倍。但評論家反問：點解收入無跟住增長？點解 App 半年前同而家一模一樣？
呢個問題好尖鋭。作者用企業管理基礎課解釋：代碼只係「投入」，功能先係「產出」，用戶肯俾錢先係「成果」。AI 增加咗投入，但唔代表會自動變成成果。
裁員點解係必然選擇？
- 1 抵消 AI 支出：每個工程師每日用 Claude 生成 1 億個 Token，就要俾 100 美元（每月 2500 美元）。呢筆錢喺印度請到一個全職工程師，喺歐洲請半個，喺美國請四分之一。為咗維持工資總額，唯有裁員。
- 2 削減對齊税：大公司積累咗大量「組織脂肪」，團隊之間為咗技術方案拉扯。裁走其中一個團隊，剩低嗰個就可以獨自做曬，唔使再對齊。短期內工作節奏明顯變快。
作者強調，呢啲裁員唔係因為 AI 直接取代咗你嘅崗位，而係因為公司需要揾錢嚟俾 Anthropic 呢啲 AI 公司。即使有「AI 洗白」成份，本質仍然係 AI 引起。
點樣先可以停止裁員？
作者認為，裁員潮會一直持續，直到企業真正學會使用 AI——即係將 AI Token 轉化為商業成果，而唔係純粹增加代碼量。具體嚟講，要令增加 50% 嘅投入成本轉化為增加 50% 嘅收入成果。
作者最後提到自己仲有 15 日就知命運，但佢坦言就算自己做 CEO，可能都會做出一樣嘅決定——裁員係短期最有效嘅止痛藥，直到我哋真正搞清 AI 點樣推動全球 GDP 增長。
作者：Arnav Gupta
喺我哋公司嘅高層辦公室裏面，某處正放住一份多達 8000 人嘅裁員名單。我有 10% 機會喺呢份名單上。再過幾日，即係 5 月 20 號，我就會知道自己嘅命運喇。
見到今日 Coinbase 宣佈嘅「AI 裁員」消息，我決定寫呢篇文章。我專登趕喺 5 月 20 號之前寫，因為我想分享一啲最真實嘅睇法，唔帶任何「我係留定走」嘅個人情緒。呢啲諗法唔單止同我係咪被裁無關，亦唔只侷限於我嗰間公司。佢哋係嚟自我喺各大中型企業做嘢嘅朋友嘅真實心聲。
而家有大量文章喺度拗：呢一波裁員潮（大家普遍認為係由 Jack Dorsey 裁咗 Square 40% 員工開始嘅）到底係因為 AI 導致，定係只係喺度搞「AI 洗白 (AI-washing)」（指企業藉住擁抱 AI 嘅名義，嚟掩蓋其他商業失敗或裁員嘅真實目的）。我唔想喺文章裏面塞滿各種新聞同論文嘅連結嚟折磨你，呢啲內容你可能早就睇過，或者只需喺 Google 搜下、問下 ChatGPT 就揾到。
備受吹捧嘅「AI 生產力」同難以捉摸嘅證據
AI 係咪真係令我哋更有效率？呢個真係一個充滿爭議嘅重磅問題！如果我哋掉轉嚟諗，斷言「AI 乜嘢都冇改變」，我諗就算係最懷疑 AI 價值嘅人，都唔會同意呢種講法。尤其喺科技公司裏面，AI 使用量嘅火箭式飆升係擺喺眼前嘅事實。就算係最保守、俾 AI 預算設限、唔俾員工配備 AI 工具嘅公司，一樣冇得否認有一部分工作實質上係 AI 完成嘅——哪怕員工只係苦哈哈咁喺 Google 或者 Microsoft Office 套件裏面，偷偷用 Gemini 或 Copilot 嚟編輯文件。
至於嗰啲更有遠見、一頭扎入 AI token（Token）（AI 模型處理文本嘅基本單位，企業使用大語言模型時通常按消耗嘅 token 數量計費）嘅公司，好似 Uber 或者 Shopify（我唔包好似 Meta 或 Microsoft 呢啲自己開發大語言模型嘅公司，亦唔包括 Vercel 或 Cloudflare 呢啲積極搭建 AI 基礎設施嘅公司；只係講純粹嘅「使用者」），佢哋嘅 AI 用量簡直陷入瘋狂。我哋已經見怪不怪：由 90% 到 100% 嘅代碼由 AI 生成，到每週提交嘅代碼審查（PRs/diffs）數量暴增 2 到 5 倍，再到上億美元嘅全年 AI 預算喺短短幾個月內被消耗殆盡。
然而，好似 Ed Zitron、Will Manidis、Gary Marcus 同 Michael Bury 呢啲科技評論人同投資人，一定會反問你一個直擊靈魂嘅問題：既然係咁，點解呢啲公司嘅收入冇隨之實現 2 到 5 倍嘅增長呢？點解佢哋嘅 App 睇落同半年前幾乎一模一樣？如果 AI 真係咁高產，佢哋到底用 AI 生產咗啲乜？如果佢哋多寫咗 5 倍嘅代碼，而終端用戶完全冇發覺，咁呢啲代碼到底有咩意義？呢個係一個極之尖鋭而且合理嘅問題。
投入（Input）、產出（Output）同成果（Outcome）
我哋要先插播一啲企業管理基礎課。當一間快速成長、融資過剩、周圍撒錢嘅中型公司終於面臨資金乾涸時，你去向某位資深嘅 CEO 請教。佢會建議你請 McKinsey 嘅人嚟睇下情況。諮詢顧問會喺演示文稿嘅第一頁放上一張純白嘅幻燈片，上面用預設嘅 Arial 字體寫住三個詞：「投入、產出、成果」。
佢哋會向你解釋一個大家都明、但係成日忘記嘅商業本質：
代碼，只係投入。
功能，先係產出。
