灌水 大厂裁 20 人省 600 万,回村却看见地荒了:AI 落地其实就两类东西

Anonymous_Testboy · 2026年11月16日 · 17 次阅读

用小学三年级能懂的话讲效率,用小学三年级以前的话讲 AI,然后把"专家 / 技能 / 连接器 / 硬件接入"这堆名词拆成两类。

一、先把"效率"这件事说清楚

工厂做铅笔。以前 10 个工人,一天做 1000 支。后来买了台机器,3 个人一天做 1000 支。

剩下 7 个人去哪了?老板不用给他们发工资了。

这就是"生产效率提升,人力成本下降"。整句话拆开就两个意思:同样的时间做更多,或者同样的产量用更少的人。没有别的深意。

老板的算法也从来不是"我要用机器",是"一个人一年 30 万,20 个人 600 万,砍掉就省 600 万"。

但这里有个小学三年级也该知道的前提:做出来的得是好的。

1000 支铅笔,300 支断了芯,等于白干 300 支。这叫良品率。机器转得再快,良品率上不去,省下的人工又赔进废料里。

还有一层更麻烦的,叫工艺。

同样的面粉,师傅揉面 20 分钟、醒 1 小时,馒头才发得起来。你赶时间,揉 5 分钟就上锅,蒸出来是死面疙瘩。

工艺是"先做什么、后做什么、每一步做到什么程度"。它不写在机器说明书里,写在老师傅手上。

所以"效率提升"这件事,其实是三段:

  1. 工具:替代体力,机器比人快、比人有劲
  2. 工艺:决定做出来的东西对不对
  3. 良品率:决定省下来的钱,是不是真省下来了

我们这行最爱吹的是第一段,最缺的往往是第二段和第三段。

二、20 个人省 600 万,这笔账得拆开看

算一遍:

  • 工资 2 万,社保公积金等 5 千,一个人一个月 2.5 万
  • 2 万 × 12 + 5 千 × 12 = 24 万 + 6 万 = 30 万 / 人 / 年
  • 30 万 × 20 人 = 600 万 / 年

账面上没毛病。但这句话把三件事吞掉了:

第一,省下的是成本,不是收入。

第二,这 20 个人原来创造的价值,有没有 600 万?

第三,替代他们的那套东西,自己也要花钱。

如果这个项目一年毛利 300 万,你"省"了 600 万,公司并没有多赚 600 万——你只是把一个 300 万的项目,做成了成本更低的 300 万项目,顺手把 20 个人的经验一起清空了。

所以真问题不是"能不能省 600 万",是"这个项目一年能不能赚 600 万"。

省钱的故事好讲,赚钱的故事难讲。这就是为什么大部分 AI 项目 PPT 的第一页,都写着"降本 XX%"。

三、再用小学三年级以前的话,说 AI 改了啥

小学三年级以前,我们学的是:1+1=2,太阳从东边升起,红灯停绿灯行。都是确定的、有标准答案的。

AI 干的事,是把"要人一点一点做"的活,变成"说一句话,它给你个结果"。

三个最直白的变化:

1. 以前先学,现在先问

不会写 SQL,以前翻书两小时。现在问一句,它给你一段 SQL,你贴进去跑,跑不通再问一句。

注意:它给的是"大概对",不是"一定对"。跟计算器一样——按错键,它一样算错,而且算得很自信。

2. 从"会做"变成"会验收"

以前值钱的是手速和记忆力。现在值钱的是两件事:你能不能说清楚要什么,你能不能看出它给的东西哪儿不对。

就像装修:你不需要会砌墙,但你得知道墙是不是歪的。

3. 不用装得很专业,但必须知道自己哪儿不懂

AI 最容易骗的是"半懂的人"。

你完全不懂,它胡说你也看不出来;你非常懂,它一错你就抓住。最危险的是懂 60% 的那批人——觉得它说得挺顺,就信了,然后拿着这个答案去背锅。

再粗暴一点,就三句话:

  • AI 没有让你变聪明,它只是让你少干重复的活。
  • 它也没有让你变轻松,它把"干活的时间"换成了"检查的时间"。
  • 你原来干的活如果是重复的、有明确对错的,它真能替掉你;你原来干的活如果是"看情况"的,它只能打下手,拍板的还是人。

