AI Washing：当AI成为裁员与招聘的遮羞布

1. 项目概述：当“AI”成为裁员与招聘的遮羞布

最近和几个圈内朋友聊天，话题总绕不开两个词：AI和裁员。一个在头部大厂的朋友，他们部门刚经历了一轮“组织架构优化”，官方说法是“为了拥抱AI时代，进行战略聚焦和效率提升”。但私下里我们都知道，这就是裁员，只不过这次披上了一件名为“AI转型”的时髦外衣。更让我感到不安的是，另一个在创业公司的朋友说，他们今年校招的HC（Headcount，招聘名额）几乎冻结，理由是“我们需要更多能直接上手AI项目的高级人才，对培养初级工程师的投入需要重新评估”。这听起来冠冕堂皇，但本质上就是把招聘门槛无限拔高，把本该由行业承担的培养新人的责任，巧妙地推卸掉了。

这就是我想聊的“AI Washing”——一个在科技圈愈演愈烈，却少有人正面剖析的现象。它就像“Green Washing”（绿色洗涤，指企业夸大环保贡献）在科技职场领域的翻版。具体来说，它指的是企业滥用“人工智能”、“机器学习”、“自动化”等前沿术语，来粉饰其真实的商业决策，尤其是在人力资源领域。最常见的两大表现就是： 第一，用“AI转型”作为大规模裁员的正当理由；第二，以“需要AI高级人才”为借口，系统性关闭初级开发者的入职通道，加剧行业的人才断层危机。

这个问题之所以危险，是因为它制造了一种双重的“皇帝的新衣”效应。对外，企业塑造了积极拥抱技术浪潮的先锋形象，股价和估值或许能因此受益；对内，则用一套无法证伪的技术话语体系，让被影响的员工（尤其是被裁的和求职被拒的年轻人）陷入自我怀疑——“是不是我真的不够‘AI’，所以被淘汰了？” 而整个行业，则在一种集体沉默中，默许了这种短视行为，没有人真正为那些被挡在门外的“Junior Developer”（初级开发者）发声，也没有人去戳破那些关于“AI”的裁员谎言。今天，我就想结合我这些年的观察和与同行们的交流，拆解一下这场“AI洗涤”背后的逻辑、它造成的真实伤害，以及我们作为从业者，可以如何清醒地看待并应对。

2. AI Washing的两种核心形态与运作逻辑

2.1 形态一：作为裁员借口的“战略性AI转型”

这可能是目前最普遍也最刺痛人的一种形态。它的标准叙事流程通常是这样的：公司财报不及预期，或需要向资本市场讲述新故事 -> 管理层宣布“全面拥抱AI”，进行“战略重组” -> 某些“非核心”或“与AI战略不符”的部门被整体优化 -> 一批工程师、产品经理甚至运营人员收到裁员通知。

这里的关键把戏在于，将“经济性裁员”或“业务收缩”包装成“技术性淘汰”。 我们来看一个典型的内部沟通话术：“为了加速我们在生成式AI领域的布局，公司将集中资源到核心的AI研发团队。因此，我们对XXX业务线进行了调整，部分同事将离开公司。我们感谢他们的贡献，并相信他们在AI时代能找到新的方向。” 这段话听起来无懈可击，甚至带着一丝悲悯的科技情怀。但深究下去，问题重重：

1. 因果关系的模糊化 ：离开的员工，究竟是因为其技能真的与AI时代脱节，还是仅仅因为所在的业务线不再被公司重视？很多时候是后者。一个做了五年后端微服务开发的工程师，他对分布式系统的理解、对工程质量的把控，这些核心能力在AI驱动的系统中依然至关重要（例如，支撑大模型推理的高并发API服务、向量数据库的运维）。但他可能因为不在那个被钦定的“AI核心团队”里，就被划入了“被优化”的范畴。
2. “AI技能”定义的垄断权 ：公司掌握了“什么是AI相关技能”的定义权。它可以把“会用LangChain调API”定义为AI技能，而把“深入理解数据库索引优化”定义为传统技能。通过这种话语权的操控，它可以合理合法地将任何它想裁撤的岗位，标记为“非AI”，从而完成人员清洗。
3. 规避法律与道德风险 ：直接说“我们没钱了，要裁员”会打击士气、影响声誉，甚至引发法律纠纷。但说“我们是为了更光辉的AI未来而进行必要的调整”，则显得公司富有远见和魄力。这是一种高级的公关手段，将资本驱动的冷酷决策，粉饰成技术进化的必然选择。

实操心得：如何识别“AI裁员”烟雾弹？

• 看具体动作，而非宏大宣言 ：如果一家公司一边大谈AI战略，一边砍掉的是测试团队、运维团队或某个垂类产品线的全部技术岗，这很可能就是“AI洗涤”。真正的AI转型，通常会伴随内部转岗、再培训计划，而不是一刀切的裁撤。
• 关注资源流向 ：钱和人都流向哪里？是投入到基础模型研发、AI基础设施改造，还是仅仅给高管层换了个PPT标题？如果研发预算没有显著向AI倾斜，却有大面积裁员，那就值得怀疑。
• 倾听“幸存者”的反馈 ：留下的员工是否真的在从事有挑战的AI相关工作？还是依然在写CRUD（增删改查），只是项目名称里加上了“AI-”前缀？

