夜雨聆风别焦虑 · 听听大佬的真心话 · 写给被 AI 追着跑的你
引 每个人都被 AI 追着跑
最近几个月，我能明显感觉到身边的"AI 焦虑"像传染病一样扩散：
• 做销售的朋友每周一节 AI 课，已经背了 4 个月的 Prompt 模板。她叹气："我学的不是说话的本事吗？怎么搞得跟背英语单词似的。"
• 做行政的朋友每天打开 ChatGPT 截图打卡，因为新 KPI 加了一项"AI 使用率"——跟当年发朋友圈打卡一个味儿。
• 应届毕业生去面试，HR 张口就问："你会用 AI 吗？什么 Agent 框架？"她当场愣住。
• 我邻居群里居然有人发问："谁会装那个龙虾？付费请人帮装一下。"
技术圈那边更卷。前两年还在卷 Prompt Engineering，去年开始追 Vibe Coding，今年又冒出来 Context Engineering、Subagents、Harness Engineering、Skills、MCP……新名词几乎每个月都有。
每个人脸上都写着同一种表情——怕。
怕学慢一步就被淘汰；怕老板某天说"我们已经不需要这个岗位了"；怕"你不会被 AI 取代，但你会被会用 AI 的同事取代"那句话变成现实。
这场焦虑，至少有一半是被营销出来的。
今天咱们抛开焦虑，结合一手数据和真正的行业大佬怎么说，聊聊两件事：
1. 作为打工人，怎么在浪潮里站稳脚跟，又不被裹挟？
2. 作为老板，企业到底要不要 All In AI 转型？要转的话怎么转才不踩坑？
1 一年前的豪言，一年后没兑现
时间倒回 2025 年 1 月。
OpenAI 的 CEO Sam Altman 在博客《Reflections》里写下一句话，被无数公司当成战略圣经：
翻译过来就是："今年开始，AI 就要替你们干活了。"
董事会、年会、投资人见面会，处处都在喊"我们要 AI-Native 转型"。一时间没说自己是 AI 公司，都不好意思跟同行打招呼。
结果呢？
2025 年 12 月，《纽约客》（The New Yorker）发了一篇年终复盘，标题就一句话：
紧接着 2025 年 10 月，Fortune 杂志报道——OpenAI 自己的联合创始人接受采访时改口：
最早喊"Agent 之年"的那家公司，自家联创都说"再等十年"了。
更新的数据更扎心：就在 2026 年 5 月 19 日，PwC 发布了《2026 年全球 CEO 调研》，覆盖 4454 位全球企业 CEO，结论是：
这不是个人观点的分歧。这是整个行业从过度承诺中冷静下来的信号。
2 那些"卷"得离谱的公司，你听了会笑
故事一：先让员工训练 AI，再裁掉员工
主角：扎克伯格的 Meta。
就在三天前——2026 年 5 月 20 日，Meta 正式宣布裁员 8000 人（约占全员 10%），同时把 7000 人调入 AI 部门。Zuckerberg 在内部备忘录里说："在 AI 时代，成功不是必然的。"（CNBC, 2026/5/20）
听起来还算正常？真正炸锅的是前一周泄露的一段内部录音：
（WION News, 2026/5/19）
美国 Mother Jones 杂志 2026 年 5 月 21 日的报道标题更直接：
WIRED 跟踪报道说，Meta 内部"员工士气历史性低迷"。大家都在猜：今天教 AI 怎么干活，明天工位是不是就空了？
这不是科幻片。是这个礼拜的真实新闻。
故事二：Token 成了新型 KPI，烧得多就是有功
硅谷出了个新词：Tokenmaxxing——直译"堆 Token 数"。
什么意思？一些大公司开始把"员工烧了多少 Token"当成员工绩效。
于是出现了奇景（数据综合自 Success.com 2026/5、TechCrunch 2026/3、Business Today 2026/5/22 等多家媒体）：
• 亚马逊员工被曝故意虚增 Token 用量，只为在内部排行榜爬高一点；
• Meta、OpenAI 内部工程师互相比拼"我这周烧了多少 Token"；
• 有工程师一周消耗 2100 亿 Token，相当于读完 33 本维基百科；
• 单人月度 AI 账单能烧到 15 万美元；
• OpenAI 高管公开建议："顶级工程师一年应该有 25 万美元 AI 预算，这是新型招聘武器。"
听起来很爽？就在昨天——2026 年 5 月 22 日，Fortune 发表的报道直接打脸：
同一天，Business Today 的标题更直接：
Uber 一年的 AI 预算，几个礼拜就烧完。
