大厂引入AI后，打工人为何反而更累更卷？

“都说 AI 让我们效率更高了，为什么我们反而更累了？”

“每天教 AI 怎么工作，是不是在亲手训练自己的替代者？”

此前外滩大会上的这两个问题，直击许多互联网大厂员工的真实处境。以往员工比拼加班时长与 KPI，如今考卷上多了 Token 消耗量与投入产出比（ROI）。

用得少可能被管理层问责“缺乏创新意识”，用得多又会被要求严格核算业务产出。大厂员工积极拥抱 AI 的背后，既渴望通过工具提效，又时刻提防自己被算法淘汰。在这场永无止境的效率竞赛中，职场人不得不顺应趋势，争做“AI 效率代表”。

从工具外挂到硬性考核：Token 消耗成了新指标

在多家一线互联网企业，AI 已不再是员工个人的辅助外挂，而是全面嵌入日常业务的基础设施。各大厂均在算力与模型资源上大举投入：腾讯为混元团队员工提供每月数千元的 Token 额度；阿里产品与研发人员享有充足的使用配额，钉钉与内部模型的打通甚至能直接追踪日志生成周报；字节跳动不仅内部工具全面开放调用，还为员工报销外部 AI 订阅费用。

资源倾斜的同时，考核标准也在发生变化。部分团队曾将单月 Token 消耗量纳入晋升与绩效参考。用得少，会引来“为什么不用 AI”的质疑；用得多，又要直面“成本究竟换回了多少实际产出”的拷问。

麦肯锡全球调查显示，年营收 10 亿美元以上的大型企业中，已有 40% 在至少一个业务流程中实现了 AI Agent（智能体）的规模化部署。无论是产品经理通过自然语言快速生成原型 Demo，还是运营利用数据评测 Agent 将数天的标注任务压缩至几十分钟，“熟练调度 Agent 解决问题”已迅速从岗位加分项演变为标配技能。

招聘门槛重塑：80% 岗位要求掌握 AI

这种技术压力正快速向外部人才市场传导。近期的大型招聘数据显示，美团校招中超过 80% 的岗位明确要求 AI 相关能力；蚂蚁集团秋招的技术岗位八成以上与人工智能挂钩；携程等企业的研发笔试也全面引入了 AI 编码模块。

行业对人才的评估标准，正由传统的垂直技能转向“专业领域 + AI 应用”的复合能力模型。然而，AI 对不同岗位的冲击并非均匀分布。

业内通行的判断标准是：一项工作的目标定义越清晰、线上流转链路越完整、结果越容易被自动化测试或标准验收，就越容易被 AI 接管。基础代码编写、常规数据抽取以及初级活动方案的脑暴，成为最早受到冲击的重灾区。原本留给应届生与初级员工的练手任务，已被模型以更低成本、更高速度完成。

提效悖论：个人省下的时间，并未变成组织效率

BCG 针对职场人的调研显示，经常使用 AI 的一线员工中，42% 每周至少能节省 8 小时工作时间。但在真实的组织运转中，这些省下来的时间并没有转化为休息，而是迅速被更多的新增任务与更高的交付预期填满。

德勤的一项行业调查指出，仅有 5% 的企业认为现有业务流程能高度适配 AI Agent，真正实现跨部门、多 Agent 规模化协同的比例仅占 15%。这暴露了当前企业提效的核心矛盾：AI 极大加速了单个执行任务的完成，但组织的整体效率往往卡在跨部门协同与决策环节。

员工可以在十分钟内生成一份详尽的数据分析报告，但业务方向是否调整、资源是否倾斜，依然需要漫长的审批流程；工程师可以快速生成功能代码，但该功能能否带来真实的业务增长，模型无法给出保证。当执行成本无限降低，拍板决策反而成为更稀缺的瓶颈。

盲目追求 AI 化也带来了显性成本。美团核心本地商业管理层曾公开反思，团队在早期快速推广数万个内部技能模型时，曾一度导致单日 Token 消耗巨大，而低质内容与幻觉问题甚至干扰了正常的经营判断。随着企业进入精细化核算阶段，Token 账单正倒逼管理层从“问数量”走向“考收益”。

算法重压下的职场应对与人类核心价值

面对指标考核，不少打工人也摸索出了应对策略。有算法工程师将主管的历史沟通记录与决策偏好输入模型，构建出针对主管的专属 Agent，在方案汇报前先让 AI 挑刺演练，借此获得更高的绩效评级；在年终环评中，员工借助自动化工具批量生成结构严密、措辞周全的评价内容，形成了系统生成、系统阅读的奇特闭环。

在“怎么做”逐渐被大语言模型接管后，打工人的不可替代性被进一步压缩至几项底层能力：

1. 定义问题：明确业务的核心痛点，判断为什么做 A 方案而不是 B 方案；
2. 业务对齐：在数据口径不一致、系统标准冲突的灰色地带中，协调各方达成共识；
3. 承担责任：AI 可以提供多种策略选择，但无法为商业决策的失误承担后果或绩效问责。

AI 加快了大厂齿轮的运转节奏。在工具赋能与潜在替代的双重压力下，职场人与算法之间的博弈仍将长期持续。