2.2 形态二：扼杀职业入口的“只招AI高级人才”

这种形态对行业生态的破坏是隐性的、长期的。几乎所有公司的招聘描述（JD）里，对于应届生或1-3年经验的初级岗位，要求都变成了：“熟悉机器学习/深度学习框架（TensorFlow/PyTorch），有LLM（大语言模型）微调或应用经验者优先，有Kaggle比赛经验或顶会论文者加分。”

这简直是一场灾难。 它人为制造了一个不可能进入的循环：公司要求新人具备“AI项目经验”，但新人根本无法在没有第一份工作的情况下获得真正的、有价值的AI项目经验。于是，只有极少数在顶尖实验室有过科研经历，或自己投入大量资源做过个人项目的天才型毕业生，才能跨过这道门槛。绝大多数普通的、优秀的计算机专业毕业生，被挡在了门外。

背后的逻辑同样是利益驱动：

1. 降低培养成本 ：培养一个初级工程师成长为合格的主力，需要投入大量的时间和资深工程师的精力进行Code Review、设计指导、业务熟悉。在当下追求“降本增效”和“快速迭代”的氛围里，许多公司不愿意再支付这笔“时间税”。他们希望招来的人立刻就能在AI项目上产出，相当于把培养成本转移给了教育体系或个人。
2. 追逐风口估值 ：拥有一个“AI人才占比高”的团队，是给投资人讲故事的绝佳素材。即便这些“AI高级人才”可能在做着与传统开发无异的工作，但这个标签本身就有价值。为了维持这个标签，就必须在招聘端持续过滤，只招带有这个标签的人。
3. 规避试错风险 ：AI项目，特别是大模型相关项目，不确定性高、技术栈新。管理层可能认为，用有经验的人风险更低。但他们忽略了，初级开发者的学习能力、工作热情和可塑性，往往是团队活力的重要来源。一刀切地拒绝初级开发者，会让团队思维僵化，缺乏多样性。

注意事项：这对行业意味着什么？

• 人才断层加速 ：5-10年后，当中坚力量开始退休或转型，行业会发现中间出现了严重的人才缺口。因为初级开发者进入行业的通道被收窄了。
• 创新源泉枯竭 ：很多颠覆性的想法来自新人不受束缚的视角。当团队里全是思维模式相似的“高级AI人才”，群体思维盲区会增大。
• 加剧内卷与焦虑 ：在校生被迫卷入一场他们本不该过早参与的“军备竞赛”，拼命刷论文、打比赛，反而忽视了计算机科学的基础——数据结构、算法、操作系统、网络。这培养出的可能是“调参侠”，而非根基扎实的工程师。

3. 深层剖析：谁在受益，谁在受伤？

3.1 短期赢家与共谋结构

这场“AI洗涤”的游戏里，有明显的短期受益方：

• 企业高管与股东 ：通过讲述激动人心的AI故事，可能稳定甚至提升股价，完成艰难的裁员而不引发巨大舆论反弹，在财报上快速体现“降本”成果。
• 少数顶尖AI人才 ：他们的市场薪资被推得更高，成为各大公司争抢的“香饽饽”，获得了前所未有的议价权。
• AI培训与咨询机构 ：他们敏锐地抓住了这波焦虑，开设各种“AI转型突击班”、“LLM应用工程师认证”，生意火爆。

然而，这背后存在一个“共谋结构”。媒体需要吸引眼球的故事，所以乐于报道“某巨头全力押注AI，裁员数千人”这种充满戏剧性的新闻，而很少去深挖被裁员工的具体技能和去向。投资机构需要简单的叙事来评估公司价值，“AI浓度”成了一个可量化的指标。甚至我们从业者自己，有时也在无意中成为共谋者，比如在面试中不自觉地用“有没有AI经验”来粗暴地筛选候选人，或者在内部分享时，唯“AI”技术马首是瞻，贬低其他技术领域的价值。

3.2 沉默的大多数：初级开发者与“被转型”的工程师

真正的受伤者是沉默的大多数：

• 应届毕业生与初级开发者 ：他们面临着史上最矛盾的求职市场：一方面，媒体天天说数字人才缺口巨大；另一方面，企业的招聘门槛高不可攀。他们投入巨大成本学习，却发现通往职业的大门缓缓关闭。这种挫败感是深刻且持久的。
• 拥有丰富经验但非AI背景的资深工程师 ：一位做了十年分布式系统架构的专家，可能因为简历里没有“Transformer”、“Diffusion Model”等关键词，而在求职时遇到冷遇。他们的经验在构建稳定、可扩展的AI基础设施方面不可或缺，但却被简单的标签过滤系统排除在外。
• 整个行业的技术健康度 ：当“AI”成为唯一的政治正确，其他同样重要的技术领域（如性能优化、安全、可观测性、软件工程实践）的关注度和资源会被侵蚀。一个全是“AI科学家”的团队，可能交付一个模型精度很高的系统，但这个系统可能漏洞百出、难以维护、成本高昂。

