请不要在泰坦尼克上研究如何升舱

最近半年，我听了不少 AI 分享。很多人是从大厂出来的，也有一些还在大厂里带团队，第一次把自己的一线经验拿出来讲。这个事情本身很好。比起营销号复读概念，真实的人讲真实的工作细节，当然更有价值。

但听多了以后，我有一种很强的错位感。

大家最后问的问题，基本还是两类：一类是怎么在大公司里继续往上走，怎么升职，怎么带更大的团队；另一类是怎么在自己现在的工作里把 AI 用好，写代码更快一点，周报更漂亮一点，会议纪要更自动一点。

这些问题都不蠢。甚至很多分享很实用，很 hands-on。只是我越来越觉得，它们像是在一个已经快要失效的游戏规则里，继续研究怎么拿更高的分。

我把这种感觉叫做：请不要在泰坦尼克上研究如何升舱。

船还在开，音乐还在放，服务员还在端盘子。你当然可以继续研究怎么从二等舱换到一等舱，也可以研究餐厅怎么提高上菜效率。但如果远处那块冰山已经在那里了，真正重要的问题就变了。

不是怎么把船舱里的生活过得更精致，而是这艘船的结构是不是还能撑住。

AI 时代最容易误导人的地方，是它先以“工具提效”的样子出现，但真正会落到企业账本上的，是组织成本和业务闭环的重写。

如果这个判断成立，很多现在看起来很积极、很上进的动作，都会变得有点奇怪。你在旧组织里拼命证明自己更会用 AI，可能最后只是帮旧组织更快意识到：原来这件事不需要这么多人。你用 AI 省下来的时间，如果又主动交回给公司去做更多旧流程里的事，本质上还是在研究升舱。

这不是说人应该摆烂，也不是说大公司明天全部消失。真实世界没有那么干净。我的意思是，坐标变了。你不能再用过去十几年那套“努力工作、扩大影响力、拿更好绩效、等下一次晋升”的职业想象，去理解接下来几年的风险和机会。

那套梯子还在墙上，但墙可能要拆了。

冰山不是狠话，是一笔账

我不喜欢把 AI 讲成玄学，也不喜欢把它讲成某种宏大叙事。企业最后不会因为“超级个体”这个词好听就改变，它只会被账本逼着改变。

最近关于“超级个体”“AI 组织转型”的报告很多，也确实把一些原来模糊的概念讲清楚了。问题在于，很多讨论停在了一个很漂亮的位置：员工能力被 AI 放大，组织效率提升，企业进入新阶段。

听起来没错，但中间少了一段最难听、也最关键的话。

如果你真的相信 AI 能带来十倍、百倍的效率提升，那么企业一定会问：这些效率提升最后落在哪里？

我在之前写 AI 提效那篇文章里说过，提效如果不能转成收入增加或成本下降，它在商业账本上就没有完成闭环。员工感觉自己更忙、更快、更现代化，这些都不是终点。老板最后看的东西很简单：

• 收入有没有多起来；
• 成本有没有降下去；
• 客户有没有用更低成本拿到同样甚至更好的结果。

如果一个团队说自己用了 AI，效率提高了 50%，但收入没变，成本没变，客户体验也没变，那这个 50% 很可能只是一个内部叙事。它可以写进周报，可以写进公司对外宣传，也可以变成一次漂亮的分享，但它还没有变成企业真正需要的结果。

反过来，如果同样的客户价值，原来需要 100 个人交付，现在一家 AI-native 的小公司用 5 个人就能交付，那大公司就没有太多选择。它不是愿不愿意温柔的问题，而是成本结构会不会被别人打穿的问题。

这也是我为什么对“只谈提效、不谈重构”的讨论一直很警惕。

在中文语境里，公开谈裁员和组织重构很不舒服。大家都知道这件事难听，也容易被理解成冷血。所以很多文章会绕开它，去讲更安全的词：赋能、协同、组织升级、人才转型。

这些词不是完全没用。但如果它们最后不回答一个问题，就会变成一堵画得很漂亮的墙：

企业的钱从哪里来？成本怎么降？客户价值怎么交付？原来那些岗位、流程、层级和预算，在新的成本结构下还成立吗？

只要 AI 的成本优势是真的，大裁员和大重构就不是“企业文化选择”，而是竞争压力下迟早要面对的组织题。

当然，这句话有边界。不是每个行业都会同一天被撞上，不是所有岗位都会用同一种方式消失，也不是所有公司都能立刻重写。合规、客户信任、旧系统、管理层自保，都会拖慢速度。

