最近看到一条挺有意思的消息AWS CEO公开批评那些一上来就把AI用在裁员上的企业尤其是裁掉刚入职的新人说这是“自掘坟墓最愚蠢的操作”。这句话说得很重但放在整个行业背景里看其实一点都不夸张。一段时间以来不少公司确实把“减肥”当作AI落地的首个场景。春招刚结束就传出“应届生被优化”的消息理由千篇一律AI能写代码、能生成文案、能做测试还要培养新人干嘛听起来像是最理性的成本决策但凡是真正在企业里做过技术团队搭建、走过招聘流程、带过新人的人都会觉得这个逻辑从头到尾都是歪的。今天想结合云计算、企业AI落地和人力资源管理的视角拆一拆这个问题——为什么“用AI裁新人”是典型的战略误判以及那些真正把AI用好的人到底是怎么做的。1. 这起争议背后的核心命题AI是生产力工具不是裁员借口先把事情的本质理清楚。AWS作为全球头部的云服务商过去几年自己的AI产品线比如模型服务平台、AI开发工具一直在强调“让人更高效”而不是“让人消失”。CEO这次狠批实际上是在划清一个边界AI应该被用来提升业务产出、创造新的岗位能力而不是作为企业缩减人力成本、推卸培养责任的遮羞布。很多企业管理者有一个直觉性的误区就是“AI能做的就让AI做省下的人开掉”。这个逻辑在重复性任务上看似成立比如客服的话术回复、简单的表格整理、基础代码生成这些确实可以被模型替代。但问题在于他们只看到了“替代”的一面没有看到“放大”的另一面。一个企业真正健康的运作方式是用AI把原本需要10个人力才能完成的繁琐工作压缩到3个人完成然后让这3个人去做更高价值的创造性工作而不是直接把7个人裁掉留下3个人在那里维持存量。更重要的是裁掉新人这个行为本身在组织层面上传递的信号极其糟糕。新人指的是什么是职业生涯刚起步、学习成本最低、适应能力最强、对公司还没有形成路径依赖的那批人。他们也许眼下效率低但他们是未来两三年内最能承接新技术、新业务的中坚力量。当你用AI的短期效率去比对新人的短期产出然后决定“留老裁新”本质上是拿一年的财务数据去衡量一个十年的人才红利这种短视行为放在任何一个技术周期里都是灾难。AWS的CEO之所以要公开说这话还有一个现实背景他自己也在用人知道技术团队的门槛在哪里。一个合格的云架构师、AI工程师、数据分析师不是学校刚毕业就能直接上岗的而是要经过至少半年的实战训练踩过真实系统的坑才能形成判断力。这种判断力恰恰是AI给不了的。如果你连培养的耐心都没有那AI再好也只会把你的团队变成一群只会用工具但不知道怎么用的人。2. 为什么用AI裁新人是最差解技术、成本与组织三重维度2.1 技术维度现有模型水平根本承接不了新人的全部工作我们先从技术层面说。很多人以为“新人干的活都是杂活杂活都能被AI干”这其实严重低估了新人工作的复杂度。拿技术岗举例一个应届软件开发工程师入职后通常要承担什么工作读遗留代码库、理解业务领域模型、写单元测试、修bug、参与代码评审、和产品经理对齐需求、处理线上告警。这里面确实有一部分比如写单测、生成模板代码、查文档总结可以借助AI提效但更核心的部分——理解系统为什么设计成这样、某段代码背后的历史权衡、面对一个模糊需求时如何拆解——完全依赖人的上下文感知能力和推理能力。现在的AI模型哪怕是最前沿的大语言模型本质上还是一个基于概率的文本生成器。它可以给你一段看起来很合理的代码但当你把它放到真实的分布式系统里它会忽略现有的异常处理逻辑、会把配置名写错、会不理解公司内部的基础设施差异。这就是为什么所有成熟的AI编程工具都在反复强调“人要在闭环里审核AI的输出”。如果一个人连基础知识都还没有建立他拿什么去审核而新人恰恰需要在这个审核过程中建立自己的知识体系。进一步说如果你裁掉新人留下的老员工确实能审核AI的输出但老员工的时间本来就很贵。