Bosses Wish on AI, Employees Tell It to Get Lost | Shenke

文丨赵芮  编辑丨张雨忻  老板的“许愿池”  “你知道马斯克怎么管理员工吗？”听到这句拷问，胡芯兰感觉不妙。  对面的这位老板，来自一家重工业企业，员工规模过万。在社交媒体上，老板看到过马斯克用Agent代替真人员工工作的新闻，不禁燃起同样的念头。他对胡芯兰直言不讳：“能不能帮我把整个信息化部门都裁掉？我每天就跟Agent沟通。”  在胡芯兰接触的大量老板中，关于“裁员”的愿望普遍存在。他们来自金融、制造、互联网等不同行业，公司规模从几百人到上万不等。有的试探性地递来话头：“你觉不觉得，我们公司的人员有些冗余？”有的则抛出终极问题：“最多能裁员多少？”这位效仿马斯克的，是她遇到的最激进的一位。  还有一些老板，虽没明说裁员，但却希望AI能监控员工的一举一动。“能不能给我装一个Agent，记录每名员工每天做了什么、产出了什么、项目进展到哪一步，最好还能随时监控和调用这些Agent，再根据完整日志计算每个人的投入产出比。”  胡芯兰心里清楚，提出这种需求的老板，只是暂时还没把裁员摆在明面上，他们希望先收集到足够多的人效数据，再“尽量精准地裁员”，以免“裁员裁到大动脉”。  日常总在跟“裁员”需求打交道的胡芯兰，做的并不是人力资源，她的工作，是时下AI圈最流行的工种之一——FDE，即前线（前沿）部署工程师。 眼下，AI的发展速度惊人：模型迭代极快，应用发布层出不穷，创业公司融资不见降速。但这份速度和热度，却没有被成功同步到那些希望AI来提升效率，革新生产的企业中。埃森哲曾调研了七个行业的163家中国企业，结果显示仅9%的企业从AI应用中实现了生产效率、收入和利润的提升。  FDE这一职业正是从这种“技术发展与技术落地之间的落差”中长出来的。它最早由硅谷公司Palantir提出，后被OpenAI和Anthropic发扬光大，并在2026年乘着风从从硅谷来到了中国。这个工作像是AI与企业中间的一座桥，FDE在客户公司驻场，深入了解客户的业务需求，再针对性地给他们落地大模型、Agent等AI能力，以此缩短AI与真实工作场景间的差距。  但在中国，大部分FDE的工作是尴尬的——企业抛来的很多诉求，如“许愿”般不切实际。 一次，胡芯兰在会上向不同行业的客户介绍公司的AI产品，一位老板忽然接过话头，声情并茂地描述起AI对人类的重大意义：“不只是工作，我们的身体、生命健康数据什么时候才能交给AI？让硅基生物复刻、并造福我们碳基生物。你们应该想想办法，把这个做出来。”  话音落下，全场没人说话。胡芯兰努力进行表情管理后，进行控场：“这就需要从长计议了。”随后她匆匆结束会议，这才没让需求从工作提效跨越到改造人类生命。  FDE创业者朱莉也有类似的困扰。她不久前收到一位电商客户甩来一个叫“AI CMO”产品的宣传片：只要输入公司网站，产品即可实现从文案、运营到投放的全流程营销工作，过程丝滑。宣传片配乐燃动，而老板的态度比片子更燃：“如果能实现，我愿意高价购买！”  朱莉心头一紧，“没想到AI公司画的饼，如今竟要我来实现。”她心里清楚，只给AI看一个公司网站上的信息，它必不可能实现宣传片里的效果，“能自动发广告，但没法保证发给用户的是有价值的信息。”  这正是另一种错配带来的尴尬：企业老板不清楚自己真正需要的是什么，也不清楚AI能实现什么。“对客户来说，我们就是个许愿池。”朱莉说。  实际上，这些“愿望”背后，藏着大量企业老板深深的焦虑：公司诸多生产环节上，或多或少都存在低效的问题，更重要的，是他们太害怕因错过AI这趟车而被时代甩下。 不只企业老板，在AI的另一头，那些拥有技术和产品的AI公司同样有自己的焦虑。 举个例子，今年3月腾讯上线WorkBuddy，字节阿里随后也快速跟上。字节推出豆包工作，阿里推出千问办公，主攻企业级市场。三家大厂把战火都烧向了AI办公入口，但实际上，办公Agent的功能并没有太大差异，技术上也缺乏壁垒。