AI 裁员会继续，直到我们真正学会用 AI

原始来源：Arnav Gupta / @championswimmer 的 X Article The layoffs will continue till we learn to use AI
原始帖子：https://x.com/championswimmer/status/2051807284691612099
文章链接：https://x.com/i/article/2051783989027848193
发布时间：2026-05-05
说明：本文是基于原文的中文解读与个人延展，不是逐句翻译。原文讨论的是近期所谓 AI layoffs 背后的财务、组织和生产力问题，本文重点梳理其核心框架和对个人、小团队、公司管理的启发。

---

最近看到一篇很有意思的文章，标题叫 The layoffs will continue till we learn to use AI。

直译过来就是：

裁员会继续，直到我们学会使用 AI。

这个标题很容易被误解。

它不是一篇普通的“AI 要抢你饭碗”的文章，也不是在说 Claude、ChatGPT 或 Copilot 已经可以直接替代公司里 10%、20%、30% 的员工。

作者真正想说的是另一件事：

这些裁员确实和 AI 有关，但不是因为 AI 已经完整替代了人，而是因为公司已经开始大规模为 AI 付钱，却还没有学会把 AI 成本转化成真正的业务结果。

这句话比“AI 替代人”更接近现实。

因为今天很多公司的情况是：

AI 成本上升
人力成本还在
代码和文档产出变多
收入和产品体验没有同步变化
利润和现金流开始承压

于是公司开始做一件很冷酷、但在财务表上很直接的事：

用裁员腾出成本空间，去支付新的 AI 账单。

所以这篇文章最狠的地方在于，它没有把 AI 裁员讲成一个技术幻想，而是讲成一个公司经营问题。

不是 Claude 变成了你的同事，坐在你的工位上。

而是公司突然多了一张很贵的 AI 账单，而这张账单暂时还没有带来足够多的新收入。

---

一、这不是简单的“AI 替代人”

