大厂「牛马」，被迫用AI定焦One
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？
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。