怎样让客户选择自己，成了大厂们眼下最头疼的事情之一。  于是，大厂开始密集成立FDE团队，期望用这一服务模式把自家AI送进企业。FDE，也成了大厂缓解商业化焦虑的一张新牌。  一位阿里云的销售经理告诉36氪，面对WorkBuddy的市场先发优势，他的方式是先给企业免费使用额度，再派更多的人做FDE。“现在就是比谁更舍得下注，公司里不少技术、售前等员工都转岗去做FDE了，百炼（阿里云MaaS平台）这类战略地位强的产品还有专门的FDE团队。”  Workbuddy最近也建立了自己的FDE团队，腾讯一位售前经理本身不愿意让团队做FDE的工作，但因为担心客户被竞对撬走，也选择了这样的方式“熬住”客户。  大厂想用FDE争抢市场，中小企业想让FDE把AI转化成真实效率。焦灼的两边，正在同时对FDE下注。  而FDE面临的难题并非AI时代独有，它不过是20年前SaaS时代的一次重演。棘手的是，当技术能接手的工作更多，技术与落地之间的鸿沟也会更大。 似乎，过去的难题，正在以更复杂的方式重现。  裁员阴影下的拉锯 面对客户的许愿，胡芯兰从不拒绝，而是用“魔法打败魔法”。  对于那位想效仿马斯克的客户，胡芯兰先是诚恳点头，随后沿着对方的逻辑推演：“明白，不过这样需要每天看上万份AI执行日志，您看是否能腾出精力？”老板迟疑片刻，胡芯兰持续加码：“而且员工一旦使用其他工具，您就拿不到上下文了。”  如果道理不足以让对方冷静，胡芯兰会拿出杀手锏：“这样实现下来，每天Token费用可能要花到一万美金。”这句话后，客户瞬间冷静。胡芯兰知道，是时候聊现实方案了。  胡芯兰所在的公司规模不大，她做FDE的同时还承担着销售工作，为了争取订单，她没有太多立场去争论，而是需要用客户可接受的方式让对方明白“不是不行，只是目前不适合你”。  林凌是一家头部大厂的FDE，这半年，她发现客户对AI项目的工期要求逐渐缩短。原先以年为单位的项目交付期不复存在。四个月的交付期，客户常开口压到三个月。而随着项目deadline临近，客户希望实现的新想法也会越多。针对这些，她不会全盘满足，而是翻出最初的邮件和合同，逐条核对当初说好了什么，“就像情侣吵架时翻聊天记录”。  相比小创业公司，大厂在客户面前的确更有拿捏之术：客户通常已经绑定了自家的云服务，迁移成本较大，所以不会轻易取消合作。在被客户气的上头时，林凌总是提醒自己：老夫老妻了，还能离咋的？  而在跟老板对齐了预期之后，FDE又遇到了新的困难：老板对AI的急切难以被员工共情。 潘科霖是一家汽车零件厂的厂二代，困扰于工厂的低效，他尝试用AI帮忙改造。起初，他每做一款AI工具，都会先把方案发进微信群，再叫来十几个部门负责人，开会征求意见，但会议通常走向两个极端，“要么没有问题，要么全是问题”。  有时，员工纷纷点头，“没问题，都听领导的。”但等到真正落地执行，问题便从各处冒出：有人忙着解释这会如何增加工作量和难度，有人说资源不够、部门配合难，甚至搬出家中难处，总之“实在难以推进”。  成为厂二代之前，潘科霖没上过班，“不懂职场”。在几次会议后，他逐渐意识到老板和员工的视角差异：老板关心公司的效率和营收，而员工关心否会增加工作，是否要承担更多责任，更直接的是，是否会因AI而遭遇裁员。 在成为FDE之前，胡芯兰没有料到：“比做AI工具更难的，是跟老板、员工间的人性博弈。” 在请求客户的技术人员配合时，���芯兰常常碰壁。第一次去到研发部门，她询问大家有什么需要AI提效的需求，研发各自盯着电脑屏幕，只有键盘的啪啪声回应。两分钟过去，最边上的员工回了一句：最近工作很多，没时间迁移工具。  后来在需求对接会上，研发犀利提问：“你们这个产品有Claude Code好用吗，换了以后工作进度如何保证？”胡芯兰很快意识到，“忙”更像是一个借口，更主要的原因可能是研发的“工具洁癖”，他们在心里有自己认为好用的工具。 还有直接摆烂的。一次，胡芯兰提出为邻桌的IT员工提供免费的Agent席位，这位员工语气平静，回复到：不用，豆包挺好的。  