但拖慢不是取消。

冰山不需要你相信它。它只需要继续靠近。

我为什么不再迷信旧流程里的局部提效

我对这件事的判断，不只是从报告和新闻里来的。过去一年多，我在自己的公司里亲手做过一轮很痛苦的重构。

在 Pure Global，我们原来有一个大约 20 人的工程团队，也有项目管理的角色。这个配置在过去很正常：前端、后端、运维、产品、PM，各管一块。大家开会，对齐，拆需求，排期，上线，再继续开会。

如果从旧组织的角度看，这是一套很合理的系统。每个人都有岗位，每个岗位都有价值，每个流程都有存在理由。

但当我真的开始重新算这笔账时，我发现一个问题：我们不是在服务客户需求，而是在服务一套已经长出来的组织复杂度。

后来我们借助 AI，把核心服务重新写了一遍。这里我不想把它包装成一个传奇故事，因为重构本身很痛苦，也有很多具体行业和公司条件，不是谁都能照搬。但这个过程给我最大的冲击，不是“AI 写代码很快”。

真正让我改变判断的是：当我自己去跟客户聊，自己去看端到端流程，自己去重写系统时，我发现客户真正需要的东西比旧系统简单得多。

以前系统里的很多复杂模块，并不是客户强烈要求的。它们更像是一个团队存在久了以后自然长出来的东西。人多了，就需要更多边界；边界多了，就需要更多流程；流程多了，就需要更多管理；管理多了，就需要更多系统去解释这一切为什么必要。

这不是某个人坏，也不是某个工程师故意把事情搞复杂。大组织经常就是这样。复杂度会为自己寻找理由。

AI 让重写变便宜以后，这个问题会暴露得非常快。

过去你不敢重写，是因为重写太贵。旧系统再难受，也只能继续打补丁。现在很多场景里，implementation 的成本降下来了，真正难的反而变成了 context：你到底知不知道客户要什么？你到底能不能把业务从获客、交付、反馈到收款连起来？你敢不敢把那些只是为了组织存在而存在的中间层拿掉？

这就是我在写 AI-native company时反复想说的事。AI-native 不是给旧公司刷一层 AI 工具的漆，而是重新设计公司本身。

很多人还在问：“我在当前岗位上怎么成为 AI pioneer？”

这个问题本身就有点危险。因为在很多旧组织里，你个人的局部提效并不会自然变成组织优势。你把周报写快了，把测试用例生成快了，把会议纪要整理快了，公司当然可以把这些拿去做宣传。但对公司真正重要的，不是你这个员工看起来更先进，而是公司能不能用更少的人、更短的链路、更低的成本，完成同样的客户价值。

如果答案是能，那么公司迟早会把这个问题翻译成人头、预算和组织边界。

这也是为什么我不太相信“大家一起在原岗位上用好 AI，组织就自然完成转型”这种叙事。旧岗位的激励不是为了消灭旧岗位而设计的。一个系统里的人，很难自发地把自己所在的系统改没。

Token 排行榜为什么会失败

过去一两年，很多公司刚开始推 AI 的时候，做法都差不多：给员工开工具，给 token，搞排行榜，鼓励大家多用，甚至把“AI 使用量”写进内部倡议或绩效语言里。

这个阶段我能理解。新工具来了，公司总要先让大家摸一摸。问题是，如果它停在这里，就很容易变成新的形式主义。

员工会用 AI 写更长的邮件、更漂亮的 PPT、更快的周报、更完整但没什么人看的会议纪要。内部看起来热闹，token 消耗也很高，但业务链路不一定变短，客户不一定更满意，成本也不一定下来。

Token 使用量不是业务结果。AI adoption 不是 AI transformation。

Duolingo 是一个很有意思的公开例子。它在 2025 年公开宣布 AI-first，后来也尝试过把 AI 使用放进招聘和绩效讨论里。但到 2026 年 4 月，CEO 在采访里解释，他们撤回了“把 AI 使用本身纳入绩效评估”的做法，因为员工会自然地问：我是不是为了用 AI 而用 AI？这个转向反而很诚实。AI 不是目的，结果才是目的。

Shopify 走的是另一条更接近企业账本的路。Tobi Lutke 在内部 memo 里说，使用 AI 已经是员工的基本期待；团队在申请更多 headcount 或资源之前，要先说明为什么目标不能用 AI 完成。媒体对这件事的报道之所以重要，不是因为 Shopify 代表所有公司，而是因为它把 AI 从“员工自愿提效”推进到了“资源审批约束”。