不用给它安什么远大理想。它就是一个更聪明的计算器,只不过这次算的不是数字,是步骤。

四、AI 落地拆到最底层,其实就两类东西

上面那些是概念。真去做产品,你会发现所有平台翻来覆去就摆四样东西:专家、技能、连接器、硬件接入。

这四样,本质是两类:

  • 第一类:脑子——专家 + 技能
  • 第二类:眼睛和手——连接器 + 硬件接入

4.1 第一类:专家 = 人设,技能 = 手艺

专家:给 AI 定一个身份。"你是干了 15 年的支付对账专家",它回答的语气、关注点、判断标准就跟着变了。

人设不是装饰。同一个问题,"客服"和"风控"给的答案必须不一样,因为该盯的东西不一样。

技能:把一套已经跑通的流程,写成 AI 能照着做的步骤。

老师傅脑子里那套"先看流水、再对账单、差 1 分钱先查手续费、再查时区",写下来就是技能。

写下来有三个好处:能复用、能交给别人、能被检查。

一句话概括关系:

  • 专家解决"以什么身份说"
  • 技能解决"按什么步骤做"

没有技能的专家,是个会聊天的顾问;没有专家的技能,是个没有判断力的脚本。两个凑一块,才像一个能干活的人。

4.2 连接器:给 AI 装上眼睛

AI 再聪明,它看不见你的库、你的日志、你的工单系统。它只能靠你复制粘贴喂给它。

连接器干的就是这件事:把外部数据源和系统接进来,让它自己能查。

平台上的原话是:"连接外部数据源或系统,提供数据 / 能力接入。"

注意"能力"这两个字。不只是读数据,还包括调接口、发消息、改状态。

没有连接器的 AI,是隔着玻璃看病的医生:你说哪儿疼,它猜。
有连接器的 AI,能自己拉化验单。

查数据库、查日志,就是最典型、最高频的两个连接器。因为绝大多数"AI 帮我看看"的场景,第一步都是把数据取出来。

4.3 中间那层:判断

这一层最容易被忽略,也最值钱。

完整链路是三段:

  1. 取数:连接器查库、查日志、拉指标
  2. 判断:AI 看这些数据,决定下一步干什么
  3. 动作:调接口、点按钮、开设备

举个具体的。线上告警,登录成功率掉了:

  • 连接器拉最近 1 小时的错误日志、网关指标、发版记录
  • AI 一看:错误集中在某个版本,报的是 token 过期,发版时间也对得上
  • 判断:不是流量问题,是这次发版把过期时间配错了
  • 动作:回滚,或者改配置

三段里最容易被吹的是"想",最容易出事故的是"做",最容易被低估的是"查"。

因为查得不全,后面想得再对也是错的。AI 拿到半份日志,能给你一个逻辑自洽、但完全跑偏的结论——而且它不会告诉你它缺了哪一份。

4.4 硬件接入:给 AI 装上手

平台的描述是:面向硬件设备与合作伙伴开放的 API 能力,创建后可获取 Client ID / Client Secret,并管理所需权限。

翻成人话:让 AI 能去按真实世界的按钮。

按钮可能是:

  • 一个 API(开灯、关阀、启停设备)
  • 一台仪器的开关顺序(先开 A 再开 B,反了会烧)
  • 手机屏幕上的一个点击(驱动 UI 自动化)
  • 浏览器里的一个表单(同样是 UI 自动化)

难点从来不在"能不能调通",而在顺序和权限。

开关顺序错了,设备坏;权限给大了,事故大。所以硬件接入真正的工作量,全在这三件事上:谁能调、能调什么、什么条件下不许调。

Client ID / Client Secret 只是入场券,权限清单才是真正的设计。

五、一条完整的链路长什么样

拿一个具体的活:把"App 下单"这件事跑通,并且跑坏了能自己查。

层 干什么 对应
人设 我是这个业务的测试专家,只认这个业务的标准 专家
步骤 登录 → 选商品 → 下单 → 支付 → 查订单,每步怎么判对错 技能
取数 查测试库订单表、拉服务端日志、看埋点 连接器
判断 支付成功但订单表没记录 → 不是 UI 问题,是回调没到 AI 分析
动手 驱动手机点完整个流程;或直接调接口补一笔 硬件接入 / API

