今晚这则新闻，
不是在预测：
「AI 有一天可能取代工作。」
而是更直接。
一家最有钱、
最懂 AI、
自己也在打造 AI Agent 的科技公司，
真的开始按照：
「AI 可以替人做更多任务作」
重新设计公司。
结果：
第一轮就撞到现实。
这家公司就是：
Meta。
Meta 原本想做的，不只是让员工多用 Chatbot
Reuters 今天公布一份大型调查，
揭露 Meta 内部一个代号：
Project OT
的组织改革。
OT 是：
Organization Transformation。
简单理解：
Meta 想重新设计：
AI 时代的公司到底应该长什么样。
不是原来 10 个人，
每个人加一个 AI 工具。
而是直接问：
如果 AI Agent 能做掉大量日常工作，
公司是不是根本：
不需要原来这么多人？
最激进的情境：部分团队最多缩 60%
Reuters 根据 Meta 内部文档与消息来源报导，
Project OT 的情境规划中，
一些团队曾评估：
最多缩减约 60%。
注意：
这不是说：
Meta 准备裁掉全公司 60%。
Meta 自己也明确回应：
最激进的 60% 情境只涉及：
部分团队。
而且其中包含：
裁员。
关闭职缺。
重新部署员工
等不同做法。
不能把：
「部分团队最多缩 60%」
写成：
「Meta 要裁 60% 员工。」
但是整体方向确实非常激进
Meta 当时构想的是：
以前可能需要：
10～20 人
的传统产品开发团队，
未来改成：
3～5 人的小 Pod。
角色也开始混合。
工程师。
产品经理。
设计师。
数据科学家
不一定再按照传统组织：
一层一层工作。
小团队搭配：
AI 工具。
AI Agent。
共享专家。
希望用：
更少的人
处理：
更大的工作面。
这就是所谓的「AI-native 公司」
意思不是：
公司有买 ChatGPT。
而是：
整个工作设计从一开始就假设：
AI 是劳动力的一部分。
例如：
AI 做分析。
AI 产生程序。
AI 协助定优先级。
AI 建 Prototype。
甚至：
Virtual Worker
和少量人类一起工作。
如果真的成功，
公司自然会问：
那么以前的组织图：
是不是太大了？
Project OT 原本规划两波调整
Reuters 看到的内部规划显示，
第一波：
5 月。
第二波：
11 月。
5 月 20 日，
Meta 最后仍然运行：
约 10% 员工缩减。
但有一件事情突然改变。
就在第一波裁员前：
几个小时，
Zuckerberg 和高层重新讨论后，
取消了原本规划中的第二波公司级重整。
为什么突然踩煞车？
Reuters 表示，
无法确认：
是哪一个单一因素
最后让 Zuckerberg 改变方向。
所以不能简化成：
「因为 AI 失败，所以 Meta 不裁了。」
但是当时有几个问题：
同时出现。
第一个问题：员工开始强烈反弹
Meta 员工慢慢发现：
公司一边说：
AI 让工作更有效率。
另一边又开始：
裁员。
缩小团队。
重新设计职位。
甚至收集：
员工鼠标点击。
键盘操作
来教 AI 怎么操作电脑。
很多人自然产生一个非常直接的想法：
「我是不是正在训练取代自己的 AI？」
Meta 的员工士气数字也开始下降
Reuters 取得的内部 Pulse Survey 显示，
Meta 员工对公司的正面情绪，
从：
74%
下降到：
55%。
这不是小幅波动。
对一场需要：
全公司配合
的巨大转型而言，
员工开始不相信：
管理层到底想做什么，
本身就是：
重大风险。
但今晚最重要的问题其实还不是士气
真正最值得看的数字是：
220% vs 36%。
Meta 内部开始大量使用 AI 产生程序后，
Reuters 看到的内部数据显示：
公司内部软件平台与基础设施的：
Code Changes
年增：
220%。
如果只看这个数字，
AI 简直：
超级成功。
工程活动：
暴增。
但是另一个数字只有 36%
真正最后变成：
Meta 用户看得到的：
新功能。
升级功能
的变更量，
只增加：
36%。
两个数字放在一起，
问题马上出现。
AI 让：
程序修改变多。
不等于：
真正产品价值
同比例变多。
这就是 AI 生产力最容易犯的第一个错
把：
Activity
当成：
Outcome。
例如以前工程师一天：
写 100 进程式。