让他们把所有精力花在给AI“擦屁股”上他们哪里还有时间做架构设计、技术规划、培养后续梯队结果就是短期看似省了新人的工资长期却把整个团队的技术负债越堆越高。2.2 成本维度裁新人省的钱远小于你重新招聘和培养花的钱从成本上算一笔粗账。假设你是一个中型互联网公司一个应届生的月薪是1.5万一年的人力成本包括社保、福利、工位摊销大约在25万到30万之间。裁掉一个新人你当年确实省下了这笔钱。但请记住你裁掉的是一个刚投入了3个月招聘周期、1个月培训周期、可能已经能独立干活的种子选手。如果你第二年业务回暖或者突然发现某个技术方向需要人手重新招聘一个同样的应届生猎头费用加招聘面试流程的成本至少是3到5万再加上重新熟悉团队、重新培训的时间实际支出往往超过当初省下的钱。更重要的是裁掉新人会直接打击校招口碑。现在互联网圈子里校招生的口碑传播速度非常快。一个公司如果被曝出“用AI裁应届生”下一年的简历投递量会断崖式下跌。你可以不信但企业雇主品牌这种无形资产恰恰是在最困难的时候决定你还能不能吸引到人才的关键因素。AWS CEO说这是“自掘坟墓”我理解他说的不只是技术意义上的坟墓也是人才意义上的坟墓。2.3 组织维度新人断层会直接导致未来两到三年的青黄不接组织维度的问题更隐蔽但后果更严重。一个健康的组织一定是以老带新、层层递进的。老员工会晋升会离职会调岗。如果中间没有足够的新人成长起来等到这两批人走完整个团队就会出现年龄和能力的断层。你想想看如果一个团队里全是五年以上经验的资深工程师没有人愿意去处理那些琐碎但必要的脏活累活没有人去维护那些老旧模块这个团队的运转成本会高到离谱。AI可以替代一部分重复性工作但替代不了经验的传递。新人虽然在产出上暂时不如老员工但他们在团队里还承担着一个重要的隐性功能逼着老员工把知识表达出来。让新人能上手干活本身就是对老员工系统梳理经验的强制要求也是一个团队知识管理的过程。如果把这个环节砍掉你的团队就会变成一群各自为战的资深专家用口头禅说就是“各写各的谁也不知道别人在干嘛”。这种情况下再好的AI工具也帮不了你因为AI只能基于文档和代码去学而很多组织知识根本不在文档里只在人的脑子里。3. AI在用人上的正确打开方式从招聘到培养的全链路实操既然用AI裁新人是最蠢的操作那什么是聪明的操作我把过去几年在几个团队里实际验证过的做法整理一下分成招聘、入职、成长、评价四个环节每一步都有AI的位置但每一步的关键决策都由人来把关。3.1 招聘环节用AI做简历初筛的坑与补救先说简历筛选。现在很多HR系统都集成了AI筛选功能输入岗位JD让模型把简历排序。实测下来常规岗位的准确率大概能在60%到70%的样子但有一个致命问题模型在关键词匹配上非常“死板”。比如一个候选人写过“对账系统”但用的是“账务核对”这个词模型就可能漏掉他。更严重的是模型会天然歧视那些职业经历比较跳跃的候选人因为它的训练数据里“稳定”是常被推荐的标签这会导致真正有潜力、有跨界思维的人被筛掉。我在团队里的做法是AI筛出来的简历必须经过两级人工复核。第一级是HR同学他们经验丰富能一眼看出非标准化履历中的亮点第二级是业务负责人也就是我会随机抽出20%的被AI判为“不匹配”的简历亲自看一遍。这个做法听起来很土但我确实靠着这个20%的随机复盘捞到过两个非常优秀的新人。他们在简历写法和技能关键词上确实不标准但实际工作能力远超那些标准化候选人。所以我的结论是AI可以帮你省掉70%的简历筛选工作量但剩下30%一定要靠人去看否则你省时间省出的偏差会在入职后花十倍的时间来弥补。3.2 入职环节用AI搭建新人知识库新人入职前三个月最大的痛点是信息过载和无处下手。传统做法是有个导师带但导师也忙不可能随叫随到。