过去一年，很多公司开始用类似的话术解释裁员：

• 组织要更 AI-native
• 团队要更扁平
• 管理者也要写代码
• 每个人都要管理一组 AI agents
• 公司要减少层级，提高速度

这些词现在已经非常熟悉。

熟悉到作者开玩笑说，好像所有 CEO 都在同一个群里，用同一个 prompt 生成裁员邮件。

但问题是，这些裁员到底是不是 AI 导致的？

有一种观点说不是。

他们认为很多公司本来就有问题：

• 疫情期间过度招聘
• 增长放缓
• 利润下降
• 市场竞争变强
• 战略判断失误
• 管理层想借 AI 做包装

所以所谓 AI layoffs，只是一种 AI-washing。

也就是公司本来就想裁员，只是拿 AI 当借口。

这个判断有一部分是真的。

但作者更进一步说：即便如此，这些裁员仍然和 AI 有关。

因为 AI 不只是一个借口。它已经真实改变了公司的成本结构、工作方式和组织想象。

以前一个需求需要找工程师、设计师、数据分析师、运营或文案。现在很多时候，一个人可以直接对 LLM 下 prompt，先做出一个粗糙版本。

以前很多公司最贵的是人力。现在人力之外，又多了一层 AI 订阅、token、企业授权、内部平台和算力成本。

以前大家争论的是“这个功能有没有工程资源做”。现在变成了“既然代码变便宜了，为什么不把所有想法都试一遍”。

所以，哪怕 AI 没有逐个替代员工工号，它也已经改变了裁员发生的背景。

这就是这篇文章的核心判断：

这些裁员是 AI layoffs，即使 AI 并没有直接替代你。

---

二、Input / Output / Outcome：理解这篇文章的关键

作者用了一个很简单但非常有用的商业框架：

Code = Input
Feature = Output
User pays money = Outcome

翻译过来就是：

• 代码只是投入
• 功能只是产出
• 用户愿意付钱才是结果

这三个词很重要。

因为今天很多关于 AI 生产力的讨论，其实都混在一起了。

有人说 AI 让工程师写代码快了 2 倍、5 倍，PR 数量上去了，diff 数量上去了，内部工具变多了，原型做得更快了。

这些都可能是真的。

但它们大多还停留在 Input 和 Output。

代码多了，是 Input 多了。

功能多了，是 Output 多了。

只有用户更愿意付钱、客户留存更好、销售效率更高、成本真正下降，才是 Outcome。

问题就在这里。

如果 AI 让公司每天生成更多代码，但这些代码没有变成用户真正需要的功能，或者功能没有变成收入，那公司只是花更多钱制造了更多中间产物。

作者的反问很尖锐：

如果 AI 让代码产出提升了 2 到 5 倍，为什么公司的收入没有提升 2 到 5 倍？

为什么很多产品看起来和 6 个月前差不多？

如果用户根本感受不到变化，那这些多出来的代码到底在生产什么？

这是我觉得这篇文章最值得中文读者理解的地方。

AI 提升的不是自动意义上的生产力。它首先提升的是生产活动的数量。

真正值钱的，不是更多活动，而是更多结果。

---

三、AI 让代码变便宜，但没有让判断变便宜

以前工程团队常常会说：我们只能做最重要的两个需求，剩下八个做不了。

原因很简单：

写代码很贵。

不是只贵在敲键盘，而是贵在设计、实现、测试、上线、维护、排错、跨团队协作。

这种“贵”虽然让人烦，但它有一个隐藏作用：

它迫使公司提前筛选想法。

CEO 或 PM 有 10 个想法，团队只能做 2 个。于是大家必须争论：

• 哪个最重要？
• 哪个最接近用户问题？
• 哪个最可能带来收入？
• 哪个只是拍脑袋？
• 哪个做出来反而会增加复杂度？

这套过程很慢，但它会过滤掉很多坏想法。

现在 AI 把写代码变快以后，这个过滤器被削弱了。

一个想法还没有被充分验证，MVP 已经做出来了。

一个团队刚做了一个版本，另一个团队也用不同假设做了一个版本。

大家都觉得自己对，因为 AI 都会对你说：你说得对，我来实现。

结果公司从“写不出代码”变成了“大家都能写代码，但没人对齐方向”。

这就是作者说的 alignment tax，可以理解成对齐税、协调税、组织摩擦成本。

AI 降低了编码成本，但没有降低组织协调成本。

甚至在很多公司里，因为每个人都能更快做出东西，协调成本反而变高了。

这也是为什么单纯说“工程师有 AI，所以可以少招人”是不完整的。

真实问题不是代码变多了没有。

真实问题是：

公司有没有能力让变多的代码，沿着正确方向流向产品结果和商业结果。

如果没有，AI 只会放大混乱。

---

四、为什么 AI 成本会挤压人力成本

作者有一段很现实的计算。

如果一个工程师每天消耗 100 美元 Claude token，一年大约就是 3 万美元。

这个数字在不同国家对应的人力成本不一样。

在印度，可能接近一个软件工程师的年薪。

在欧洲，可能是半个工程师。

在美国，可能是四分之一个工程师。

这个计算当然很粗糙，但方向很清楚：

AI token 正在变成新的工资单。

以前公司的软件研发成本主要是工资、设备、云服务、办公和管理。

现在每个工程师、产品经理、设计师、运营人员都可能额外带来一笔 AI 使用成本。

如果这些 AI 成本带来了更高收入，那问题不大。

比如一个销售工具能让成交速度提高 36%，并且按成交额抽成，那公司会非常愿意付钱。

因为它直接改变 Outcome。

但 Claude Code、Copilot、ChatGPT Enterprise 这类工具的定价方式，大多不是按你带来的收入抽成，而是按席位、token、调用量或企业授权收费。

也就是说，不管你生成的代码最后有没有上线，不管上线以后有没有带来收入，公司都要付钱。

于是财务问题出现了：

Input 成本上涨
Outcome 暂时没有明显上涨
公司单位经济模型变差

在这种情况下，公司最直接的动作就是压缩其他成本。

而最大的一项成本，通常就是人。

所以作者说得很直白：

如果我们学会了使用 AI，让 50% 更多的 Input 成本转化成 50% 更多的收入，那就不需要裁这些人。

但如果我们没有学会，那么就会有人离开，为 Anthropic、OpenAI、Google、Microsoft 的账单腾出空间。

这不是技术判断。

这是现金流判断。

---

五、裁员短期还会减少“对齐税”

