把 AI 当裁员工具，最容易省掉真正值钱的人

有一种 AI 落地方案，放进董事会 PPT 里特别顺眼：人少了，工资降了，产出看起来还在。

Libertas Software 最近的一篇观点文章，讲的就是这个反常点。它不是报道某家公司裁了多少人，也不是反 AI。它提醒的是：企业如果把 AI 采用简化成“用机器替人省钱”，短期账面可能更漂亮，长期却可能把组织里最难重建的东西一起裁掉。

那东西不是邮件、表格、周报和会议纪要。

是知道这些东西为什么要这么做的人。

这篇文章真正说的是两条 AI 路线

企业现在面对 AI，大致有两种用法。

第一条路最容易讲。少人、少钱、交付差不多，听起来像效率革命。

但文章的核心判断是：很多岗位的价值，并不只在“完成任务”。真正值钱的部分藏在任务背后。

客户抱怨一句“用起来不方便”，到底是在说产品问题、预期管理问题，还是某个历史遗留问题？

一个流程为什么不能照标准文档走？

某个异常案例为什么不能机械套规则？

这些东西很少完整写进 SOP。不是因为不重要，而是因为过去有人知道。

一旦这些人走了，AI 接手的就不是“任务”，而是一堆失去上下文的表面动作。

这对企业管理层和团队负责人很具体：如果你正在做 AI 预算，不要只看岗位能不能被自动化。更该先标出哪些人掌握客户语境、流程边界、异常案例和隐性决策逻辑。裁掉冗余可以，裁掉组织记忆，后面会用更贵的错误来补。

AI 适合接管杂活，不适合替你判断业务

我更认可这篇文章的一点，是它没有把“机构知识”讲成温情故事。

机构知识不是老员工天然正确，也不是办公室人情味。它更硬，更接近执行能力。

• 客户语境.知道客户嘴上的“不方便”，实际在担心什么。
• 流程边界.知道规则哪里能自动化，哪里必须人工兜底。
• 异常案例.知道哪些小信号可能变成大事故。
• 隐性决策逻辑.知道过去某些选择看似低效，却避开了更大的坑。

AI 很适合接管低判断力摩擦。行政、格式、排期、基础报告、初稿、资料整理，这些活本来就吞掉了太多高技能时间。让 AI 做，应该做，而且早该做。

问题出在另一端。

企业如果因此觉得“既然 AI 能写报告，那写报告的人可以走了”，就是把报告误认为价值本身。

一个懂业务的人用 AI 写分析，和一个只拿到简报的人用 AI 写分析，结果都可能很流畅。但前者知道哪里不能信，哪里要追问，哪里只是看起来合理。后者更容易把错误包装得像正确答案。

这就是 AI 落地里容易被低估的风险：模型会让平庸输出变体面，也会让错误判断更难一眼识别。

对关注 AI 落地的科技从业者，这意味着工具选择反而不是第一步。更现实的动作是先拆工作流：哪些环节是格式、搬运、汇总，直接交给 AI；哪些环节涉及客户承诺、风险判断、业务取舍，必须保留人来拍板。

采购也可以更慢一点。不要只看工具演示里生成得多快，要看它能不能嵌进你的业务上下文，能不能留下追溯链路，能不能让有经验的人更快发现问题。

降本型 AI 会输给增能型 AI

我的判断很明确：把 AI 当裁员工具的公司不一定都会失败。但如果它裁掉的是关键经验和业务上下文，风险会明显高得多。

问题不在 AI，在激励设计。

“天下熙熙，皆为利来。”董事会喜欢降本，不奇怪。裁员带来的成本下降立刻进报表，培训、流程重构、知识沉淀的收益却慢、散、难量化。

所以很多组织会自然滑向最容易讲故事的那条路：少人，也叫转型。

可真正有野心的 AI 落地，不是让更少的人勉强做完同样的事，而是让有判断力的人摆脱杂活，处理更多复杂问题。

一个分析师不再花三天排版和汇总，而是把时间用在解释、假设和策略上。

一个客户成功经理不再被会议纪要和跟进邮件拖死，而是能覆盖更多账户，同时保持理解深度。

一个市场团队不再只跑一个活动，而是同时测试多个版本，并且知道哪些数据只是噪音。

这才叫扩能。

历史上新技术进组织，常常先被拿来压成本。电力进工厂时，管理者也会先想怎样让机器跑得更久、人工更少。但真正拉开差距的，往往不是省下第一笔工钱，而是谁重构了生产方式。

AI 不完全一样。它更像判断力放大器。前提是，组织里还保留着值得放大的判断力。

接下来最该观察的，不是企业有没有宣布“AI 转型”，而是三个更细的变量：

• 它把 AI 放在杂活层，还是决策层。
• 它裁掉的是重复劳动，还是掌握上下文的人。
• 它有没有把经验写进流程、数据和反馈机制，而不是只写进离职交接文档。

管理者真正该问的，不是“AI 能替掉谁”。

是“谁的判断值得被 AI 放大”。

省人可以，清理低效也可以。没有组织必须把所有岗位供起来。但如果一刀下去，砍掉的是客户理解、异常识别和流程边界感，再用 AI 去补，通常补不回来。

AI 会让强团队更强，也会让空心组织更快暴露空心。

这才是分水岭。