在大廠，token用少了不“健康”

作者 | 華衛

“今年，AI 提效比去年更‘卷’了�！边@恐怕是現在無數個身在職場的人共同的感受。

如今，算力補貼變成了科技大廠標配的新型福利。不少頭部企業都在密集推出面向全員的 AI 資源支持計劃，阿里巴巴為全體員工發放專屬 token 額度，騰訊被曝為員工配置年度價值約 22 萬元的 AI token 套餐，覆蓋多款主流開發與協作模型。4 月初，字節跳動在發布的內部信中宣布，工作場景 AI 工具不限額度，員工業余時間 AI 產品體驗費用公司報銷 50%。

好消息是，不用再當“氪金”上班的打工人了。但壞消息是，這份福利似乎很快要變成評估員工價值的隱形 KPI。有消息稱，國內某大廠當前正依據 token 使用量標準來作為轉正、晉升以及裁人的依據之一。

海外的科技巨頭亦早在大力在推進類似的管理制度：微軟要求各級主管評估員工績效時，必須考量 AI 工具使用情況；Meta、OpenAI 等公司內部出現員工 token 使用排行榜，實時滾動著每位員工的 AI 使用量；Shopify 的 CEO Tobi Lutke 去年給全公司發了封備忘錄，不僅將 AI 的使用情況納入績效考核，團隊申請加人之前，也必須先證明 AI 做不了這個工作。

也就是說，現在用 AI 用得不好要影響獎金，用 AI 用得不夠面臨被優化風險，就連部門的招聘名額都“反向掌握”在 AI 手里。

與此同時，AI 顛覆職場的方式正在加碼。只是引入 AI 工具的使用都算簡單且傳統了，“萬物皆可蒸餾”正成為當前的 AI 時代潮流。繼 “同事.skill” 走紅后不久，“女媧.skill”都緊接著登場了。該項目由 B 站 UP 主花叔開源，能將歷史人物或公眾人物的思維方式、決策邏輯和表達風格蒸餾成可復用的 AI 技能模塊，目前已支持喬布斯、馬斯克等 17 位知名人物的技能模塊，無需編程即可在 AI 助手中調用。

更現實的沖擊是，這種 “Skill 化”的用人模式，已不止停留在 GitHub 開源項目層面，有公司正在進行落地的大膽嘗試。

近日，國內一家游戲傳媒公司將離職員工訓練成 AI 數字人繼續留在公司“工作”。離職同事原為人事專員，其數字分身目前可承擔咨詢、邀約、制作 PPT 和表格等簡單工作�！白蛱爝�一起摸魚打趣的同事，今天就變成了 AI 人�！痹摴締T工小魚介紹，當事同事確已離職，但本次嘗試經過其本人同意。

“你的同事不是被裁，是變成了 token 繼續陪在你的身邊。”看熱鬧之余，焦慮也在職場人中快速蔓延，甚至衍生出一場隱秘的辦公室對抗。有消息稱，有公司開始要求員工提交自己總結的工作 Skill，還有開發者為此做出了“反蒸餾.skill”工具，能把 Skill 文件中的核心知識替換為“正確但毫無信息量”的話術。

不僅如此，人開始被“標上 token 價格”。token 耗的資金，正被頻繁拿來與員工的薪資做對比。幾天前， Claude Code 產品負責人 Cat Wu 稱其“不少功能的開發進度從 6 個月縮短到了 1 個月，有時甚至只需一天”，背后的 token 消耗雖然在飆升，但成本仍遠低于工程師的平均薪資。

而在這場 token 消耗大賽和數字員工的概念喧囂背后，發力的是在公司管理層誕生的“AI 神話”。

老板們眼中的“AI 神話”

全球的科技巨頭們，2026 開年以來，全在不約而同地干同一件事：砍人力、全面轉型 AI，把真金白銀砸向核心業務。這一戰略在中小公司身上，似乎表現得更為激進。據業內人士透露，今年年初，有技術出身又熟悉公司業務的老板親自用 Openclaw 搭建了各種數字員工，把公司人員縮減到原來的 20%，甚至覺得還能再減。

21 世紀的下崗潮，推進者好似變成了 AI。不少打工人在社交平臺哭訴，AI 使用效率低下成了裁人理由。一位開發者敘述道其公司新宣布的機制，“無論以往工作能力和貢獻，只評估 AI 使用能力以成立 AI 精英小組，其他人全部淘汰�！�

“去年很多企業還是圍繞原有業務流中的環節思考提效，比如寫作、數據整理。但今年，隨著 AI 能力變強，很多過去解決不了的問題現在能解決了，于是大家開始基于 AI 的能力特征重構業務流。這種提效更本質，好比過去為馬車修路，現在汽車來了，大家開始為汽車修路，汽車就能跑得很快�！鼻翱萍即髲S CTO、AI 技術專家軟風（化名）表示。

他透露道，此前其公司內部也在做數字員工，有些業務流服務頭部客戶還需要人，但服務長尾客戶就可以靠 AI 完成。并且，AI 在研發場景的提效效果同樣顯著，以產研的交付周期來看，值得買現在一個正常項目的交付周期能比以前縮短一半。他們最初為員工配置 40 美元的 token 包，很快不夠用，現在申請沒有上限。

“AI 編程的效率提升非常明顯。我們有的員工一個月 token 消耗約 1000 美元，一個人能干兩個人的活。”

飛豬高級技術專家謝勁松表示，“在 AI 使用力度上，去年和今年的差異非常大。過去大家對 AI 幻覺顧慮比較重，考慮到交付的穩定性，在如何用模型這件事上比較保守。今年，在平衡探索很多業務場景可能帶來的損失和智能帶來的收益之間，我們的決策邏輯在逐漸轉變，讓模型在復雜場景上幫我們解決問題的意愿和信心更強了。”

據其介紹，除集團內提供的大量免費資源之外，飛豬最近又加碼了新的政策，報銷所有同學因為工作場景產生的 AI 相關服務采購費用，額度最高 1000 元 / 月，不夠可以繼續申請增加。最直觀的效率提升是，從 idea 到落地的周期短了很多。以前的工作方式是流程化的，一環扣一環；引入 AI 之后，很多事情可以跨工種、跨角色并行推進，協同和溝通的損耗明顯下降。另一個變化是，大家能更快看到最終效果，對要不要做、怎么做可以更早形成判斷。

“飛豬全方位推進 AI 在業務上的落地，除了對交易、資金與強合規相關鏈路仍然非常審慎，運營、市場、數據分析等領域正活躍用 Agent 做提效的探索。”同時，謝勁松解釋道，AI 帶來的效率提升是靈活、非固化的，今天在一個場景中 work 的方案，換到另一個場景可能完全失效，真正有價值的改變是對工作過程的潛移默化�！皬奈覀�人角度看，以前一天只能做開會或者單線程做事，最多邊開會邊做點其他工作�，F在四五個 Agent 開著，可以邊寫方案、邊開會、邊做決策、邊寫代碼�！�

由此，我們看到一個清晰的信號：傳統的 AI 內容生成工具雖仍在沿用，但已不再是企業提效的核心增量�，F在，在企業內部推行的 AI 工具中，AI 編程和 Agent 成為兩大主力，前者對產業效率提升極高，后者對業務流效率提升不小。

跑崩的效率模式

誰來背鍋？

老板們看到的是 AI 帶來的機會，因此瘋狂擁抱 AI、加速其布局與落地。社區里，卻正在涌入越來越多來自一線職場人的“不和諧”聲浪。

“被 AI 搞的簡直亂上加亂�！痹谶@場 AI 提效競賽中，有人稱被迫替 AI 收拾起“爛攤子”，花大量時間給 AI 糾錯；還有人反饋因被拔高的提效標準加了更多的班，控訴“有了 AI，我反而更忙了”。

軟風對此坦言，早期 AI 經常寫出問題代碼、畫出不想要的圖，隨著模型能力提升，需要大力糾錯的場景正變得越來越少。謝勁松則表示，AI 確實對私有數據或私有業務流不熟悉，無法作出與人相同的判斷，有時需要糾錯，但依然瑕不掩瑜�！叭绻茏屽e誤沉淀成 skill 或知識庫，讓 AI 下次能檢索到相關信息去解決，這也不是什么大問題�！�

值得注意的是，的確并非所有崗位都能快速受益于 AI。“運營、審核等業務崗在初期應用 AI 時效率提升很快，立竿見影，但想更進一步就比較難了�！避涳L強調，“核心原因在于，以往的流程是為人的特點設計的，對 AI 并不友好。如果不能對業務流重新調整，AI 的天花板就不會很高�！�

謝勁松還提到，飛豬是做服務履約的平臺，對客服系統里引入 AI 會做得更審慎。客服對確定性、合規性和一致性的要求非常高，幻覺風險的管理季度重要，要把 AI 真正放進生產鏈路，需要更強的機制設計，如知識約束、流程編排、質檢與人工兜底等�！澳壳拔覀兏鼉A向于把 AI 定位為輔助一線同學提效的智能助手：讓它先承擔信息檢索、草擬回復、歸類總結等可控環節，由人來做關鍵判斷和最終確認�！�

同時他指出，在系統重構、架構設計這類復雜研發任務中，難點往往不在“寫代碼”，而在于把問題定義清楚、把約束講清楚、把取舍做清楚。AI 可以加速產出與驗證，但目標、邊界、遷移路徑、穩定性與最終驗收上，仍需要人來對結果負責。不過，他認為，這不完全是模型能力的問題。在真實的生產場景里，上下文與知識的可治理性是關鍵。業務邏輯、代碼與流程往往高度差異化，信息不對稱會讓 AI 很難做到像真人一樣“懂”，企業也會通過代碼助手、知識庫與規范接口等方式逐步擴大可被安全使用的邊界。

此外，軟風表示，對于 AI，企業內長期存在兩個極端聲音：一是把 AI 當“許愿池”，認為它什么都能干；二是苛刻地苛責 AI，覺得它什么都干不了�，F在后者隨著 AI 技術成熟變少了，前者反而顯現得更多了。謝勁松也指出類似的問題，“大家對 AI 的預期存在很大的認知差異，問題在于沒有認真分析 AI 的能力項、當前發展階段以及自己企業內部的問題，把 AI 當成了救命稻草，企業本身要解決的問題變成了向 AI 許愿�！�

價值判斷錯位是他們共同提到的另一項企業在 AI 轉型中存在的典型誤區。“用規模當參照，比如覺得場景標準化程度高，就想讓 AI 來承接，沒有充分評估幻覺風險帶來的影響�！倍�，AI 工具鏈本身迭代很快，知識庫、RAG、Workflow、Agent、Multi-Agent ，每種方案的適用邊界不同，企業在選型上面臨的決策復雜度遠超預期。“反倒是一線同學，場景邊界清晰、反饋即時，能把工具靈活穿插進日常工作，自身提效很明顯�！敝x勁松說道。

“實際上，AI 有自己的長板和短板，它運作效率高、能執行 SOP、沒有利益沖突。但如果組織形態和業務流程沒有針對 AI 做特定優化，就好比讓貓在水里和魚比游泳，自然是比不過的。”軟風強調。

token 消耗不持續不健康

如何“良性循環”？

“技術認知對提效效果的決定性作用變得更加明顯，AI 驅動本質上還是一把手工程�！避涳L指出，以往企業的業務流程是基于人的特點設計的，比如工作效率、精力切換特征、利益沖突行為等，但 AI 不存在這些問題�！叭绻习灞救藢I務流很熟，他就不只是在某個環節用 AI 提效，而是把整個流程基于 AI 的特點重新設計。這樣，大量人力被節省，整個業務流幾乎靠 AI 就能運轉�！�

他曾做過的實踐是：將所有業務劃分，那些涉及信任、情感連接的必須由人做；相對標準化的則完全交給 AI。兩類工作分割開后，重新為標準化工作設計業務流。

“token 可以花錢解決，模型會自己進化。但組織整體的進化和對 AI 的調整至關重要，如果不做，天花板就很低。這件事不是喊口號能實現的，必須靠了解業務流和 AI 的人做整體設計，并下定決心改革�！避涳L說道，“token 怎么算都比人便宜�！�

當被問及當前 AI 提效再上一個臺階的最大瓶頸時，謝勁松的回答毫不含糊：算力�！皌oken 成本會變成非常現實的硬約束，甚至會牽動采購與架構選型。”在他看來，提效再上一個臺階，意味著要從“半自動化（人機交互）”跨越到“全自動化（Agent 獨立運行）”。而規�；娜詣踊�，本身就意味著如流水一般的 token 消耗。企業如果只從節省成本出發，天花板很低。但如果把它放在“突破企業能力天花板”的視角，就完全不同。比如用 AI 自動化優化核心系統，把 Java 改成 Rust 這種級別的收益可能非常大。

“AI 提效健康與否，看 token 消耗和數字員工的產出就可以衡量。”軟風補充道。謝勁松同樣提到，token 消耗能反映 AI 的滲透度，但更關鍵的是要和交付周期、質量穩定性以及關鍵業務指標一起看。若 token 持續投入的同時，交付更快、質量更穩、業務指標或運營效率有可驗證改善，說明 AI 已經進入核心業務流程，狀態會更健康。

