科技公司CEO为何把大规模裁员归咎于AI
摘要
科技行业最新一轮裁员是早期预警，但还不能证明AI已经直接取代了员工。 Atlassian裁员10%，约1,600人；Block裁员约40%，即4,000人；据报道，Meta正准备裁减20%或更多员工，规模可能达到16,000人。Casey Newton的判断最值得参考：AI在不同公司所处的因果位置不同，但“迟早，我确实认为我们得相信他们”。
主持人披露了相关利益冲突：Kevin Roose供职于起诉OpenAI、Microsoft和Perplexity的《纽约时报》，Casey Newton的未婚夫在Anthropic工作。
对承压的上市公司而言，AI既是一套生产率叙事，也是一种可以包装传统重组的说法。 Block的员工人数从2019年的约3,800人扩张至超过10,000人，随后在裁员前5个月花费6,800万美元，包机送8,000人参加Jay-Z出席的活动；次日股价上涨17%。因此，“AI洗白”很难与纠正疫情时期过度招聘及管理失误区分开。
Kevin认为，Meta拟议中的裁员可能只是把成本从薪资转移到AI基础设施，而不是降低总支出。 公司计划今年投入1,350亿美元资本开支，而Zuckerberg称过去需要大团队的项目如今可以由“一个非常有才华的人”完成。但生产率故事仍属推测：Meta放弃了Behemoth，据报道Avocado因未达目标而延期，而且似乎只比Gemini 2.5略胜一筹。
员工被置于一场无解的采用测试中：要么大量使用AI以证明自己与公司方向一致，要么避免证明自己的工作可以被自动化。 主持人认为，反复裁员也会压低内部异议，无论员工纪律是否是明确目标。Kevin Roose因此重新提出一个此前判断错误的预测：恐惧可能推动科技从业者走向工会化，并就再培训或岗位调动展开谈判。
聊天机器人的文学腔调平庸，可能源于产品优化，而非其本质上无法生成出人意料的 prose。 Jasmine Sun更喜欢GPT-2和GPT-3的部分表现，因为它们多变、古怪，也能匹配文风；而后训练和RLHF把后来的系统推向“有帮助的助手”：活泼、谄媚、安全且重复。商业需求是优秀的公司邮件，而艺术质量缺乏像代码那样可验证的奖励机制。
短期内最有防御力的写作产品是个性化协作者，而不是自主作者。 Sun说，文本生成只占她工作的大约25%；报道、选题、阅读、判断和生活经验仍更难复制。她高效使用Claude的方式，是让它学习自己的档案、复盘笔记、受众和抱负，再通过提问推动她成为“作为写作者最好的自己”。
Token消耗正成为技术劳动成本中一个全新、且可能极其庞大的组成部分。 据报道，OpenAI一名顶尖员工7天内使用了2,100亿个token，相当于约“33个维基百科”的文本；Anthropic使用Claude Code最多的个人用户单月花费超过15万美元。一名瑞典工程师说，他在Claude上的花费可能高于自己的工资，使无限额度既成为员工福利，也成为留人机制。
Token排行榜把采用率与产出混为一谈，也为经典的古德哈特定律式刷指标创造了条件。 公司正把使用量纳入绩效考核——员工可能因为“只用了”7,000万个token而被质疑——尽管消耗量与价值之间没有明确关系。因此，投资者真正该问的不是谁在冲token，而是不断上升的推理支出究竟带来了产品和收入，还是只制造了“价值不确定的任务”。
精读
1. AI尚未证明替代逻辑，就已进入裁员叙事
Kevin Roose先从规模讲起：Atlassian将裁员约1,600人，Block约4,000人；据报道，Meta正准备实施自2022年末至2023年初裁掉20,000人以来最大规模的一轮裁员。Meta称该报道“属于推测”，录制时裁员仍未获确认。
主持人披露了相关利益冲突：Kevin供职于起诉OpenAI、Microsoft和Perplexity的《纽约时报》；Casey Newton的未婚夫在Anthropic工作。
Casey拒绝用一个解释覆盖3家公司，但他的最高层判断更明确：高管们不断把AI认定为影响员工规模的重要因素，“迟早，我确实认为我们得相信他们”。
Kevin把科技行业视为预警市场，因为这里的员工将最先看到工作发生变化或消失。Casey更尖锐的员工视角是：AI是否导致某人被解雇，“如果对员工的影响一样，这真的重要吗？”
2. Atlassian和Block暴露了两种不同的AI洗白
Atlassian CEO Mike Cannon-Brookes称，AI并不是简单地替代人，但否认技能结构或所需岗位数量发生变化将是“不诚实的”。他给出的目标是以“审慎、果断且迅速”的方式调整，为持久且盈利的增长做准备。
