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。