用戶心甘情願為你嘅產品俾錢，呢個先係成果。
AI（或者至少好似 Claude 企業版呢類產品）本質上係一個面向企業嘅軟件服務（B2B SaaS）產品。你會發現，SaaS 產品嘅定價同營銷方式各有唔同。如果一個產品可以直接改變「成果」，佢哋通常會直接由「成果」中抽成。想像一下呢啲銷售話術：「我哋嘅工具可以令你促成銷售線索嘅速度快 36%。即刻體驗啦，只需支付銷售額 5% 嘅低廉服務費就得。」
呢個絕對秒殺客戶。喺其他條件不變之下，如果你過去 100 日傾成 100 張單，而家只需要 63 日。慳返嘅 36 日（如果我計得啱嘅話）可以令你再多傾成 57 張單！即係話，你嘅銷售額潛在增長咗 57%。任何人都好樂意由銷售提成度攞出 5%，嚟換取 57% 嘅額外收入。而且如果你唔用呢個產品，你一毫子都唔使俾。
你可能已經估到我講乜——Claude 消耗 Token 嘅定價模式完全唔係咁。如果你嘅軟件工程師好似吸毒咁對用 Claude 編程上癮（我先發現佢兩個嘅英文縮寫竟然都係 'cc'），每日生成 1 億個 Token，咁你每日就要為每個工程師掏 100 美元。
就算佢哋生成嘅代碼有一部分因為行唔通而被掉咗入垃圾桶；
就算有啲代碼後來引發咗嚴重嘅系統故障（SEV）（SEV 指 Severity，科技公司常用嚟代指導致服務中斷嘅嚴重線上事故）而要緊急回滾；
甚至就算仲有一部分代碼，只係為咗俾內部工具換個皮，好等副總裁們睇數據儀錶板時覺得更得意；
全部都要照單全付。因為代碼只係「投入」。雖然通常嚟講，只要方向正確，更多嘅「投入」往往會帶嚟更多嘅「產出」，進而帶嚟更好嘅「成果」。但係，當你喺一晚之間將投入放大咗 5 倍時，呢條規律就唔一定適用喇。你增加嘅呢啲「投入」，可能突然之間變成無頭蒼蠅，完全偏離咗預期嘅「產出」或「成果」。
到底係咩阻礙我哋！
以前，每次 CEO 或產品經理（PM）想做 10 件事嘅時候，開發團隊總會話佢哋只能搞掂最重要嘅兩件，其餘 8 件冇時間做。理由係乜？因為寫代碼唔係玩泥沙，開發一套複雜而且行得通嘅軟件係需要花好多時間嘅。
嗯……但係而家代碼幾乎係免費㗎。點解我哋仲係冇做嗰 8 件事呢？
答案有兩個：一個係 CEO 同產品經理唔中意聽嘅；另一個係中層管理同資深員工唔中意聽嘅。
1. 其實嗰 8 個諗法……根本就唔靠譜？
淨係因為 CEO 或產品經理腦海裏面閃過咗 10 個念頭，並唔代表佢哋真係可以轉化為實際嘅業務成果。就算你真係做出咗 10 個新功能（產出），都唔保證用戶會全部買賬並因此多用你嘅 App（成果）。事實上，正因為以前開發資源有限，呢種「摩擦力」逼住大家要進行更激烈嘅辯論，從而在嗰啲差嘅諗法消耗過多資源之前早早淘汰佢哋，揀出最好嘅兩個。而家，寫代碼又快又平，再去拗諗法好壞似乎毫無意義。就算你試圖反駁佢哋，你覺得可以阻止 CEO 或 PM 轉身自己去同 Claude 提需求咩？算啦，連試都唔使試。2. 要令所有人「對齊」太痛苦喇。
我哋都知道呢樣嘢有幾折磨人。首先要令所有利益相關者對「點解」要做呢件事達成共識；跟住，仲要另外開會討論具體「做啲乜」；最後，大家仲要再為「點樣做」拉扯一輪。團隊數量越多，卡喺「對齊地獄」裏面嘅項目就越多。以前因為寫代碼慢，呢個問題被掩蓋咗。而家倒好，「做啲乜」一旦拍板，即刻有人通宵搞出個最小可行性產品（MVP）（用最低成本開發出啱啱好展示到核心理念嘅產品，用嚟快速試錯），並喺第朝立即安排下一場會議。喺會上，你驚訝咁發現另一個團隊居然都偷偷搞咗個 MVP！更要命嘅係，因為你哋基於唔同嘅假設，兩個產品運作嘅邏輯南轅北轍。
當然，你哋可以坐低慢慢磨，討論邊個嘅假設先係正確。
但係講真啦。手握無限 Claude Token 嘅你同你嘅團隊，先唔得閒咁樣做。另一個團隊都唔會。你會毫不猶豫咁轉身投入 Claude 嘅懷抱，等佢按照你認為最完美嘅方式，將對面團隊嘅工作重新實現一次。而 Claude 只會乖巧咁回應一句：「你講得啱！」，然後即刻開始寫代碼。
裁員到底可以解決啲咩問題？
好，多謝你耐心聽我嗡咗咁耐呢啲顯而易見嘅大道理。我知道你哋想睇最核心嘅乾貨。裁員到底達到咩目的？根據我嘅假設，如果 AI 並冇真正咁做到一對一咁取代咗 30% 嘅員工（呢點大家應該可以達成共識啩？雖然喺好多任務上，佢比初級白領叻，但喺另一些任務上又唔及人類——佢絕對唔係可以直接拔插替換嘅零件，更唔可能直接取代一間公司 10%、20% 甚至 30% 嘅人）。
既然係咁，裁員嘅邏輯喺邊？因為佢可以立竿見影咁解決兩個擺喺枱面嘅短期問題。
1. 抵消「AI 支出」
呢個其實就係最基本嘅現金流算術題。好明顯，如果你啲對 Claude 上癮嘅工程師們每日都喺 Claude 上揮霍 100 美元（即係每月 2500 美元，每年 3 萬美元），呢筆錢喺印度已經抵得上一個軟件開發工程師（SDE）嘅全部薪水；喺歐洲可以抵半個 SDE；喺美國都可以抵四分之一個。
