硅谷AI裁员潮真相：一线工程师揭露AI效率被严重高估

首页

科技数码

热心网友

转载

2026-03-26

2026年，硅谷科技圈裁员风波不断。1月，亚马逊确认将裁员约1.6万人；2月，金融科技公司Block裁掉了近一半的员工；3月，Meta被曝计划裁员1.6万人。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

AI将取代白领的焦虑席卷职场。

然而，科技公司Ona的软件工程师Siddhant Khare发布的《AI疲劳真实存在，却无人谈及》一文，引发了全球媒体和读者的广泛讨论。

他道出了AI实际应用和美好愿景之间的巨大落差。他认为，AI带来的效率提升被高估了，而职场人却陷入了“AI疲劳”。

近日，Siddhant Khare接受《每日经济新闻》记者（以下简称NBD）专访时表示，作为AI智能体基础设施的开发者，建议人们改变使用AI的习惯，避免被AI困在生成、审核、再生成、再审核的循环里。

Siddhant Khare 图片来源：受访人社交账号

“有了AI之后人的工作量是以往的10倍”

NBD：你认为导致“AI疲劳”的原因是什么？

Siddhant Khare：“AI疲劳”本质是结构性问题。AI让代码、文案、文档等内容的生成效率提升数倍，但审核与验证环节的效率却未同步跟进。人依旧是整个工作流程的核心瓶颈，要处理十倍于以往的工作量。

这就像一家工厂，更换了一台冲压速度快十倍的零件生产机器，可流水线末端的质检员依旧只有一个。产能大幅提升后，质检员的工作量翻倍，次品率却没有任何变化，最终崩溃的只会是这个承担全部审核压力的人。

放到知识型工作领域，AI只实现了生产的自动化，却没有实现审核的自动化。绝大多数企业管理者根本没有意识到这个问题。他们只看表面数据，代码交付量变多了、文档产出变多了、邮件发送量变多了，报表看起来格外华丽，可员工的身心俱疲却被无视。

NBD：人们本以为AI可以提升效率，可为什么工作量反而大幅增加？

Siddhant Khare：AI带来的生产力提升，并未转化为员工的自由时间，反而被企业转化为了更高的工作期望值，抬高了工作的 “合格线”。

AI出现之前，一名软件工程师一周提交20个代码拉取请求（PR），就是正常的工作标准；有了AI辅助后，工程师的理论产出能力提升到50个，企业便把50个定为新的标准。

AI生成的所有内容，都离不开人工审核。我作为开源项目维护者，感触格外深刻。以前我每周只需要处理20到25个代码PR，现在这个数字暴涨到上百个，其中绝大部分都是AI生成的，可每一个请求我都必须仔细审查。

“使用AI编程工具，实际工作效率反而下降19%”

NBD：AI的哪些价值最容易被高估？又有哪些成本被低估了？

Siddhant Khare：最普遍的高估，就是AI落地的速度和即时效率提升。很多企业都陷入了一个误区，觉得只要给员工配齐AI辅助工具，短短几周就能看到生产力飞跃，可实际数据截然相反。

工程效率与开发者生产力分析平台DX曾做过一项覆盖450余家企业、12万余名开发者的全面调研。数据显示，即便有93%的开发者都在使用AI编程工具，实际工作效率提升仅停留在10%，而且后续很难再有突破。

模型评估与风险研究机构METR的对照试验结果更残酷，使用AI编程工具的开发者，实际工作效率反而下降了19%，只是主观上感觉工作速度提升了24%。

而企业最容易低估的，首先是AI内容的人工审核成本，几乎没有企业会把这部分耗时、耗力的审核时间，纳入整体工作成本规划；其次是员工的职业认同感，当大部分工作都由AI完成，曾经依靠专业能力获得成就感的员工，慢慢会觉得自己只是流水线上的质检员。这种身份落差很难量化，却会直接引发人才流失。

“审核AI，比自己做一遍更累”

