# AI写进成本模型之后，该拆的是能力，不是岗位

- 发布日期: 2026-07-12 · 分类: AI

去年年底我帮一家客户做年度预算的交叉核验，碰到一个让我愣住的情况。他们 CTO 在表格里把 AI 归到"效率工具采购"那一栏，隔壁业务线却已经按"底层基础设施、产能扩张"的口径在拉人、拉卡、拉机房。两张表摆到一起，中间差了将近一个亿的额度。这件事我到现在还记着，原因不是那个数字本身，而是它暴露了一个很残酷的机制：认知上的滞后不会给你留缓冲，它直接体现在年底那张表上。谁先把 AI 想成基础设施，谁就多一亿的弹药；谁还在用"辅助工具"的框架去框它，谁就少一个亿的牌。

![真正的裁员潮可能还没开始](https://aicyber.de5.net/sites/blog-252d6582/shared/images/cover-20260712-digital-employee-work-node.webp)

## 账单正在被重新定价

我先把几组公开报价摆在这，不绕弯。

GPT-5.6 Sol 目前的档位大概在 $5 / $30（每百万 input / output tokens），而社区里多家第三方对照口径把 Claude Fable 5 标在 $10 / $50 附近。粗算下来，Sol 的单价已经只剩 Fable 5 的一半上下。再算上 Grok 4.5 这类"快、强、默认就能接"的引擎，企业实际月度账单还会继续往下走。

真正让财务坐不住的变量在国产侧。我的判断是：如果到今年年底，GLM、DeepSeek 这一批模型在 coding 和 agentic 能力上继续贴着当前国外前沿，而价格只到对方的十分之一量级，大量公司的用人成本模型会被推翻重算。我用的词是"如果"和"量级"，并没有宣布国产模型已经全面反超。但趋势不用等到全面反超才起效——"够用 + 够便宜 + 能嵌进工作流"三条同时成立，财务就会先动手砍预算，HR 再动手调编制。

我观察到的下一轮结构变化，大概率不是"整个岗位蒸发"，而是内部重排：

- 同样的业务吞吐量，编制缩 20% 左右；
- 初级执行类需求断崖式下跌；
- 能拆环节、能调度 AI、能兜底交付责任的人，议价能力明显上升；
- 只掌握"这家公司特有审批流怎么点、某个内部系统怎么填"的经验，折旧速度会快得吓人。

裁员讨论还没停，另一侧的动作同样密集。我翻了一圈能交叉核对的公开信息，至少以下几条量级是明确的：

- 中国银行 2025 年初宣布，未来五年为人工智能全产业链提供合计不低于 1 万亿元的专项综合金融支持，点名扶持"人工智能 + 机器人"等方向；
- 彭博等媒体 2026 年报道，中国计划在未来约五年投入约 2 万亿元量级资金，推动全国 AI 数据中心与算力基础设施建设；
- 央行侧的科技再贷款、硬科技引导基金等工具也在滚动加码，指向仍是 AI、机器人、高端制造。

![一边减人，一边加码 AI](https://aicyber.de5.net/sites/blog-252d6582/shared/images/illust-20260712-two-parallel-tracks.webp)

我踩过一次这个认知差的坑，就是开头那个预算复盘。个人和企业要是还把 AI 当"偶尔写个文案、帮查个资料的玩具"，而政策侧已经按五年产业链在押注，这个差值不会在朋友圈里兑现，它会在年底那张表上兑现。

## 别用"岗位"当计量单位

这是我认为眼下最该完成的一次认知切换，也是我这两年跟企业客户反复验证后最确定的一点。

太多人还在问：产品经理会不会被替代？设计师会不会被替代？运营会不会被替代？这种问法颗粒度太粗了。公司算账的时候，没有人按岗位名称算，他们按业务环节算：

- 客户咨询进来，谁做线索整理？
- 方案初稿谁出？
- 会议纪要谁归档？
- 跟进提醒谁盯？
- 数据周报谁拉？
- 内容素材谁沉淀？
- 复盘结论谁落库？

所以正确的计量单位不是"岗"，是"节点"。

![岗位是粗账，环节才是真账](https://aicyber.de5.net/sites/blog-252d6582/shared/images/illust-20260712-job-vs-node.webp)

## 数字员工不是另一个对话框

上半年我在企业侧推 AI 落地，见过最多的翻车姿势是这样的：模型本身不差，公司却把 AI 当成一个"会说话的搜索框"。没人告诉它客户是谁、产品边界在哪、哪些话绝对不能说、做完交给谁、出了错谁来改。然后老板在周会上拍桌子：这 AI 怎么不好用？

我理解那个愤怒，但我觉得这个锅不该 AI 背。一个新同事第一天进办公室，不培训、不设权限、不写岗位说明书，他也不会突然变成销冠。AI 不需要工牌，但同样需要工作设计。

我给数字员工下的定义很简单：它不是陪聊的，它是流程里的一个工作节点。

聊天机器人回答问题，数字员工交付结果。聊天机器人靠提示词驱动，数字员工靠流程驱动。聊天机器人问完就散场，数字员工要进入反馈闭环。聊天机器人看起来很聪明，数字员工则必须被管理、被审计、被考核。

![聊天机器人 vs 工作节点](https://aicyber.de5.net/sites/blog-252d6582/shared/images/illust-20260712-bot-vs-worknode.webp)