軟風認為，現在模型能力已經達到一定程度，針對它做的組織流程變化不會因為模型變強而需要大幅調整。模型變強只會讓流程更順暢、質量更高，這就進入了良性循環：企業可以隨時享受模型升級的紅利，能力變強自身也變強，不需要額外做太多改變。

謝勁松則拋出另一個角度：實現良性循環的關鍵在于“協同進化”。新的協作模式會誕生，通過調度和控制一堆 AI Agent 協同工作生產效率得到提升，可以將精力投入到那些非機械化、高附加值的‘突破與創新’中，拉高‘方向和創新’上限，良性循環就轉起來了。

理想的 AI 提效下

人該何去何從？

理想的 AI 提效狀態應該是什么樣子？

軟風給出的圖景是：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從頭到尾完成，有些事情完全由 AI 從頭到尾完成。每一件事都是一個完整的業務單元，而不是大事中的一個小環節。這樣人和 AI 的效率都能充分發揮，人在其長處發揮，AI 在技術方面發揮。

作為技術從業者，謝勁松也坦承，AI 帶來的焦慮真實存在�！癆I 在知識面和能力跨度上往往比單人更廣，對經驗和技能的沖擊也很直接�！彼硎�，以前在高并發等復雜場景里積累的經驗、在技術深度上建立的優勢，在 AI 時代都會被顯著削弱。能力結構被重新拉齊，工作方式和分工也需要重新適配。

那么，如果公司真正實現了理想的 AI 提效狀態，員工數量該減少還是增加？這個問題關乎每一個職場人的焦慮。

軟風給出的回答十分理性，“效率等于總產出除以人員數量。如果總產出不變，AI 提效的結果就是人變少，因為沒有提供更多服務、沒有服務更多人、沒有提供更多類型的服務。如果找到了新方向，業務擴大，員工數量就會增加。效率是一個除法得出的數�！�

此外，他提出了一個超越“提效”本身的更深層視角：AI 來了之后，如何構建新產品和新的業務增長通道？提效主要是讓原有業務成本更低、產出更大。但用戶行為在變化，比如以前搜索現在不用搜索了。大家都在用 AI，以后可能不需要打開 APP，如果現有能力沒有出口觸達用戶，該怎么辦？

對此他給出的判斷是，“如果 AI 成為未來的入口，企業就應該把自己的業務能力優化給 AI，讓 AI 直接使用你的業務，從而找到新出口。另外，企業內部如何將分散在微信、飛書、釘釘等不同通道的 context 聚合起來，把企業內通過不同渠道產生的上下文整合起來，在合理的權限下為 AI 提供一個支撐，會是一個新的解決方案方向。”

“提效之外，但更大的問題是 AI 來了之后帶來的新生態機會，以及如何填充這些機會�！避涳L說。

當“全員 AI”從口號走向實踐，各行的分水嶺正在劈下：那些用 AI 重構業務流的企業，開始收獲遠超“降本”的競爭紅利；而停留在“局部替代”和應用迷惘的組織，則可能在新一輪效率競賽中逐漸失速。而跨越這道分水嶺的關鍵，不止需要企業長出那個懂業務、懂 AI、敢于動流程的“新角色”，還在于找到一條新的“機會通道”。

而在此之后，人才斷代或將成為又一個該擔憂的境地。不可否認，AI 的存在讓很多專業消解了就業價值，也在悄無聲息地抑制新人入行的路徑。當最底層的原理不再需要個人思考，當每一步推導都可以被即時生成替代，一個可怕的循環便啟動了：沒有人再經歷“緩慢而笨拙”的認知爬坡，也就更難以拿出更高級的創新。技術越先進，人的思維越貧瘠；效率越高，未來越荒蕪。這或許也是 AI 時代值得警惕的隱形斷崖。

聲明：本文為 InfoQ 原創，不代表平臺觀點，未經許可禁止轉載。

會議推薦

世界模型的下一個突破在哪？Agent 從 Demo 到工程化還差什么？安全與可信這道坎怎么過？研發體系不重構，還能撐多久？

AICon 上海站 2026，4 大核心專題等你來：世界模型與多模態智能突破、Agent 架構與工程化實踐、Agent 安全與可信治理、企業級研發體系重構。14 個專題全面開放征稿。

誠摯邀請你登臺分享實戰經驗。AICon 2026，期待與你同行。

今日薦文

你也「在看」嗎？