现在 AI 帮他写：
1,000 行。
你很容易说：
生产力：
增加十倍。
但客户根本不在乎：
你写几行。
客户在乎：
功能有没有：
真的更快推出？
更稳定？
更好用？
解决更多问题？
代码本身不是产品
就像工厂：
每天多用了三倍螺丝，
不能证明：
汽车产量也多三倍。
AI Coding 最危险的 KPI 就是：
模型产生多少：
Code。
Pull Request。
Commit。
Prototype。
这些全部都只是：
中间产物。
真正最后应该看的是：
Shipped Feature。
品质。
故障率。
客户价值。
开发周期。
成本。
Meta 又遇到第二个问题：更多 AI 程序开始带来可靠性警讯
Reuters 取得的 Meta 内部文章指出，
基础设施团队早在 3 月：
就开始警告：
AI Coding Surge
出现：
Reliability Warning Signs。
到了 4 月，
又有内部警告指出：
没有充分限制的 AI Agent，
开始做出：
人类工程师通常不会一次大量运行的：
破坏性操作。
后面的数字更值得注意
Reuters 引述 Meta 内部数据指出，
重大：
技术。
安全
事件，
相较前一年：
增加约：
40%。
工程师花在：
Firefighting
也就是：
救火。
处理事故。
恢复系统
的时间，
增加：
70%。
Meta 没有对 Reuters 评论：
这组内部事故数据。
所以它应该被写成：
Reuters 根据内部数据取得的数字。
不是 Meta 对外正式公布的 KPI。
但是这刚好揭露 AI Coding 的第二个错觉
AI 让第一版：
变快。
不代表整个工作：
变快。
如果 AI：
10 分钟
产生程序。
后面工程师花：
2 小时
Debug。
Review。
Rollback。
处理 Incident。
那你不能只记：
前面的 10 分钟。
真正成本应该把「救火」也算进去
这和我们之前谈 AI ROI：
完全一样。
假设 AI 一次产出只要：
0.02 美元。
看起来：
超便宜。
但是如果：
10% 结果需要人工重做。
5% 造成错误。
1% 最后变成：
正式事故。
真正成本：
根本不是：
Token 费用。
第三个问题：AI Agent 本身还没有成熟到管理层预期的速度
Zuckerberg 后来在 7 月：
出席 Meta 内部 Town Hall。
Reuters 报导，
他承认一件很关键的事：
AI Agent 技术的：
加速速度，
没有他原本预期：
那么快。
他仍然相信：
未来几个月会改善。
但是这代表：
当初组织改造背后的一个核心假设：
「Agent 很快就能接走大量工作。」
成熟速度：
估得太快。
这就是企业 AI 转型最危险的第三个错
把：
未来能力
当成：
现在能力。
例如公司看完 Demo：
AI 已经可以：
写 Code。
做研究。
做演示文稿。
操作工具。
接着管理层开始计算：
如果一个人配 AI：
等于以前三个人，
那我们是不是可以：
先把团队缩成三分之一？
问题在于：
Demo 证明的是：
某件事情做得到。
不是：
每天、所有例外、正式环境都稳定做得到。
这和昨天的 Physics AI 是同一个部署问题
一个模型在：
测试环境
表现很好。
和它每天进入：
Production
是两件事情。
公司真正需要处理的是：
异常数据。
系统故障。
权限。
Security。
边界案例。
团队交接。
人类判断。
全部一起发生的世界。
而 Meta 自己就是世界上最适合测这件事的公司之一
这才让今晚新闻：
更值得注意。
Meta 不缺：
AI 模型。
不缺：
工程师。
不缺：
GPU。
不缺：
数据。
不缺：
AI 研究人才。
不缺：
资金。
甚至今年还准备投入至少：
数百亿美元以上规模
的 AI 基础设施。
如果连 Meta 自己都发现：
从「AI 能写很多 Code」走到「公司真的可以少很多人」
中间还有巨大距离，
一般企业更不应该：
只看 Demo 就直接算裁员名单。
这不代表 Meta 放弃 AI-native
也不要把今晚新闻：
解读成：
「Meta 承认 AI 没用。」
完全不是。
Meta 仍然在：
大量投资 AI。
重组团队。
把员工调到：
更重要的新工作。
创建更小：
更灵活
的开发 Pod。
而且部分内部数据生产团队，
确实已经支持：
新模型训练。
方向：
