AI 来了，人情淡了

最近换了个组。原委不复杂，也不必细讲。真正让我想写点东西的，是这段日子里那种说不上来的落差 —— 同样是写软件，两段经历像是两个时代。

坐在新工位的第一周，我常常有种"轻舟已过万重山"的感觉。不是庆幸自己走了，而是回头看那一段路，才发现自己在里面待久了，也就习惯了那份紧绷。

待了十五年的地方

原来那个组，我一待就是十五年。那里有我一路走来的伙伴、一起熬过的项目、一起端着咖啡讨论架构的清晨。哪怕这两年大环境变得剧烈，我对它的感情依然是真的。

作为一个基层管理者，我这两年做的绝大部分事情，其实是想在剧烈变动的水面下，尽量让身边这一小圈人还能稳稳当当地做事。有些时候顶得住，有些时候顶不太住 —— 大环境是大环境，个人的力气总归有限。

节奏是这样一点一点变紧的。AI 工具把 loop 拉了起来，把 graph 铺开，效率的曲线一直往上走，项目排期越推越前，大家都为此开心过一阵子。这份效率本身没有错，它是这个时代给的礼物。

但人还是要吃饭睡觉的。人每天的时间就那么多，注意力早已经变成一种被争夺的稀缺资源。当组织把绝大部分心力都用来设计 AI 的 loop、优化 AI 的反馈、追赶 AI 的产出时，人这一侧留下的空间，就一点一点被压薄了。这不是哪个人的错，是整个大环境在往那个方向走。

最直观的表现，是欢迎新伙伴的方式在变。以前一个人加进来，大家会花点时间了解他 —— 叫什么名字、家里是什么情况、平时喜欢干什么、性格是急是稳。哪怕只是开会前几分钟的闲聊，也让彼此之间先有一点交集，再谈工作。

后来这类闲聊越来越少。一个人加入项目组，问一句名字，问一句在哪个 office，剩下的时间直接过活儿，告诉他下周上线。到了下周，交付了，大家愿意跟他多聊几句；如果没交付，节奏就会自动把他推到边上。整个流程干净、高效，但温度也就在这份干净里慢慢被蒸发掉了。

我坐在里面，有时会想起流水线。软件行业曾经是一份体面的白领活，吹着空调、端着咖啡、穿着衬衫。它正在不可避免地滑向一份更接近蓝领的工作 —— 你在流水线上拧螺丝，你参与生产的可能是 iPhone 那样伟大的工业品，但没人会记得那个拧螺丝的人长什么样。这一批出货完了，你可能就被换到下一个工位。这件事，正真实地发生在全球最顶尖的几家软件公司里，不是某一家的问题。

两个更冷的截面

有两个截面，我想放在这里当事实记录，不加评价。

第一个，是 token。现在大家都在用 AI 干活，token 消耗越来越猛。相当一批人认真算下来，一个月烧掉的 token 成本已经接近甚至超过自己的工资。这里当然有性价比问题需要衡量。但站在更冷的资本视角，问题被换了一种问法：这个人的价值到底在哪里？如果他消耗的 token 已经超过他的产出对价，那意味着什么？这个问题一旦被认真问出来，气氛就不太一样了。

第二个更冷一点。行业里流传过这样的场景：某个人下个月要离开，手上有一台 Mac。因为最近存储和芯片涨价，Mac 依然是一笔不小的资产。真正被拿出来讨论的，不是这个人接下来怎么办，而是他那台设备之后怎么统计、怎么再分配。人的去向少有人过问，机器的去向反倒被认真操心。

我把这两件事写下来，没有加太多形容词。因为它们本身已经够冷。这也不是某一个团队的问题，而是整个行业在效率至上的浪潮下，都需要面对的问题。

新的组

新的组给我的第一感觉，是那种久违的从容。

大家愿意花时间了解彼此，摸清楚各自擅长什么、在乎什么，然后在一个所有人都能舒服呼吸的边界里，把事一件一件做成。领导对人有耐心，成员之间有默契，讨论问题时先把人放在前面，再谈事情本身。