Casey的框架是，Atlassian身处“SaaS末日”：客户最终可能以更低成本搭建结构化工作流，而不再愿意向成熟软件供应商支付同等费用。在股价遭到重创后，裁员提供了一套新的市场叙事——员工更少、生产率更高；不过，Cannon-Brookes承认AI只是部分原因，因此Casey对他网开一面。
Block的情况就不那么干净了。员工人数从2019年的约3,800人增长到超过10,000人；而在裁掉约40%的员工前5个月，公司花费6,800万美元包机送8,000人参加Jay-Z出席的活动。Casey的结论是：AI可能提高留任员工的生产率，但“你也可以直接说，这家公司管理不善”。
市场却奖励了Jack Dorsey的说法：Block宣布裁员次日，股价上涨17%。Kevin看到了把裁员包装成面向未来的AI适应措施所具有的叙事力量；Casey将其与加密货币狂热的顶峰相提并论，同时指出，“公开市场其实没那么容易被骗”。
3. Meta正把支出从薪资转向算力
路透社报道称，Meta可能裁减20%或更多员工，规模或达16,000人。拟议中的裁员与公司今年计划投入的1,350亿美元资本开支并列出现——即便对Meta的体量而言，这也是“真金白银”——可能让投资者相信，公司史上最大的一次押注也开始具备费用纪律。
Zuckerberg给出了生产率逻辑：“过去需要大团队完成的项目，现在一个非常有才华的人就能完成。”Kevin的理解不是技术如今已经降低了总成本，而是企业正在把支出“从人力劳动转向AI”。
一名风险投资人告诉Kevin，一些尤其AI原生的初创公司已经在AI工具上的支出超过薪资。它们想象的终点是：工资不再占据费用大头，企业转而购买支撑业务运行的模型、基础设施和token。
Casey的反驳集中在执行风险：Meta放弃Behemoth，因为它“并不够好”；据报道，Avocado因未达到性能目标而延期；在又一次部分AI重组前，公司似乎也只勉强超过Gemini 2.5。OpenAI和Anthropic等前沿模型开发商没有进行类似的大规模裁员，不过Casey也指出，它们的员工数量少得多。
4. AI采用已变成内部忠诚度测试
一名大型科技公司员工描述了一个真实的陷阱：大量使用AI可能证明自己拥护新计划，但也可能证明自己的工作可以被自动化。Kevin感受到的是“恐惧、怀疑和不信任”，因为员工知道高管正在计划裁员。
Casey观察到，Meta此前的裁员让员工变得更沉默，也减少了内部抗议。他没有进一步断言周期性裁员是有意的劳动力控制机制，但表示一些高管会把这种效果视为“积极的副产品”。
Kevin重新审视自己此前关于突然出现大规模工会化的错误预测，并思考它是否可能在未来1到2年发生。与基本实现工会化、能够就再培训和岗位调动谈判的制造业工人不同，科技员工缺乏这样的工会谈判渠道；Casey的建议十分尖锐：没有什么比Meta软件工程师组成“软件工程师工会”更能激怒Zuckerberg。
5. 后训练用公司化实用性换走了旧模型的怪诞感
Jasmine Sun区分了合格的语言表达与文学写作：大多数人类写作都很糟糕，模型的表现超过许多人，但即便最激进的AI领袖，对艺术仍然谨慎。当被问到GPT何时能写出一首Neruda式诗歌时，Sam Altman只给出“一个真正诗人写出的还算可以的诗”这样的可能性。
Sun认为GPT-2和GPT-3在文风上比当前的ChatGPT更有吸引力。它们会撒谎、跑题，也可能完全不适合作为助手——GPT-2可能用孤儿院故事回答税务问题——但它们“出人意料”且“古怪”。尤其是GPT-3，在模仿Paul Graham等人的声音方面，表现优于ChatGPT 5.4 Thinking。
在她看来，损失来自后训练。示例对话、禁用语言和RLHF把不可预测的基础模型引向稳定的“有帮助的助手”人格：非常适合办公室工作，却在创意写作依赖多变语气、意外感和冒险精神时受到限制。
6. 文学质量无法适配推动编程进步的奖励机制
评估机制有时会变得荒谬地简化。招聘信息可能以每小时45美元寻找创意写作专家，却要求候选人拥有《纽约时报》畅销书和Kirkus星级书评；一名Scale AI承包商则被要求因为出现3个感叹号而扣分，并评估同人小说的事实准确性。
Kevin称评估者问题就是“整个故事”：“我们拿整个互联网，然后按事实准确性给它打分。”Sun补充说，代码可以通过是否运行来测试，而莎士比亚或Neruda为何优秀，专家可能争论几十年；主观艺术无法被压缩成稳定、可验证的奖励。
需求进一步强化了技术偏见。大多数用户想要的是“帮我写这封邮件”，而模型在这项任务上表现出色；偏好测试也奖励平庸的公司助手。因此Sun认为两件事同时成立：实验室面临棘手的评估问题，市场也在主动选择这种声音。