这就是"AI 做测试"的真实样子。

不是 AI 突然会测试了,是把测试这件事拆成了五块:人设、步骤、取数、判断、动手。每一块都能单独做,也能拼起来用。

六、为什么每个平台最后都长成一个样

"又来一个 bot。"

我第一次看见这套菜单也是这个反应:发布管理下面是 Buddy 应用、专家、技能、连接器,再下面是硬件接入、分享功能接入、积分兑换……换个平台,名字改一改,位置挪一挪,还是这四样。

不是大家互相抄,是这四样就是"让 AI 干活"的最低配置:

  • 得有身份,不然它不知道该以谁的立场说话
  • 得有步骤,不然它每次都自由发挥,今天对明天错
  • 得能看见,不然它只能靠你喂,喂什么答什么
  • 得能动手,不然它只能给建议,活还是你干

少任何一样,都只能算一个聊天框。

所以判断一个平台是不是真能干活,别听它宣传什么大模型、多少参数、多强的推理。看这四个口有没有开、开得全不全、权限管不管得住。名词一直在变,"人设—能力—连接—执行"这个分层,几年没变过。

七、回村看到的那个事

机器越先进,村里种地的人反而越少。

不是机器不好,是那块地不划算:土薄、坡陡、浇不上水。机器开进去,油钱都比收成贵。

AI 一模一样。

它能干的活,和值得用 AI 干的活,是两件事。 中间隔着四道坎:

  • 数据全不全:日志都没有,它判断什么
  • 流程稳不稳:一天三变,技能写一版废一版
  • 错了谁负责:没人敢让它直接改生产,那它永远只能提建议
  • 账算不算得过来:为了省 3 个人的活,养 5 个人维护这套东西

地肥的地方,机器一上就出效果。地薄的地方,先修水利,别急着买拖拉机。

资本把用人成本打下来,是同一个逻辑:凡是可以标准化、可以规模化、投入产出算得过来的活,机器一定会进来。算不过来的,机器再先进也只能停在场院里。

八、落到具体业务:为什么都说"要定制"

不同公司的业务不一样,前提条件不一样,所以第一件事永远是:造数据。

同样是"跑一遍下单":A 公司有优惠券叠加,B 公司有预售尾款,C 公司有跨境税费。流程骨架一样,中间的分支全不一样。

你不给它这些前提,它跑出来的就是"看起来跑通了,其实一个分支都没测到"。

但骨架是能统一的。执行用例这件事,行业里翻来覆去就三种入口:

  1. 接口
  2. UI(Web / App)
  3. 某个协议(MQ、gRPC、私有长连接、硬件指令)

这三种,覆盖了绝大部分场景。

所以正确的做法不是"做一个通用的 AI 测试平台",而是"做一套标准的壳,配上能改的芯":

  • 壳:人设、步骤编排、取数、判断、执行、报告——这套不用改
  • 芯:你这个业务的字段、分支、判断标准、造数规则——这套必须改

卖壳的赚快钱,做芯的才留得住客户。

九、最后几句实话

1. 效率提升如果不带良品率,就是白忙。
AI 生成的代码越多,review 越重要。生成速度翻 5 倍、缺陷率翻 1 倍,净收益是负的。别只看产出量。

2. 省下来的钱,不等于赚到的钱。
600 万的账,要敢往收入那边再算一遍。算不过来,就别拿它当立项理由。

3. 专家和技能,本质是"把人脑子里的东西拿出来"。
难点不在技术,在于愿不愿意写、写完愿不愿意改。大部分技能死在"写完没人维护"。

4. 连接器和硬件接入,本质是"把风险接进来"。
它能查库,就能误删;它能开设备,就能误关。权限和顺序,比功能重要得多。

5. 别指望 AI 有理想。
它不知道你要什么,它只知道你说了什么。你要是不说清楚,它就给你一个"看起来很像"的答案——然后你拿着这个答案去背锅。

效率、良品率、工艺,是工业时代留下的三句话,放到 AI 身上一个字都不用改。
变的只是工具,不变的是那句最土的话:先把活干对,再谈干得快。

"我没文化,AI 帮我扩写,焦虑个锤子,说的你以前学的哪些就有用一样,相比别人你可能学的多有优势,现在人人都可以借助 AI 这个 buff 工具"

暂无回复。
需要 登录 后方可回复, 如果你还没有账号请点击这里 注册。