这两年我比较推荐的做法是把团队的历史文档、常见问题、代码规范、架构设计摘要全部灌进一个内部RAG问答系统里新人入职第一天就能用它来查询“我们团队的测试环境怎么连”“这个模块的负责人是谁”“这个接口为什么这么设计”。这个系统的搭建成本并不高用公司已有的向量数据库加一个模型API就行。实测效果非常明显。以前新人问问题导师平均每天要被打断六七次有了知识库问答系统之后导师每天被打断的次数降到了两三次而且被问的问题质量明显变高——因为琐碎问题已经被AI消化了剩下的都是真正需要导师判断力的复杂问题。这里的关键点是知识库一定不能只放静态文档要每周更新一次把新踩的坑、新做的决策沉淀进去否则AI的回答很快就会过时新人又会回到“找不到答案”的状态。3.3 成长环节把AI Agent包装成新人的贴身教练这是我最想推荐给技术团队的一个玩法。给每个新人都配一个“AI教练Agent”它的职责不是替新人干活而是陪新人干活。怎么理解比如新人接到一个需求可以先跟Agent说一遍自己的理解让Agent帮他检查有没有遗漏边界情况写代码的时候Agent可以解释一段陌生代码的语义遇到拿不准的技术选型Agent能给出几种方案的对比和适用场景。本质上是把新人需要组织记忆和历史踩坑经验的部分用一个Agent来填补。有人担心这样会不会让新人变成“提线木偶”。我的实测结论是不会。因为Agent终归是概率模型它会给出模棱两可的答案而新人为了把这个答案用起来就必须自己去做验证、补上下文、判断约束条件。这个过程本来就是学习。而且AI教练的存在让新人从一开始就养成了“遇到问题先自己查、再问AI、最后才问人”的工作习惯这比什么都重要。等到新人对系统和业务都熟了他还自然会去挑AI教练的毛病那时候你就知道他已经出师了。3.4 评价环节AI辅助绩效评估必须保留人工校准再聊聊评价。我见过有的公司直接用AI来写员工的绩效评估或者用AI来决定谁该被裁员这是非常危险的做法。AI模型在做绩效评估时会继承很多病态相关性比如“工作时长长的员工贡献高”“发送消息多的员工协作好”“代码提交量大的员工产出高”。这些指标在统计上可能有正相关性但具体到个人可能恰恰相反——一个每天高效工作六小时的人会比一个每天在工位泡十二小时但产出平平的人更有价值。所以更稳妥的AI应用方式是让AI做信息汇总把员工这季度的代码提交、文档更新、协作记录、项目产出全部梳理成一份事实清单然后由主管基于这份清单结合自己对员工实际贡献的判断打出一个分数。AI负责的是“把事实摆全”人负责的是“给事实赋予意义”。这中间绝对不能省略人工校准环节否则AI看重的不是你期望的价值而是它从训练数据里学到的“平均画像”那恰恰是最容易抹杀个人潜力的时候。4. 从CEO的狠批看企业AI转型的四个常见误区如果把这件事放到更宏观的视角会发现AWS CEO的不满其实是对整个行业AI转型方法的担忧。很多企业确实在积极拥抱AI但拥抱的方式跑偏了。我总结下来最常见的四个误区是这些。4.1 误区一把AI当成成本中心而不是增长引擎很多企业一上AI第一个想到的是“我能用AI省掉多少人头”而不是“AI能帮我做出什么原来做不到的事情”。这个出发点就决定了它们的AI项目一定会走向裁员和压降成本。而真正跑出成效的企业从一开始就问“AI能帮我打开什么新市场”“AI能帮我提升什么新产品竞争力”。举个例子同样是做客服系统前者拿AI替换人工客服节省了成本但用户体验其实变差了后者拿AI分析客服会话数据找到用户高频抱怨的产品缺陷然后反向改进产品让用户投诉变少客服成本也随之下降。后者才是健康的AI化路径。4.2 误区二用AI替代能力而不是增强能力“替代思维”是我在很多传统企业看到最多的。老板觉得AI能写周报了行政就不用汇总了AI能生成PPT了分析师就不用做了。这种思路最大的问题是只看到了单点的人工节省忽略了这些岗位的人在做这些琐事之外还承担着跨部门协调、管理判断、突发问题处理等无法被结构化描述的工作。