Sun更深层的质疑是，模型语言“没有扎根于一种人生”。记者观察场景、采访人物；诗人则从具有情感后果的经历中写作。Casey反驳说，模型即使从未听过音乐，也能写出富有感染力的音乐文字，但他承认，模型可能只是在重新组合那些真正听过音乐的人写下的评论。
7. AI能生成文字，但写作仍是一套更大的判断系统
Kevin提出“自我安慰”式反驳：程序员过去曾列出模型做不到的一切，结果却眼看着差距不断缩小。Sun说，她花了3年尝试用Claude自动化自己，最终失败，但也明确承认，风格和文学生成能力可能大幅进步。
盲测让这个判断更复杂，因为读者有时更喜欢AI写的文字，直到得知来源。Sun的回答来自职业结构：文字生成大约只占她一天工作的25%；其余时间用于寻找想法、采访、挑选特定来源、报道，以及判断什么值得写下来。
类型小说同时展示了能力与限制。Sudowrite联合创始人James Yu及其他从业者描述了大量工程工作，用于修正模型经过后训练后活泼、谄媚、PG-13的表达。人类作者必须持续提示，并“不断逼AI变得古怪”，因此成功的组合是半人半AI的Centaur，而不是自主创作。
Sun最有效的工作流是把Claude变成个性化编辑。她把自己的档案、自由撰稿、发表后的复盘笔记、受众、报道领域和目标导入一个项目，然后共同设计创意、结构、 prose和事实核查的独立评分标准，并要求Claude评估她的草稿，而不是代写。
8. 个性化评估让Claude变成高要求的协作者
有用的反馈必须贴合Sun的抱负：Claude识别出她在硅谷所处的“局内人类学家”位置，以及她在创业公司术语、互联网俚语、政策和个人场景之间的切换。这与按照通用标准统计感叹号，根本不是一回事。
Claude不会凭空编造结尾，而可能指出她的结论只是总结，提醒她另一篇文章曾以一个场景更有力地收束，然后问：“飞机起飞时，你在想什么？”Sun保留是否采纳建议的判断权，并将目标描述为成为“作为写作者最好的自己”。
3位作者都感受到保留奇怪、口语化或博客原生句子的压力，把它们视为“垃圾内容”泛滥时人类存在的证据。Sun说，AI反而让她更坦然地使用松散、不敬的互联网声音，而不是把自己推向职业化的新闻编辑部文风。
她的最终预测带有条件：如果实验室投入与编程代理相当的写作资源，它们完全可能生成优秀的文学文本，或把文字记录转化成特稿。但从财务角度看，这是否胜过“自动化23岁的软件工程师”仍值得怀疑；主持人给出的黑色幽默式替代方案是，让Grok写出下一部伟大的美国小说。
9. 冲token正成为昂贵的现代工程代理指标
Kevin把token定义为“AI劳动的基本原子单位”，大致相当于一个词片段。约10,000个token可以生成7,500个单词，但随着工程师运行更多、更长的流程，代理式编程会话如今消耗数十万乃至数百万个token。
据报道，OpenAI一名员工在最近某个连续7天周期内使用了2,100亿个token，大致相当于“33个维基百科”的文本，不过其中一部分是缓存内容，并非新生成。Kevin的讨论聚焦于正在出现的“十亿token俱乐部”。
这类支出已经达到薪资级别。据报道，Anthropic使用Claude Code最多的个人用户单月花费超过15万美元；其他极端用户每天烧掉数千美元；一名瑞典工程师则称，他在Claude上的花费可能超过自己的工资。
内部无限额度变成了一项强力福利：一些AI实验室员工的使用量之大，其他雇主根本负担不起，实际上提高了他们的招聘成本。工程师候选人因此开始询问：“我的token预算是多少？”
10. 排行榜把不完美的信号变成可刷的目标
雇主用排行榜激励员工并追踪使用情况，假定token用得更多的人更认真地采用代理式工程。一些公司如今把消耗量纳入绩效考核，可能出现这样的对话：“看起来你上个月只用了，呃，7,000万个token。怎么回事？”
生产率仍未得到证明。重度用户可能完成更多项目，也可能制造大量无用工作；有人猜测，排名靠前的人可能在用雇主的token搭建副业公司。Casey援引古德哈特定律，Kevin则表示自己根本不会创建排行榜。
历史上的类比是代码行数，工程师同样学会了刷这个代理指标。Casey引用那句老话：“用代码行数衡量编程进度，就像用飞机重量衡量飞机建造进度。”Token数量可能与产出存在松散相关，却仍不适合作为个人目标。
这种做法已经走出工程部门：一名市场人员说，她的绩效评估如今新增了AI使用部分，奖金可能取决于她使用了多少AI，尽管过去考核的目标是创造力。Kevin拒绝把所有冲token都称为表演，但Casey的警告仍然成立：“为了使用AI而使用AI”，可能只会带来支出、竞争，以及全天候运行、执行“价值不确定的任务”的代理蜂群。