这份从容不是天上掉下来的，是有人用心在维护的 —— 我能看见新的 leader 和身边的同事都在小心地守着这份氛围，让它不因为外部的加速而被吹散。对我来说，这几周最大的收获，就是被这份氛围重新提醒了一件事：一个组织的温度，从来都不是奢侈品，而是它长期能不能持续走下去的底盘。

AI 转型难在哪

从这两段经历里，我慢慢想清楚了一件事：AI 转型真正的难点，不在工具，也不在流程。真正难的是两件。

第一件，产品得成功。 发展能解决很多问题。OpenAI 和 Anthropic 里面同样有高压、同样有加班，但产品成了，为人类做了实事，那么大家吃过的苦 —— 哪怕其中有一部分事后看是无谓的 —— 也能被自己解释过去、被自己接受。

产品不成，情况就反过来。产品竞争力不足 → 大家焦虑，冒出更多想法 → 注意力被摊薄，每个想法都不够扎实 → 匆忙做出来的东西上不了线 → 产品继续没有竞争力。一个闭环，一层层往下沉。你在里面能感觉到它在转，但没人踩得下刹车。作为基层管理者，能做的其实很有限，我也是这两年才越来越理解这一点。

第二件，得给"人"设计反馈机制。 这件事我们做得太少了。过去这段时间，我们花了大量心思给 AI 设计 loop、设计 evaluation、设计 reward。但对身边的人，反馈机制近乎为零。

难就难在这里 —— 给 AI 设反馈是同构的，给人设反馈是异构的。每个人的起点不一样，节奏不一样，能吃的苦不一样，能被点燃的点也不一样。管理者要做的，是拿出耐心也拿出智慧，为每个人铺一条独有的路径，摆上高矮不同的台阶，确保这个人在每一级台阶上都能拿到及时的、正面的反馈。这样才有可能把大多数人带过这一轮升级。

当然，一定还是会有一批人会被这个时代淘汰，这件事不用回避。但一个负责任的转型，应该是尽力让大部分人过河，而不是默认多数人会掉队、把注意力全给了那几个跑得最快的人和那些拟人化的机器。这话对我自己也是一种提醒。

异构，是这一代转型真正的门槛

顺着这个再多说一点。这一代 AI 转型和上一代最不一样的地方，就是异构性。

传统机器学习那个时代，技术的山峰没那么陡。派一个人去学，学完回来开个分享会，大家 follow 一下，基本能跟上。那是一个相对同构的世界。

AI 时代不一样了。同样一个工具、同样一份最佳实践，落到每个人的场景、每个人的代码库、每个人的工作习惯里，路都不一样。每个人都必须自己摸出一条属于自己的路。分享会照开，但分享完之后每个人还是得自己走。

这就变成了孔子说的"君子和而不同"—— 表面上和谐，底下每个人和每个人都不一样。这种复杂度，是很多管理者一时半会儿接受不了的。我们过去熟悉的是相对一刀切的架构，一份 SOP 全组照办；面对一屋子异构的个体，旧的工具会失灵，情绪也不好安放。这是我们这一代管理者需要一起补上的功课。

而恰恰在这个时候，人情就更重要了。因为异构意味着，每个人都需要被当作一个具体的人来看待，而不是流水线上一个可替换的工位。

结尾

写到这里我也没有什么漂亮的结论要给。

AI 会继续压过来，效率的曲线会继续往上走，token 也好、机器也好，都会继续在议题里占越来越大的份额。人这一侧的空间怎么保住，我也还在看。

只是这一路走过来，从待了十五年的那个组，到刚安顿下来的这个组，我更确信一件事 —— 让身边的人被当作人来对待，这件事值得被认真做，也值得每一个还在这条船上的人，为它多花一点心思。