如果AI提效的举措触碰到员工饭碗，就更是走进了死胡同。 朱莉曾服务一家小型银行，老板诉求明确：希望AI能优化贷款审批流程。  对此，朱莉需要先向一线业务员了解业务流程，做出运行试点，再拿着效果向业务经理争取预算。在贷款审批中，不同银行的风险偏好和计算口径不同，朱莉意识到这是比通用流程更关键的，而这高度依赖于人的经验。  但被朱莉找来询问经验的业务员似乎不愿配合：朱莉问的越急切、越具体，业务员的回应就越迟疑、越模糊。直到一句反问：“你们做这个，到底是为了什么？”朱莉这才意识到，她想要了解的是业务员在工作中最重要的知识壁垒，当试图让AI来优化这项工作，业务员瞬间产生了被裁员的恐惧。  后来，朱莉与这家公司员工之间的会议，开始被各类理由推脱。第一版Agent试跑出了错，朱莉发给一位业务员想请他指正，也始终没有收到对方的回复。  老板想拥抱AI，但不了解业务；一线员工了解业务，但不想拥抱AI；中层大多表现出支持，但前提是效果明显、且自己不用担风险。 揪扯在不同角色间，朱莉发现老板一句“支持AI”远远不够。这其中最大的矛盾在于：想用AI替代人的老板，恰恰需要那些可被替代的员工，先教会AI“如何工作”。 还“债” FDE创业者Edison给客户接入Agent后的第一天，就收到近300条报错信息。  他的客户是一家服装制造公司，公司老板过去每天查看生产信息，都需要花费至少两小时的时间。工厂的所有生产信息都被统计在一张巨大的Excel表上，百款服装的所有订单排成行，面料、拉链、吊牌等不同环节的生产情况分布成列，由数十位产线负责人共同更新维护。  工厂虽有ERP系统，但只记录最基本的静态数据：产品类型、客户、金额、交付时间。实际生成中会涉及到的数据，比如上述生产信息，都不在这个系统里。这些数据往往细碎多变，且散落在不同部门的本地Excel表、聊天记录和人脑中。  Edison原本打算在这张Excel表格上接入Agent，帮老板识别生产风险。结果，由于负责人们总是无法及时维护好这个表格，导致Agent不断拉响警报。员工忙碌时，没第一时间更新，AI判为订单将延期；字少了一个空格，AI判为生产异常......人类能理解的变通，到了AI这里全部被视为问题。  让AI进入企业的核心生产/工作流程，关键之一是拥有可随时调用的数据。但对不少企业来说，这是埋藏已久的旧债。 刚用AI改造工厂时，潘科霖也发现工厂到处是数据漏洞。比如，十个车间就有十套日报表，大家写法各不相同。而记录方式不统一，跨车间的信息汇总就低效，后续的排产等一系列环节也随之变慢。当AI介入，别说提效，甚至难以准确读懂这些信息。  于是，企业原本设想的AI提效被卡住，变成了“还债”——退回到“数据清洗和治理”环节。 对于潘科霖来说，就是从源头开始重新梳理日报记录的标准。他把十个版本摊在一起逐项比较，一边问车间负责人，一边和AI讨论，花两周时间重新整理出车间日报的记录规范。而这项工作也只是开始，“把过去散乱的数据全部梳理清楚，还不知道要多长时间。”  让不少FDE感到惊讶的是，在考虑接入AI之前，大量企业压根没觉得“不规范的数据”是个问题。  阿里云一位FDE告诉36氪，在快速发展的阶段，大部分的公司管理者的注意力都围着业务增长转，过去部门漏报信息，系统少开发一个功能，这种瑕疵并不妨碍公司赚钱，久而久之就搁置了。  但如今他们寄希望于AI能带来新的效率和增长，过去这些不影响营收的“小毛病”，都成了要先跨过去的槛。  “这不是豆包” 第一个月的月末对账，胡芯兰的客户被Token账单吓了一跳。一家一两百人的公司，月Token消耗达到几十万元。  查完后台数据，胡芯兰很快找到原因：员工虽然用上了Agent，习惯却还停留在“跟豆包聊天”的阶段。比如，每一步任务，都重新开一个对话框，然后上传大文件、复述公司背景和业务规则等，相同的信息被模型反复读取，Token也在一次次重复的上下文中被迅速消耗。  正确的做法，是把日常需要被反复执行的工作写成Skills，把长期不变的资料放进知识库