如果做一個最簡單粗暴嘅計算：假設喺一家扁平化嘅公司裏面，所有員工都係 SDE。為咗維持現有嘅工資支出總額（包括買 Token 嘅開銷），你一定要裁走 50%（印度）、33%（歐洲）或 20%（美國）嘅員工。
事實上，既然 AI 嘅使用量正喺度無視一切咁瘋狂增長，而公司嘅收入就冇出現相應嘅增長，裁員就變成必然選擇。否則，公司嘅資產負債表就會徹底崩潰。如果你嘅投入成本增加咗 50%，但最終嘅商業成果毫無起色甚至一成不變，咁你整個軟件開發生命週期嘅單位經濟效益就完全崩盤喇。
假如我哋真正學識咗點樣用 AI——搞清咗點樣令增加 50% 嘅投入成本轉化為增加 50% 嘅收入成果，我哋就唔使行呢一步。但係，正因為你仲未學識，所以你哋當中嘅一部分人就必須執包袱走人，好騰出錢嚟俾 Anthropic 出糧。2. 削減「對齊税」
毫無疑問，任何一間大公司嘅體量，都遠遠超出咗佢單純為咗「生存」所需嘅規模。呢個正係大公司嘅特點，大型組織註定會堆積「組織脂肪」，呢個係組織架構設計嘅必然結果。喺呢啲公司裏面，就算有人離職，系統照樣可以運轉，因為總有人知道佢以前做啲乜。喺好多大廠，你甚至可以安心放半年產假，你負責嘅項目依然安然無恙。呢啲都係好現象！但呢個同時亦係一個鐵證：如果裁走一部分人，公司絕對唔會即刻癱瘓。恰恰相反，喺經歷咗最初幾星期嘅系統性陣痛之後，喺跟住落嚟嘅幾個月裏面，運轉速度甚至會變快！
仲記唔記得之前提到嗰兩個為咗技術方案僵持不下嘅團隊？好簡單，只要你裁走其中一個團隊，然後等留低嗰個團隊捱幾個通宵做曬啲嘢——佢哋就再唔使同任何人「對齊」喇。我哋冇辦法預知長期會發生啲乜（或者套用經濟學家凱恩斯嘅話——「從長期嚟睇，我哋都死曬」），但喺短期內，裁走大企業入面 10-20% 嘅員工，只會令工作節奏變得更加快。
大企業隨住時間推移，無可避免地會積累冗餘、人浮於事，好似積累技術債務咁積累起大量嘅「組織債務」。呢個就係大企業嘅通病。今日裁咗 10% 嘅人，亦都冇辦法阻止兩年後老毛病復發。但係，當你見到所有人都在吹噓自己比以前多提交咗 5 倍嘅代碼，但係因為俾其他團隊卡住而遲遲冇得上線時，最直接、最粗暴嘅解藥顯然就係：裁走一啲人，咁就冇人互相卡住喇。
呢個就係 AI 裁員，就算 AI 並冇直接取代你個位
你個工號係咪俾虛擬機上運行嘅一個新 Claude 實例取代咗？我哋都知道事情並唔係咁。
儘管如此，公司裏面係咪有好多以前需要你喺 VS Code、Figma、Canva 或 Google Docs 度敲鍵盤、撳滑鼠先做到嘅工作流程，而家變成咗人哋（嗰啲本來需要你提供呢啲工作成果嘅人）直接對住大語言模型吼一句寫個提示詞，就懶得再嚟揾你幫手？呢個都係不爭嘅事實。
呢啲裁員到底算唔算「AI 洗白」？即係話——公司係咪本來就存在各種同 AI 無關嘅根本性問題（例如過度招聘、利潤下跌、競爭壓力、差嘅商業決策），而家只係攞 AI 嚟做個裁員嘅「藉口」？嗯，某程度上呢個都講得通。
你可能仲會發現，如果將呢段時間所有 CEO 出嘅「裁員電郵」收集埋一齊，你甚至會覺得佢哋係咪開咗個聊天羣，約埋一齊通氣寫呢啲電郵。「AI 原生小組」、「寫代碼嘅管理者」、「增加管理跨度」、「扁平化架構」、「管理 AI 智能體團隊」……你會發現呢啲新鮮詞彙如出一轍咁出現喺每一封電郵裏面。簡直就係佢哋俾咗同一段提示詞畀 GPT 一樣。
但真相係，就算呢啲裁員唔係因為 AI 直接取代咗你，就算佢哋夾雜住「AI 洗白」嘅成分，呢啲裁員歸根到底依然係因為 AI 引起嘅。而且，呢場裁員潮將會一直持續，直到我哋真正學識點樣用 AI。直到我哋學識點樣將海量嘅 AI Token 轉化為實實在在嘅商業成果，而唔只係代碼投入；直到我哋學識令組織之間嘅「對齊」速度，跟得上全新世代嘅編碼速度；直到我哋搞清，除咗原本嗰 2 個好橋同 8 個屎橋之外，點樣利用呢多出來嘅生產力去追逐另外 10 個充滿潛力嘅新諗法。
喺我哋真正搞清楚 AI 究竟點樣推動全球 GDP 增長之前，為咗填補嗰高達 700 億美元（OpenAI 同 Anthropic 嘅企業級營收總和）嘅年度 Token 開銷，企業只能夠通過削減員工薪水嚟「拆東牆補西牆」。而喺我哋學識點樣更有效率咁疏通團隊之間互相卡住嘅現象之前，解決問題嘅辦法永遠只有一個——直接將我哋由組織架構圖上剷走。
仲有 15 日，我就會知道自己嘅命運喇。但無論結果點，我想我已經知道咗原因。就算當時坐喺角落間寬敞嘅 CEO 辦公室度做決定嘅人係我，我都唔知自己會唔會做得更好，話唔定我都只會同其他開羣嘅 CEO 一樣，做出如出一轍嘅選擇。
來源：https://x.com/championswimmer/status/2051807284691612099
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，因為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（大家普遍認為是從傑克·多西裁掉 Square 40% 員工開始的）到底是因為 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連結來折磨你，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 預算在短短几個月內被消耗殆盡。
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，為什麼這些公司的收入沒有隨之實現 2 到 5 倍的增長呢？為什麼他們的 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？這是一個極其尖鋭且合理的問題。
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，才是產出。
用戶心甘情願為你的產品掏錢，這才是成果。
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，那你每天就要為每個工程師掏 100 美元。
即使他們生成的代碼有一部分因為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，只是為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。因為代碼只是“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？因為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。為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？
僅僅因為 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為實際的業務成果。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，正因為以前開發資源有限，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“為什麼”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，大家還得再為“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，因為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，討論誰的假設才是正確的。
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，讓它按照你認為最完美的方式，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？因為它能立竿見影地解決兩個擺在枱面上的短期問題。
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。為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% 的投入成本轉化為增加 50% 的收入成果，我們就不用走這一步了。但是，正因為你還沒學會，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“對齊税”
毫無疑問，任何一家大公司的體量，都遠遠超出了其單純為了“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，因為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為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，卻因為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為 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為 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 轉化為實打實的商業成果，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，為了填補那高達 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