这才是转折点。

当企业开始问“为什么还要招这个人”时，AI 就不再只是工具，而是预算边界的一部分。

Klarna 的客服案例也说明了类似的方向。它在 2024 年披露，AI assistant 第一个月处理了约三分之二的客服聊天，工作量相当于约 700 名全职客服。后来相关报道又提到更高的 FTE 等价和成本节省。这个案例经常被人用来证明“AI 替代客服”，但我觉得更准确的理解是：企业会把 AI 能稳定承接的那部分流程拿出来重新算账。

后续 Klarna 也重新强调真人客服的兜底价值。复杂、情绪化、高风险的问题，仍然需要人。这个边界很重要。真正的重构不是一句“所有人都被替代”，而是重新划分什么由 AI 做，什么由少数人类做，什么流程干脆不需要存在。

所以，企业 AI 转型最难的从来不是买工具，也不是鼓励员工多用。难的是公司愿不愿意把 AI 接到钱、客户、流程和人头上。

一旦接上，旧组织里很多看起来体面的东西都会被重新定价。

还在船上，应该怎么工作

这部分容易被误解，所以我先说清楚：我不是建议你明天裸辞，也不是建议你在工作里不负责任。

如果你现在还在大公司，有一份不错的工资，这是一件很珍贵的事。今天还能有人每个月给你发一大笔钱，让你在一个相对稳定的环境里试错，这本身就是安全垫。问题是，你不能再把这份安全垫误认为长期安全。

我更建议你换一种心态：假设自己半年后，或者一年后，就会离开这家公司。不是说它一定发生在这个时间点，而是用这个倒计时反推你的选择。

当你这么想，很多旧问题会立刻失去重量。

那个 title 值不值得你继续内耗？那场为了证明团队存在感的会，值不值得你继续撕？那个为了让老板满意而改来改去的 PPT，值不值得你把晚上和周末都贴进去？

有些事情仍然要做，因为你拿了工资，就要完成承诺。但你不应该再把所有额外时间投入到旧组织给你的下一枚奖章里。

AI 帮你省下来的时间，第一优先级不应该是换更多公司任务，而应该是换你自己的商业试错。

这句话听起来有点刺耳，因为我们过去受的训练不是这样。大厂系统会把“多做一点”“更主动一点”“承担更大范围”包装成一种非常正面的职业美德。在过去那个时代，这套东西经常是有效的。你多做，绩效更好，影响力更大，下一轮升职概率更高。

但如果梯子本身正在松动，你就要小心。你用 AI 把五天的活压到一天，不等于你应该主动再要四天的旧活。你当然要把本职工作做好，保持交付，别让自己提前掉下去。但剩下的时间，应该拿去训练另一套过去没有被大厂训练过的能力。

怎么找需求，怎么跟客户说话，怎么开口要钱，怎么交付一个不完美但能解决问题的东西，怎么判断一个机会到底是需求还是幻觉。

这些东西很土，但它们才是船外面的水。

我知道很多人看到这里会觉得焦虑：我也想做自己的东西，但不知道做什么。

这是正常的。大厂工作最厉害的地方，就是它会替你切掉很多真实商业世界里的不确定性。你不用找客户，公司帮你找；你不用收钱，公司帮你收；你不用承担完整结果，公司把结果拆成一个个岗位指标。久而久之，你会非常擅长完成作业，但不太知道怎么做一门小生意。

AI 不是让这个过程消失。AI 只是让你试错更便宜。

没有 AI 的时候，一个人从打工心态切到商业闭环，可能要摔一两年，甚至更久。现在因为 AI，很多尝试可以更快、更便宜地做出来，但该跨的心理坎一个都不会少。

你还是要经历被拒绝，经历没人买，经历自己做了一个觉得很聪明但市场完全没反应的东西。你还是要从“我会做产品”切到“我能不能让别人愿意付钱”。这不是工具问题，是反馈系统问题。

第一笔钱比完美产品重要

我一直很喜欢一个很朴素的判断：先闭环，再提效。

这个判断用在企业里，是说先把端到端的业务价值跑通，再去研究怎么自动化、怎么规模化。用在个人身上也一样。不要一上来就做复杂产品，不要先研究 agent 架构，不要先写一套漂亮的自动化后台。

先找到一个真实需求，先用很笨的方法交付，先拿到第一笔钱。

我在写勇哥点评餐饮那篇文章里讲过这个意思。很多互联网人一说赚钱，就会自动切到产品、增长、品牌、内容、launch。再加上 AI 以后，幻想又多了一层：能不能做一个自动赚钱的 AI 产品？