更让人警醒的是——Microsoft 自家《2026 年 Work Trend Index》报告显示，企业 AI Agent 使用量同比增长 18 倍。但 PwC 调研同时显示 56% 的 CEO 报告零财务收益。
= 一场堆出来的虚假繁荣。
说白了：烧 Token 不等于创造价值。会烧钱的不是能人，是败家。
如果你公司也开始考核"AI 使用率"，请把这段截图发到工作群（开个玩笑，你懂的）。
3 AI Coding 提速 10 倍？数据说没有
最常听到的一句话："用了 AI 写代码，效率快 10 倍。"
听起来很爽。但产品经理们慢慢发现一件事：程序员快了，可产品发版速度好像还是那样。
这是为啥？
一组让 CEO 沉默的数据
研究机构 METR 在 2025 年 7 月做了一个被业界称为"金标准"的随机对照实验：找了 16 名资深开源开发者，246 个真实任务，用 Cursor + Claude（顶配 AI 编程工具）。
实验前问开发者："用 AI 你觉得能快多少？"答案：平均预估快 24%。
实验后实测结果：反而更慢了。
因为他们对自家代码太熟，AI 的建议反而要花时间核对、纠正、再确认。Fortune 当时评论的标题就是《编程是 AI 的杀手级应用？但好处可能被夸大了》（2025/7/15）。
2026 年 4 月，DX 公司发布的最新报告，跟踪了 420 万开发者：
| 65% | |
| 7.76% | |
| 5%–15% |
93% 的程序员在用 AI，但生产效率只提了 10%。
（数据来源：DX Research 2026）
为什么"飞起"和"快 10 倍"差这么多？
我作为一线观察者的体会，就 3 件事：
1. AI 写得快，但人 Review 也得快。 AI 一小时输出 2000 行代码，人不审你不敢上线，审了瓶颈就到了人这。
2. AI 写测试自己也有 Bug。 测试用例可能是错的，每次执行结果还有不确定性，最终还是要人兜底。
3. 写代码只是产品流程的一环。 后面还有部署、运维、监控、运营——AI 在这些环节远不如代码生成成熟。前面快了，后面没跟上，整体速度就没变。
懂了这个，就知道为什么很多公司花了大钱搞 AI Coding，老板却觉得"好像也没啥差别"。
4 企业自建 AI Agent，95% 都没做成
很多老板谈"AI 转型"，第一个想法就是："咱们打通内部数据，搭一个公司专属 AI 大脑、做个自己的 Agent！"
听起来很美——这也是当下大多数企业 AI 转型的"标配动作"。但 MIT NANDA 项目 2025 年 8 月发布的《State of AI in Business 2025》报告，给所有 CEO 泼了盆冷水（数据来自 Fortune 2025/8/18 报道）：
| 95% | |
| 300–400 亿美元 | |
| 67% | |
| 33%（只有一半） |
自建的成功率，正好是采购的一半。
这一数据并不孤立。2026 年 5 月 19 日发布的 PwC《全球 CEO 调研》中，4454 位全球 CEO 里有 56% 表示在 AI 上的投入"没有产生财务回报"。同期 Forbes 引用的 Sinch《2026 AI Production Paradox》和 Deloitte《State of AI in the Enterprise 2026》两份报告也得出同样结论："AI 采用速度在加快，但执行落地在变慢。"
我观察过不少企业自建 Agent 项目，最后做出来的东西就是一个稍微聪明点的对话机器人——能查个数据、回答个 FAQ、写个总结报告。然后开发布会，宣布"我司已成为 AI-Native 公司"。
为什么这么难？说白了：
1. 技术迭代太快。 你今年花几百万微调一个模型，明年人家发布的新的开源权重模型，比你微调的还聪明。昨天的护城河，今天就是一条沟。
2. "数据安全"很多时候是个借口。 不少企业自建的理由是"为了数据安全"。但你接的还是 OpenAI、Anthropic 的 API 吧？数据照样要传出去。除非你完全私有化部署，那成本你公司扛得起吗？
3. 概念几个月一变。 去年还在卷 Prompt Engineering，今年是 Context Engineering、Harness Engineering，明年是什么没人知道。每一次"潮流"都让上次的工作打水漂。
4. 真正稀缺的不是模型，是"全链路懂行的人"。 能让 Agent 跑通的，是懂技术 + 懂业务 + 懂运维 + 懂产品的复合人才。这种人比 GPU 还贵还少。