你把他们裁了这些隐性工作就会落到剩下的骨干头上结果骨干被琐事淹没更有价值的工作没人做。正确的姿势是“增强”——让AI做事人来复核和兜底最终人可以把时间花在那些AI做不了的事情上。增强的最终结果是团队的整体产出模型向外扩展而不是一个固定模型的简单换血。4.3 误区三忽视AI应用的数据基础不少企业兴致勃勃地部署AI结果跑起来发现效果很差然后就感叹“AI不行”。实际上多数情况下是数据不行。AI模型的质量上限是由数据质量决定的。你的历史操作日志字段缺失你的知识库文档过期你的用户反馈散落在各个聊天工具里这些都是AI无法直接吞下去的。如果连数据基建都没做好就着急上裁员项目那不叫拥抱AI叫掩耳盗铃。我自己见过一个最典型的反面案例一家公司想用AI做员工绩效预测他们直接把过去五年的绩效数据丢给模型训练结果模型学出来的重要特征是“绩效高的员工大多家在总部附近”。这当然不是因果关系只是数据采集偏差——因为总部附近的员工入职年份早、样本更多而已。如果真按这个模型去裁人那乐子就大了。4.4 误区四从来不做AI与人的权责划分最后这个误区比较隐性但同样致命。有些企业在引入AI时并没有定义清楚“AI出了错谁来负责”。比如AI生成了一份合同业务员直接用了导致出现漏洞最后老板追责业务员说“是AI给的内容”老板又说“你为什么不检查”。推诿的结果就是所有人都开始对AI产出放任自流要么是无脑相信要么是无脑甩锅这都会导致严重的事故。我的建议是每个AI应用都必须要有一个明确的责任人以及一套人工抽查机制。凡是AI生成的内容如果没有经过人的确认就不能直接进入正式环节。就像飞机自动驾驶一样驾驶员永远要对飞行结果负责AI只是辅助。企业应该把这条规则写进流程里并且要在新员工入职培训时反复强调形成肌肉记忆。5. 写在最后那些被AI“留下”的新人如何真的长成团队中坚之所以对这个话题感触这么深是因为我自己就见过两个方向完全相反的真实案例。前两年有一家合作过的企业启动“AI降本”计划把刚入职半年的三位应届生全部裁掉理由是用AI已经能自动完成他们手头的测试用例编写和文档整理工作。结果半年之后AI生成的测试用例在某个核心模块上出现了致命遗漏线上出了事故。而当时那几个被裁的新人里恰恰有一个人入职时提过“这个模块的边界条件要特殊处理”只是当时没人当回事。事故复盘时决策层才意识到新人虽然测试写得慢但他们不依赖固有路径更容易发现系统盲区。另一个案例正好相反。另一家团队在2023年同样面临预算收缩但他们没有裁掉新人而是把所有新人集中到一个“AI工具探索小组”给他们一个季度的时间专门研究如何把AI用到团队现有的开发、测试、文档流程里去。这个小组产出了好几套内部提效方案包括用AI自动生成接口文档、用AI做代码评审的预扫描、用AI辅助设计测试用例等。这些方案在内部推广后整个团队的研发效率提升了大约30%。这些新人后来成了各自部门AI落地的核心推动者中层管理者多半都是从这批人里提起来的。这两个案例对应了“用AI裁新人”和“用AI培养新人”的两种思路的典型下场。前一种省了小钱伤了根本后一种花了几个月的时间成本换来了未来几年的组织红利。我个人的体会是AI从本质上是一个杠杆它放大的是企业原有的人才战略和组织文化。你如果本身重视人才AI能帮你十倍地放大人才的价值你如果只想省钱AI也能帮你十倍地放大组织的萎缩速度。AWS CEO那句话虽然刺耳但确实是说到了根子上。如果要给同行一个最朴实的建议那就是把AI当成你团队里的“最强新人”来带。它反应快、知识面广但同样需要你给它定边界、审输出、传经验。真正的高手不会因为AI来了就砍掉新人而是让新人和AI一起成长最终人负责判断和方向AI负责执行和提效。这才是这个周期里团队活下去并且活得好的正确姿势。