但赚钱的基本结构没有那么神秘。收入要大于支出。有人愿意为某个结果付钱，而你能用更低成本把这个结果交付出来。

很多真正的机会不在宏大叙事里，而在正在跑着的普通生意里。某个行业已经有人花钱买服务，但服务很慢、很贵、很依赖人工；某类客户已经在表达需求，但没有人用足够低的成本满足；某个本地业务已经验证了付费，只是交付链条非常笨。

AI 在这里的价值，不是让你做出一个更酷的产品，而是让你用一个人的成本，去重做原来需要几个人、十几个人才能撑起来的流程。

很多大厂人卡住，不是因为不会用 AI，也不是因为不聪明，而是因为第一笔钱太难了。

在公司里，你的反馈是间接的。老板满意，绩效不错，项目上线，年底发奖。你很少直接面对一个人说：这个东西我可以帮你解决，价格是多少，你要不要付钱？

这句话对很多人来说比写代码难多了。

所以我觉得第一笔钱的意义，不在金额。它可能很小，小到根本不值得从财务上讨论。但它会让你第一次知道，自己脱离公司品牌、脱离岗位 title、脱离组织机器以后，仍然可以在真实世界里完成一次价值交换。

这个心理变化非常大。

从那一刻开始，你看 AI、看工作、看职业风险，都会不一样。你不再只是问“这个工具能不能让我工作更快”，而是会问：

• 它能不能让我更快验证一个需求；
• 它能不能让我用更低成本交付一个结果；
• 它能不能让我更快拿到反馈；
• 它能不能帮我把第一笔钱之后的流程重复起来。

这才是 AI 对个人真正有用的地方。

当然，这里面会有很多失败。你做的第一个工具可能没人用，你发的内容可能没人看，你以为客户很痛的点可能只是你自己想象出来的痛。你可能连续试很多次，都没有找到一个像样的入口。

但现在正是失败成本最低的时候。

船还没沉，工资还在发，水还没有完全冷。你在这个阶段多摔几次，比等到某一天被迫离开公司、现金流突然中断、全世界都一起往水里跳的时候再开始学，要好得多。

不要把这个判断写成末日寓言

我知道这篇文章听起来会有一点重。但我不想把它写成末日寓言，因为现实比寓言复杂。

AI 对劳动力市场的影响不会整齐划一地发生。Anthropic 在 2026 年关于劳动力市场影响的研究里也提到，AI 的真实使用和理论能力之间还有距离；截至报告发布时，高暴露职业并没有在宏观失业率上出现系统性暴增，但年轻员工招聘放缓已经有一些迹象。

这很符合我的体感。冰山不是一下子把每个舱室都撞穿。它更像是先改变预算、招聘、任务结构和组织预期。很多人还在岗位上，但新岗位不再开了；很多团队还在运转，但 headcount 不再增加了；很多流程表面没变，但公司已经开始问：这件事为什么不能用 AI 做？

Challenger 在 2026 年 5 月的裁员报告里提到，美国雇主当月宣布的裁员中，AI 被引用为原因之一的比例很高。这里要小心解读：公司引用 AI，不等于每个岗位都被 AI 直接替代。企业也可能把 AI 当作更广泛重组和成本控制的语言。

但这本身已经说明组织行为在变。

你不应该等到宏观失业率变成头条新闻，才开始承认这件事。等所有人都知道船进水的时候，最便宜的准备时间已经过去了。

所以我的结论不是“马上逃离大厂”，也不是“每个人都去创业”。这种话太轻飘了。更准确的说法是：

不要再用旧组织的晋升逻辑，安排你在 AI 时代的全部时间。

如果你还在船上，就把工作做好，把钱拿好，把不必要的内耗砍掉。用 AI 提高本职交付，但不要把省下来的所有时间再交回给旧系统。拿出一部分稳定、连续、真正属于自己的时间，去练习商业闭环。

先不要问能不能做成一个大公司。先问能不能找到一个人，愿意为你交付的一个结果付钱。

先不要问能不能全自动。先问能不能手动跑通。

先不要问能不能规模化。先问能不能闭环。

泰坦尼克的比喻听起来很夸张，但我想表达的其实很朴素：当环境的底层假设变了，继续在旧系统里优化局部体验，会让你错过重新定位自己的时间。

升舱也许还能让你在短时间里更舒服一点。

但如果冰山已经在那里，更重要的事不是研究头等舱的菜单，而是趁现在还有光、还有工资、还有一点安全垫，学会在船外面怎么活。