5. 你做不过 Claude Code、Codex 这些头部产品。 它们背后是几亿美金 + 几千博士的卷出来的。你公司挖来 30 个人也追不上。
多数企业的"自建 Agent"，是 CTO 的政绩工程，不是真正的业务杠杆。
那 5% 成功的公司，到底做对了什么？
MIT 报告里特别拎出来分析：成功的那 5%，几乎没有一家是"从零自建大模型"的。它们的共同点很朴素：
• 小切口：不搞"全公司大脑"，先选一个具体痛点（比如客服话术、合同审查、报销流程），用一个 AI 工具跑通；
• 买现成：直接用头部 AI（Claude、ChatGPT、Gemini 等），把 80% 的力气花在流程改造和员工培训上，而不是模型本身；
• 看业务结果：衡量"客户响应时间、人均产出、错误率"，不衡量"Token 消耗、AI 使用率"；
• AI 增强人，不取代人：让员工用 AI 干得更好，省下来的时间投入到更有价值的事——而不是让员工训练完 AI 就走人。
说白了：成功的公司不是"AI 公司"，是"会用 AI 的公司"。
5 听听真正的技术大佬怎么说
被新闻和自媒体淹没的时候，我们最该听的是真正在一线做 AI 的人怎么说。这里有三位，立场不同，但句句砸地。
1. Andrej Karpathy（前特斯拉 AI 总监、OpenAI 创始成员）
2025 年 10 月他在 Dwarkesh Patel 的播客里直接说：
更狠的是，他直接把当前的 Agent 称为 "Slop（垃圾）"——存在严重的"认知缺陷"，需要漫长的可靠性爬坡过程。
有意思的反转是：4 天前——2026 年 5 月 19 日，Karpathy 宣布加入 Anthropic 的 Pre-Training 团队。TechTimes 的报道标题非常精准：
为什么这件事重要？因为 Karpathy 用行动告诉所有人：他相信 AI 的长期价值，但短期内的吹捧是泡沫。
2. Yann LeCun（图灵奖得主、Meta 前首席 AI 科学家）
注意，他可是从 Meta 出来的——也就是上面"让员工训练 AI 替代自己"的那家公司的前首席 AI 科学家。
2025 年 11 月，他离开了工作 12 年的 Meta，融资 10 亿美元创办 AMI Labs。原因很硬核（据 Newsweek、The Next Web 等多家媒体报道）：
"建议年轻人不要再做 LLM 相关研究，去做下一代 AI 系统。"
3. 黄仁勋（Nvidia CEO）
老黄虽然是卖铲子的，但他对企业和员工说的话反而最克制、最朴素（以下引语综合自 Fortune 2025/10、2026/4 多篇报道）：
"未来企业的劳动力，会是人类和数字人类的组合。"
"你不会被 AI 取代，但你会被会用 AI 的同事取代。"
"有些 CEO 有'上帝情结'——他们以为自己什么都懂。但这种过度自信会让公司失去关键人才。"
"你的工作和你完成工作所用的工具是相关的，但不是同一回事。"
最后这句话，每一个打工人都该贴在显示器上。
6 写给打工人：你不必那么焦虑
最后聊聊我们自己——这才是这篇文章真正想说的。
身边人都在焦虑，怕学慢、怕落伍、怕被取代。但你看完上面的内容会发现：
• 喊"2025 是 Agent 之年"的 OpenAI 联创，自己改口"再等十年"；
• Meta 首席 AI 科学家说当前路线是死胡同；
• 黄仁勋反复强调"工作不会消失，使用工具的方式会变"；
• MIT 数据说 95% 的企业 AI 项目没产生回报。
至少一半是被营销出来的。
剩下那一半呢？是真实的——但应对方式不是慌着学每一个新名词，而是这几条：
1. AI 是放大器，不是替代品
你本来就行的事，加 AI 会做得更好；
你本来就不行的事，AI 救不了你。
你不会写文案，AI 写出来的东西你会觉得"挺好的"——但那是因为你不懂好文案长什么样。AI 的天花板，是使用者的判断力。
2. 打好底层基本功
未来 AI 越发达，审美、判断、沟通、信任、责任感这些 AI 提升不了你的东西，反而会因为它而更稀缺。
• 销售：AI 能写话术，但客户信任你这个人；
• HR：AI 能筛简历，但识人用人靠你；
• 老师：AI 能讲知识，但孩子愿意跟你学；
• 医生：AI 能诊断，但病人愿意把手伸给你。
人和人的连接，是 AI 暂时拿不走的东西。
3. 别追每一个新名词
Vibe Coding、Context Engineering、Subagents、Harness、Skills、MCP……这些词每个月都在变，追不完的。
理解原理，而不是名词。 原理一通百通。