NBD：当下很多白领觉得自己使用AI，其实是在训练AI取代自己，这种担忧合理吗？哪些岗位最容易被替代，哪些又很难被取代？

Siddhant Khare：绝大多数普通员工，并不是在直接训练AI大模型。日常使用ChatGPT、Copilot这类工具时，个人输入的内容并不会自动成为下一代大模型的训练数据，多数企业的用户协议也明确禁止了这种行为。“我在训练取代自己的AI”，这一说法在技术上并不成立。

AI对职场的真正影响，不是大规模的人力替代，而是岗位的重新定义、工作强度的大幅提升以及核心工作内容的转移。真正容易被AI替代的，是那些产出标准化、质量要求偏低、重复性高的岗位，比如初稿文案撰写、基础数据录入、简单代码生成、模板化报表制作这类任务，只要求“够用就行”，AI完全可以胜任。

而最难被AI替代的，是需要全局理解力、审美能力和独立判断力的岗位，比如系统架构设计、产品战略制定、商务谈判沟通、创意内容策划等。这类工作的核心价值，从来不是“动手执行”。

其实绝大多数职场人都处于中间地带。工作不会直接消失，但必须面临转型。

NBD：你认为，员工核心价值正在发生怎样的转变？

Siddhant Khare：转变已经实实在在发生了，只是目前大部分企业的绩效考核体系还没有跟上。

未来，最优秀的工程师，不是写代码最快、产出最多的，而是能一眼看穿AI方案是否适配整体系统、思路是否合理的人。这种判断力依赖长期的行业经验和全局系统认知，不是靠优化提示词就能获得的。

员工价值正在发生迁移，从看重产出数量，转向看重判断质量；从比拼执行速度，转向比拼思考深度。未来最不可替代的员工，是能精准判断对错、并且能给出清晰合理依据的人，判断力，就是核心价值。

“疲劳的根源，是AI充满不确定性”

NBD：相比以往的自动化浪潮，为什么AI更容易造成疲劳？

Siddhant Khare：核心原因是以往的自动化工具是确定性的，AI却充满不确定性。

以前的工具，相同指令、相同输入，能得到相同输出，出错会直接报错；但AI不一样，同样的提示词，可能生成完全不同的内容，即便出现错误，表述也格外逼真、极具迷惑性。AI的错误藏得极其隐蔽，代码能正常运行、文案读起来通顺、报表格式规整，但可能在某一页暗藏事实错误，在某一行有逻辑漏洞，再或者在某一段出现个虚构的数据。

这种安静的错误，要求人时刻专注，长期下来是非常耗费精力的。而且AI会高度模仿人类的表达风格。审核AI内容，需要付出和自主创作几乎一样的认知成本。

NBD：如果AI的输出无法完全信任，但又必须规模化使用，我们要如何弥补这种“信任缺口”？

Siddhant Khare：很遗憾，绝大多数公司采用的都是最糟糕的方式，即把人工审核当作唯一的质量把控关口。

做得好的企业，会建立一套我称之为“反压机制”（backpressure）的体系。简单来说，就是在AI内容进入人工审核环节之前，先通过自动化反馈机制，提前拦截大部分明显错误，减少人工审核的压力。

“最重要的工作往往不需要AI”

NBD：面对AI带来的工作重压和精神内耗，普通白领该如何正确与AI相处？

Siddhant Khare：我推荐三种办法。

第一，不要在“思考本身就是价值”的任务中使用AI。比如制定战略方案，价值在于思考，而不是打字。如果直接用AI跳过思考，等于削弱了自己工作的价值。AI更适合用在“结果重要、过程次要”的重复性任务上。

第二，为审核时间设定明确边界。如果每天花在审核AI产出的时间超过2小时，就说明工作流程出了问题，要么是提示词不清晰、上下文信息不足、工作规则不严格，要么是企业缺少自动化检查机制，千万不要把“无限制审核AI所有产出”当成工作常态。

第三，保护你的深度工作时间。AI会把人困在一个循环里：生成、审核、再生成、再审核。这种循环会不断打断注意力。你需要刻意留出一段时间，完全不使用AI。最重要的工作，往往不需要依赖提示词，而是靠独立思考完成。

NBD：对于已经对AI产生依赖的人来说，应该如何改变？

Siddhant Khare：首先要改变的，就是AI的使用习惯。