除了抵消 AI 支出，作者认为裁员还有第二个短期效果：

减少组织摩擦。

大公司天然会有冗余。

这不是纯粹坏事。

大组织需要冗余，因为它要保证有人休假、有人离职、有人转岗时系统还能运转。

一个人休 6 个月育儿假，项目还能继续，这其实是成熟组织的优点。

但从另一个角度看，这也说明很多组织不是“刚好够用”，而是有缓冲、有重叠、有 slack。

当公司裁掉 10% 或 20% 的人时，系统短期内不一定马上崩。

甚至可能在几周混乱之后，短期速度变快。

因为需要对齐的人少了。

以前两个团队对一个方向有不同理解，要开会、协调、争论、合并方案。

现在裁掉一个团队，另一个团队直接接手。

这未必长期健康。

但短期看，决策链条变短了，阻塞变少了。

这也是为什么很多裁员后的公司，短时间内可能真的看起来更快。

问题是，组织债务并不会消失。

大公司过一段时间仍然会重新长出层级、冗余、流程和协调成本。

就像技术债会回来，组织债也会回来。

所以裁员不是根治。

它只是短期把成本和摩擦砍下去。

如果公司仍然没有学会把 AI 变成 Outcome，下一轮压力还会回来。

---

六、为什么“会用 AI”这个说法太浅了

现在很多人都说，要成为会用 AI 的人。

这句话没错，但太粗。

什么叫会用？

会写 prompt 算不算？

每天用 ChatGPT 总结资料算不算？

让 Claude 写代码算不算？

让 Midjourney 或 GPT Image 做图算不算？

这些都算，但都只是很浅的一层。

从这篇文章的角度看，真正的会用 AI，不是让 AI 产生更多 Input。

而是能把 AI 接进一个业务闭环里。

比如：

• 用 AI 更快找到客户问题
• 用 AI 更快验证需求真假
• 用 AI 把重复交付流程自动化
• 用 AI 缩短从想法到上线的周期
• 用 AI 把销售、运营、客服、产品数据连起来
• 用 AI 让一个小团队完成过去多个岗位才能完成的闭环

这才是从 Input 到 Outcome。

如果 AI 只是帮你写更多文档、更多代码、更多内部汇报，但没有让客户更满意、收入更高、交付更稳、成本更低，那它仍然只是在增加生产活动。

所以未来真正安全的人，不只是“会打开 AI 工具的人”。

而是能回答这几个问题的人：

• 这个 AI 产出服务哪个业务目标？
• 它减少了哪个真实成本？
• 它增加了哪个真实收入？
• 它缩短了哪个关键流程？
• 它有没有进入一个可重复的工作流？
• 它有没有被验证，而不是只看起来很忙？