没有消失。
改变的是：
速度与激进程度。
Meta 也没有放弃「小团队＋AI」的长期想像
Zuckerberg 最近公开谈 AI 未来时，
仍然预测：
AI 可能让公司：
变得更小。
甚至少数人：
就能经营以前需要：
大量员工
才能创建的公司。
但是他的公开论点是：
公司平均变小，
不一定等于：
整体工作机会变少。
因为 AI 同时可能让：
更多新公司。
更多新服务。
更多新职业
出现。
这也是为什么「AI 会不会裁员」其实问得太简单
真正可能发生的是：
第一种公司：
不裁员，
用 AI 做更多。
第二种：
人数变少，
营收维持。
第三种：
把人重新部署到新工作。
第四种：
某些职位消失，
同时产生新职位。
第五种：
AI 效率根本没有达标，
最后还是要把人补回来。
世界不会只有：
「取代」
和：
「完全不取代」
两个答案。
Meta 这次更像是在测试一个真正的大问题
一家公司到底可以缩多快？
科技可以：
一年进步十倍。
但是组织不能：
按一下 Update
就完成。
因为组织里还有：
技能。
信任。
责任。
经验。
沟通。
文化。
Domain Knowledge。
这些东西不会因为：
模型 Benchmark 上升
就一起：
自动升级。
小 Pod 的概念本身没有错
三、四个高手，
搭配：
非常强的 AI。
确实可能做出以前：
十几个人
才能完成的工作。
很多新创公司：
已经正在证明。
但是：
新创从零开始设计
和：
把一间数万人的公司切成新创式小 Pod
难度完全不同。
因为大公司有大量看不见的协调工作
谁批准：
功能？
谁负责：
Security？
谁检查：
Privacy？
谁管理：
Infrastructure？
谁知道：
五年前那段 Code 为什么不能动？
谁理解：
某个市场的法规？
谁知道：
某项功能改掉后，
会伤到另一支产品？
这些往往不是：
GitHub 上一段代码
可以直接看出来。
AI 最容易取代的是「工作步骤」
但是公司真正运作的是「责任网络」
例如：
AI 可以写：
登录功能。
但是如果登录失效，
谁半夜：
负责？
AI 可以改：
推荐模型。
但是如果造成：
大量错误内容，
谁决定：
Rollback？
AI 可以做：
产品分析。
但是如果结论影响：
上亿美元投资，
谁签字？
工作可以：
自动化。
责任不能：
凭空消失。
这也解释为什么「AI-native」不能只翻译成「人越少越好」
真正成熟的 AI-native 公司，
应该问：
哪些工作 AI 明显更快？
交给 AI。
哪些工作 AI 容易犯错但容易检查？
AI 先做，
人验收。
哪些工作错一次代价很大？
增加：
测试。
Approval。
Permission。
哪些工作需要跨部门责任？
不能因为 AI 会做步骤，
就把负责人：
一起删掉。
这才是真正：
重新设计工作。
220% 和 36% 其实值得所有公司贴在墙上
AI 上线后，
如果你的 Dashboard 只显示：
生成文章数。
产生 Code 数。
完成 Prompt 数。
Agent Run 数。
使用人数。
你可能很快宣布：
AI 导入成功。
但是第二张 Dashboard 还要问：
功能交付：
增加多少？
客户问题：
少多少？
Revenue：
提高多少？
Cycle Time：
少多少？
错误：
多还是少？
返工：
多少？
Incident：
多少？
这才是真正的 Productivity
生产力不是：
做得更多。
而是：
相同资源产生更多真正有价值的成果。
如果：
产出量＋220%。
有价值成果＋36%。
事故＋40%。
救火时间＋70%。
那至少应该停下来问：
我们到底是在变快，还是在更快制造需要处理的东西？
这个问题甚至比裁员本身更重要
因为如果 AI 真的：
可靠。
稳定。
成本低。
产出高。
公司最后一定会：
重新计算人力。
这很正常。
但如果：
生产力根本没有测清楚，
就先假设：
「一个人＋AI＝三个人」，
那人砍掉之后：
很难迅速补回：
团队经验。
尤其不能用「Code 多了」证明工程师可以少了
因为工程师真正的工作从来不只是：
打字。
还包括：
理解问题。
设计架构。
Review。
Debug。
Security。
维护。
沟通。
处理事故。
决定：
什么东西根本不应该做。
AI 把「打字」做快很多，
当然重要。
但是不能因此直接推论：
完整角色：
同比例消失。