举个例子：你不需要知道 RAG 是怎么实现的，只要知道"AI 会把你的资料读一遍再回答"——剩下的都是工程细节，跟你没关系。
4. 在你的领域用一两个工具，用透
不要一会儿 ChatGPT 一会儿 Claude 一会儿 Gemini。
挑一个，用 3 个月，深度集成进你的工作流，让它变成你工作的一部分——这比学 10 个工具的皮毛有用 100 倍。
5. 保留对工具的好奇，保留对炒作的怀疑
这两件事一点都不矛盾。
对工具好奇的人，不会落伍；
对炒作怀疑的人，不会被收割。
7 顺便给老板们说几句
聊完打工人，老板那边也得说几句。
回到开头那个问题——企业到底要不要 All In AI 转型？要的话怎么转？
我的答案是：要转，但不是你想象的那种转法。
不是裁员、自建大模型、把 Token 当 KPI；
不是开发布会喊"我们是 AI-Native 公司"；
更不是把员工经验榨干变成训练数据。
下面 5 条朴素建议，核心思想还是那句：别慌，回到价值本身。
1. 别再纠结"自建大模型"，去改造你的业务系统
你的护城河从来不是模型权重，而是业务数据 + 业务流程 + 行业 Know-How。
举个例子：你公司有个用了 20 年的内部系统（CRM、ERP、工单系统都行），员工天天用得很熟，但接口乱、文档差。想"AI 化"，正确做法不是花 5000 万训练一个"销售大模型"，而是：
• 把 API 文档整理清楚；
• 加一层 AI 友好的协议（比如 MCP、CLI）；
• 写一份"业务能力目录"，让 AI 能像新员工查手册一样调用你的系统。
这样无论明天大模型从 Claude 4 换到 Claude 5，从 GPT-5 换到 GPT-6，你的业务能力都能即插即用。模型层迭代多快都不影响你。
2. 善用头部 AI，不要重复造轮子
OpenAI、Anthropic、Google 每家公司每年在模型训练上烧的钱是 100 亿美金量级。你公司挖 30 个博士也追不上。
很多老板说"为了数据安全才自建"，但你想想：
• 你接的还是别人的 API 吗？数据照样要传出去；
• 真正私有化部署的成本和效果，你公司年利润够吗、扛得住吗？
• 微调一个开源模型几百万，明年新版本一出又得重做。
把省下来的钱，投到工作流改造、员工培训、客户体验上——回报率远高于自建。
3. 把 Token 当水电费，别当成 KPI
Tokenmaxxing 这种风气，本质是变相奖励"做样子"的工作。员工为了排行榜虚增用量，公司为了财报数字鼓励虚增——最后烧的全是真金白银，业务一点没动。
健康的指标永远是业务结果：
• 客户响应时间是不是更快了？
• 缺陷率是不是降了？
• 迭代周期是不是缩短了？
• 客户满意度是不是涨了？
不是日志里那个 Token 数字。
4. 培养"全链路理解者"，比挖 AI 专家更重要
未来最值钱的不是"会写 Prompt"的人，而是懂业务 + 懂技术 + 懂产品 + 懂运营的指挥家。
这种人能干什么？
• 拆解需求，知道哪一步交给 AI、哪一步必须人来兜底；
• 调度多个 AI 工具 + 多个团队 + 多个系统，让流程真正跑通；
• 出问题的时候，能判断是模型问题、Prompt 问题、还是数据问题；
• 把领域 Know-How 沉淀成 AI 可复用的资产。
95% 失败的 AI 项目里，那 5% 成功的关键就是这种人。
不要急着去挖一个"前 OpenAI 工程师"——先在你团队里找那个懂业务又愿意学技术的人，把他/她培养成全链路理解者。这种内生人才比外部空降更稳。
5. 不要跟风裁员，更不要把员工当训练数据
Meta 那套"先让员工训练 AI、再炒掉员工"的玩法，看似精明，长期是公司文化的毒药。
WIRED 报道 Meta 内部"员工士气历史性低迷"。你想想：
• 剩下的人还敢不敢把真本事教给公司？
• 新招进来的人看到这种新闻，还愿意全力投入吗？
• 真正的高手会不会优先选择不会"卸磨杀驴"的公司？
更别说从战略角度——AI 模型的边际价值在递减，人的判断力、创造力、信任感在变得更稀缺。一家用员工填 AI 喂料桶的公司，三年后会发现自己人才储备已经枯竭。
这不光是道德问题，是商业问题。
✦ 写在最后
技术爆发的年代，最容易让人忘掉一件事：
你不是为了"会用 AI"而存在，是为了过更好的生活；
企业也不是为了"成为 AI 公司"而存在，是为了创造价值。
也许吧。但今天看清楚浪潮的方向，比追逐每一朵浪花都重要。
做时代的冲浪者，不做时代的祭品。
慢一点，稳一点，挺好的。
如果这篇文章对你有帮助，欢迎点赞、在看、转发三连 🙏
关注我，持续分享 AI 时代的清醒思考与实战经验