这类人更像是 AI 时代的业务系统设计者。

他们不是单纯多写代码，也不是单纯多生成内容。

他们知道把 AI 放到哪里，才能产生结果。

---

七、对个人和小团队的启发

这篇文章对公司管理层有启发，对个人和小团队也有启发。

很多人看到 AI 裁员，第一反应是焦虑：

我的岗位会不会没了？

我的技能会不会过时？

我是不是要马上学一堆 AI 工具？

这些问题都合理。

但更好的问题可能是：

我现在做的工作，离 Outcome 有多近？

如果一个人的工作长期停留在 Input 层，比如只是写代码、写文档、做表格、整理材料，而他并不理解这些东西如何变成用户价值，那他确实会越来越危险。

因为 AI 最先放大的，就是这类可被描述、可被拆分、可被生成的中间劳动。

但如果一个人理解业务闭环，知道客户为什么买单，知道哪些环节卡住结果，知道怎么把工具、流程、数据和人组织起来，那 AI 反而会放大他的能力。

小团队尤其如此。

过去小团队缺人，所以很多事做不了。

现在 AI 让很多边缘能力变得可借用：

• 不会写脚本，也能做一点自动化
• 不会设计，也能做初版视觉
• 不会前端，也能搭原型
• 不会数据分析，也能先跑出报表
• 不会写英文，也能做多语言版本

但小团队真正的优势不在于“每个人都能用 AI 做更多事”。

而在于它更容易把 AI 产出接进真实闭环。

大公司常常卡在对齐、审批、部门墙和组织债里。

小团队如果目标清楚，反而可以更快完成：

发现问题 -> 做出工具 -> 交付客户 -> 收到反馈 -> 改进产品 -> 再次交付

这条链路一旦跑通，AI token 就不是成本，而是杠杆。

---

八、放到我自己的工作流里，这篇文章提醒了什么

我最近越来越强烈地感受到一件事：

AI 的价值不在于单点炫技，而在于进入闭环。

比如写文章。

如果 AI 只是帮我生成一段文字，那它只是内容 Input。

但如果它能进入一个完整流程：

选题 -> 资料整理 -> 解读稿 -> 博客版 -> 公众号版 -> WordPress 发布 -> 进度记录 -> 下次复盘

那它就不只是写作助手，而是内容运营系统的一部分。

再比如 WordPress 插件。

如果 AI 只是帮我写几段 PHP，那它只是代码 Input。

但如果它能进入：

客户痛点 -> 插件功能 -> 本地开发 -> 部署 -> 验收 -> 更新反馈 -> 文档沉淀 -> 商业化页面

那它就开始接近 Outcome。

这也是我做 karlslog / HappyMeasure 时越来越关注的方向。

不是为了证明 AI 能写多少代码。

而是为了把真实业务里的断点补起来。

外贸公司有很多这样的断点：

• 广告数据和询盘数据断开
• 表单提交进入邮箱后没有结构化沉淀
• 客户来源追不清
• 销售反馈回不到投放优化
• 老板只能看花费和询盘数量，看不到真实质量
• 网站、广告、邮件、CRM、报表彼此割裂

这些问题不是靠多写几千行代码自动解决的。

它们需要有人理解业务链路，然后把 AI、脚本、插件、数据库、报告和运营流程接起来。

所以我很认同这篇文章的一个隐含判断：

代码会越来越便宜，但知道哪里该写代码，仍然很贵。

AI 降低了实现成本。

但判断什么值得实现、怎么验证、如何接进业务闭环，仍然是稀缺能力。

---

九、AI 裁员真正提醒我们的事

这篇文章最后的意思可以压缩成一句话：

裁员会继续，直到公司学会把 AI token 转化成业务结果。

如果公司只会让员工生成更多代码、更多文档、更多方案，但收入没有上升，产品没有变好，客户没有更满意，那 AI 就会成为新成本。

新成本需要被支付。

如果收入不支付它，就会由工资单来支付它。

这就是 AI layoffs 背后的财务逻辑。

但这并不意味着结论一定悲观。

它真正提醒我们的是：不要把 AI 使用停留在表层。

不要只追求：

• 更多代码
• 更多内容
• 更多 prompt
• 更多工具
• 更多自动化动作

而要追问：

• 结果是什么？
• 谁受益？
• 哪个流程变短了？
• 哪个成本下降了？
• 哪个收入增加了？
• 哪个客户问题被解决了？

AI 时代最容易产生的幻觉，是把忙碌误认为生产力。

而这篇文章提醒我们：

生产力不是产出更多东西，而是把更多投入转化成更好的结果。

---

总结

我对这篇文章的理解，可以总结成几句话：

• AI 裁员不是简单的“AI 已经替代员工”。
• 它更像是公司在 AI 成本上升、收入没有同步上升时，重新调整成本结构。
• AI 让代码、文档、原型和方案变多，但这些仍然只是 Input 或 Output。
• 真正重要的是 Outcome，也就是用户价值、收入、留存、效率和成本改善。
• AI 降低了编码成本，但没有自动降低判断成本和组织协调成本。
• 大公司裁员短期可以抵消 AI 支出，也可以减少对齐税。
• 长期看，只有学会把 AI 接进业务闭环，公司和个人才能真正受益。

所以，未来真正值得培养的能力，不只是“会用 AI”。

更准确地说，是：

能把 AI 从一个生成工具，变成业务结果放大器。

这件事还没有被大多数公司真正学会。

也正因为还没有学会，AI 裁员才会继续。

---

原始来源：Arnav Gupta / @championswimmer，X Article《The layoffs will continue till we learn to use AI》
原始帖子：https://x.com/championswimmer/status/2051807284691612099
文章链接：https://x.com/i/article/2051783989027848193