员工反弹也提醒另一个 AI 导入问题：信任
如果公司告诉大家：
请把你的工作流程完整记录给 AI 学。
员工心里却想：
学完是不是就裁我？
你会得到什么？
不会是：
最合作的 AI Transformation。
员工可能：
抵抗。
不分享。
不愿意测试。
甚至刻意避免使用。
最后：
公司最需要的 Domain Knowledge
反而拿不到。
所以 AI 转型其实需要新的交换关系
公司不能只说：
「AI 可以让你更有效率。」
员工下一个一定会问：
「效率提高之后，我得到什么？」
更多任务作？
新的能力？
升职？
更高薪？
更少重复工作？
还是：
裁员？
这不是：
HR 公关问题。
而是 AI 导入本身的一部分。
SasaDaily 之前谈过 Meta CTO 的另一句话
Andrew Bosworth 曾表示，
他更希望 AI 带来的生产力提升：
变成：
更多产品。
而不是单纯：
更多休假。
那篇文章问的是：
AI 省下来的时间最后属于谁？
今晚 Reuters 的调查，
把同一个问题：
往更深一层推。
如果 AI 让公司认为：
人可以更少，
那：
生产力怎么测？
人力什么时候才能真的缩？
如果测错，
最后谁承担：
返工与事故？
日本企业的 AI 导入也给了另一个提醒
很多企业：
「有人在用 AI」
和：
「整家公司真的被 AI 改造」
是两件事。
Meta 现在反而走到：
另一个极端。
它不是停在：
员工自己用 Chatbot。
而是直接尝试：
重新设计组织。
这也证明企业 AI 最难的阶段：
从来不是：
买工具。
而是：
改流程。
改责任。
改组织。
改 KPI。
那一般公司今晚可以学什么？
不是：
Meta 做错，
所以不要导入 AI。
而是导入顺序：
不要倒过来。
第一阶段：先测工作
例如：
AI 能不能把：
客服整理时间
降 50%？
AI Coding 能不能：
缩短 Bug Fix 时间？
AI Agent 能不能：
完成固定流程？
第二阶段：测完整成本
不要只看：
AI 跑多久。
还要看：
人工 Review。
修改。
失败。
Rollback。
Incident。
第三阶段：测真正 Outcome
例如：
功能交付速度。
客户解决率。
营收。
成本。
品质。
第四阶段：才重新设计组织
如果半年数据真的证明：
某个工作现在：
稳定只需要原本一半人力，
再考虑：
重新分工。
不一定要：
裁掉一半。
也可以把人移去：
公司原本没资源做的事情。
因为 AI 最有价值的结果不一定是「人变少」
也可能是：
原来一个月只能：
推出一个功能。
现在推出：
三个。
原来客服只能：
服务中文。
现在可以：
10 种语言。
原来小公司没能力：
做数据分析。
现在：
做得到。
这同样是：
AI ROI。
今晚真正值得记住的不是「Meta 差点裁多少人」
最重要的是：
一家全球最积极投资 AI 的公司，
也碰到：
AI 活动量暴增，不等于真正生产力同比例暴增。
这是所有企业：
现在都会遇到的问题。
AI 时代最危险的新 KPI 可能就是「看起来很忙」
Agent：
跑了 10 万次。
Code：
多了 220%。
文档：
多了 500%。
内容：
多了 1,000%。
如果最后：
客户价值只增加：
一点点，
甚至还多了：
故障。
返工。
管理负担，
那 AI 只是：
让公司更高速地：
制造 Activity。
真正成熟的 AI-native 公司应该反过来做
不是问：
「AI 能不能让我少 60% 人？」
而是先问：
「哪些成果已经稳定做到用更少人完成？」
差一个顺序，
整个风险：
完全不同。
今晚的一句判断
AI 最终很可能真的会：
让很多公司变小。
很多角色：
改变。
很多任务作步骤：
消失。
这件事没有必要假装不会发生。
但是 Meta 这次内部实验提醒我们：
「AI 能产生更多东西」
距离：
「AI 已经可以稳定取代整个人的工作」
中间仍有一段：
非常长的路。
真正的企业 AI 转型，
不是先算：
可以删掉多少人。
而是先证明：
成果有没有增加。
品质有没有维持。
事故有没有下降。
人类救火时间有没有真的变少。
当这四件事情站得住，
组织自然会改。
如果站不住，
再漂亮的：
AI-native 组织图，
都只是：
一张假设。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