## 跑起来之前，六样东西缺一个都白搭

数字员工还没跑起来之前，先别急着比谁家模型参数大。下面六件事，一件都省不了：

<table> <thead> <tr> <th>六件套</th> <th>你要写明白的内容</th> </tr> </thead> <tbody> <tr> <td><strong>1. 岗位目标</strong></td> <td>它到底解决什么业务问题，一句话说清</td> </tr> <tr> <td><strong>2. 输入资料</strong></td> <td>客户信息、产品边界、历史记录、禁区清单从哪来</td> </tr> <tr> <td><strong>3. 工作步骤</strong></td> <td>先做什么、后做什么，不能跳步</td> </tr> <tr> <td><strong>4. 输出标准</strong></td> <td>什么叫合格交付，什么叫漂亮废料</td> </tr> <tr> <td><strong>5. 人工复核</strong></td> <td>谁检查事实、语气、承诺边界</td> </tr> <tr> <td><strong>6. 反馈机制</strong></td> <td>错了如何记录、如何回填、如何更新知识</td> </tr> </tbody> </table>

别小看这张表。我实测下来，大量企业 AI 落地就卡在这里：

- 工具买了，任务边界没定义；
- 知识库建了，入口和触发条件没设计；
- 员工开始用了，质量验收标准没写；
- 老板看了一周，还是不知道这东西到底有没有在干活。

这不是智能，这是熟练地跑偏。

## 旧厨房换刀没用，动线得重画

中小企业最容易犯的错，是把数字员工硬塞进旧流程，然后期待新结果。

旧的销售跟进可能是：客户咨询进来 → 销售凭记忆回一句 → 老板偶尔追问 → 成交或流失 → 没有任何沉淀。你把 AI 塞进这个链条，大概率只会更快生成一堆话术。客户资料还是散的，动作还是漏的，失败原因还是没人记。

我打个比方：厨房动线没改，只换了一把更锋利的刀。切菜是快了，上菜还是乱。

更合理的新流程，至少长这样：客户进入表单 → 数字员工整理线索 → 销售确认需求 → AI 生成跟进建议 → 销售人工沟通 → 结果回填 → 数字员工更新客户画像和案例库。

这里真正关键的，不是"多了一个 AI"，而是多出来三个动作：

- 输入变清楚了；
- 输出变可检查了；
- 结果变可回填了。

数字员工可以先碰这些低风险、可检查的事：

- 整理资料；
- 起草回复；
- 分类客户；
- 生成建议；
- 提醒跟进；
- 归纳复盘；
- 提取会议要点；
- 整理常见问题。

- 独立报价；
- 独立承诺交付周期；
- 独立处理重大投诉；
- 独立判断法律和财务风险；
- 独立发送敏感客户信息；
- 独立决定是否继续投入资源。

![最小反馈闭环](https://aicyber.de5.net/sites/blog-252d6582/shared/images/illust-20260712-feedback-loop.webp)

## 一个闭环胜过十个问答窗口

很多人把 AI 用成一次性外包：要写文案问一次，要做总结问一次，要客户话术问一次。问完复制，复制完散场。有用，但很难沉淀成组织能力。

数字员工必须活在闭环里：输入资料 → AI 起草 → 人工复核 → 业务交付 → 结果回填 → 知识更新。

缺了输入，它只能说通用答案；缺了复核，风险直接进客户界面。缺了交付环节，产出无法验证；缺了回填，它永远停留在"今天很努力、明天全忘记"的状态；知识更新缺位，公司就无法把一次经验变成下一次能力。

这也是为什么我做产品，越来越不愿意只卖"又一个能聊的模型入口"。企业真正要的，是能嵌进工作流、能管额度、能审计、能稳定交付的能力。要害不在"模型名又更新了"，在于工作节点能不能坐在那个工位上，日复一日地干活。

## 把经验从工牌里剥出来

这也是我反复强调"数字分身"而不是"多会用几个 AI 工具"的原因。工具会过时，账号会换，模型会降价。能跟着你走的，是可迁移能力。

我见过太多人，简历写得漂亮，仔细一问，核心经验全是"我们那套审批流怎么填""某个内部系统怎么点""某位领导偏好什么汇报格式"。这些东西在工牌还有效时很值钱，工牌一没，全部归零。我自己也踩过一次，不展开了。

把经验整理成可迁移能力，至少覆盖这几块：

- 项目管理：把目标拆成任务、路径、验收标准；
- 客户沟通：听懂需求、确认边界、推进下一步；
- 数据分析：把原始数据变成可决策的结论；
- 内容生产：把信息变成可传播、可交付的文本与材料；
- 销售转化：从线索到成交的动作设计与节奏控制；
- 流程优化：找出漏项、断点、重复劳动，重画路径。

真正的安全感，是你离开这家公司，还能活得下去。对做一人公司的人来说，这句话更硬：你的安全感不该建立在"这个月模型接口还稳定"上，而该建立在"你的能力已经沉淀成可交付节点"上。

## 三件硬事

如果年底真的更难，你现在最该准备的，既不是另一份更精致的简历，也不是另一轮更焦虑的刷题。是三件更硬的事：

- 把能力从公司特有经验里拆出来，变成可迁移能力；
- 把可迁移能力编成数字员工，先从一个高频、低风险、可检查的环节切入；
- 把数字员工设计成工作节点，写清目标、输入、输出、标准、复核和反馈，挂上人类负责人。

真正的安全感，从来不是工牌还亮着。是你的能力已经从组织里拆得出来，并且开始以数字员工的形式，在流程里稳定产出。

从现在起做，不晚。等到预算表替你做决定，就晚了。

我是 Alex，一个人做 AI 产品的创业者。模型会降价，编制会重算，能跟着你走的只有可迁移能力。如果你也在把自己的经验拆成数字员工，欢迎聊聊你拆到了哪一个节点。