一个具体的场景对比：

4. 应对策略：从业者如何保持清醒与韧性

面对这股浪潮，抱怨无济于事。作为个体从业者，我们可以采取一些务实的策略来应对，甚至利用这股趋势。

4.1 对于初级开发者或求职者：绕过标签，展示核心价值

如果你正在找工作，而每个JD都写着“AI经验优先”，不要灰心。你需要改变策略：

1. 夯实绝对基础 ：无论AI怎么变，计算机科学的基础（数据结构、算法、网络、操作系统）和软件工程的核心（干净代码、设计模式、测试、版本控制）永远不会过时。这些是你能力的“底层模型”，比任何上层应用框架都重要。在面试中，清晰展现你在这些基础问题上的扎实功底，能极大提升你的竞争力。
2. 用项目证明学习与解决问题能力 ：与其去上一个速成班拿个“AI证书”，不如选择一个你感兴趣的具体问题（不一定是前沿AI问题），用工程化的方法完整地解决它。例如，写一个爬虫分析某个社区的数据并可视化，或者为某个开源工具贡献一个特性。在简历和面试中，详细阐述你 遇到的问题、思考的解决方案、做出的技术选型、遇到的坑以及如何解决的 。这个过程展示的工程能力、学习能力和解决问题的思维，是任何公司都需要的。
3. 主动建立连接，寻求实习或内推 ：避开冰冷的海投系统。通过技术社区、校友网络、行业会议等渠道，直接联系目标公司的工程师。表达你对技术的热情和对他们具体业务的了解（而不是空谈AI），请求一次非正式的交流或内推。很多时候，一个内部的推荐，可以让你绕过HR系统中那些死板的“AI关键词”筛选。
4. 重新定义“AI技能” ：将AI视为一个强大的工具，而不是一个必须全身心投入的信仰。你可以学习如何使用现有的AI API（如大模型接口）来增强你原本做的事情。比如，一个前端开发者可以研究如何用AI辅助生成UI代码或优化用户体验；一个测试工程师可以探索用AI生成测试用例。在你的技能栈里加入“AI工具应用能力”，比标榜自己是“AI工程师”更务实。

4.2 对于在职工程师：成为“AI赋能者”而非“被淘汰者”

如果你已经在职，担心被“AI转型”的浪潮波及，可以主动进化：

1. 深度思考你当前工作的“AI可增强点” ：不要问“AI会不会取代我”，要问“AI如何能让我现在的工作做得更好、更高效？” 你是做运维的，能否研究AIops来自动定位故障？你是做产品经理的，能否用AI快速分析用户反馈？将AI作为你现有技能的“乘数”，而不是替代品。
2. 发起或参与内部的“AI+你的领域”试点项目 ：主动寻找机会，用一个小型的、低风险的试点项目，证明AI技术在你所在领域的价值。这不仅能让你积累宝贵的实战经验，还能让你在组织内部成为连接传统领域与AI技术的桥梁，价值巨大。
3. 专注于AI系统的“非AI部分” ：一个完整的AI产品，模型只占一部分。数据管道、服务部署、监控告警、成本控制、安全合规、用户体验……这些“脏活累活”同样至关重要，且极度缺乏有经验的工程师。成为AI时代的“可靠性工程师”、“MLOps专家”或“AI产品架构师”，你的职业道路会非常宽广。

4.3 对于技术领导者与管理层：肩负起行业责任

如果你有招聘或团队建设的决策权，请慎重使用手中的权力：

• 设计合理的招聘标准 ：将考察重点从“是否有AI项目经验”转移到“基础能力、学习潜力和解决问题的能力”上。可以为新人设计融入路径，允许他们在工作中学习AI。
• 建立内部导师与轮岗制度 ：让资深工程师带领新人，并让新人有机会在不同技术栈的团队间轮岗，拓宽视野，而不是一进来就钉死在某个狭窄的AI工具链上。
• 在内部倡导“工程价值”多元化 ：公开认可和奖励那些在性能、安全、稳定性、开发者体验等方面做出贡献的团队和个人，平衡“AI创新”带来的光环效应。让团队明白，支撑起AI炫酷应用的，是同样坚实甚至更复杂的系统工程。

5. 回归本质：技术是手段，不是目的

这场“AI洗涤”的闹剧，归根结底是我们在狂热中忘记了技术的本质。技术，包括AI，是解决问题、创造价值的工具，而不是用于内部政治斗争、粉饰报表、或制造焦虑的标签。

一个健康的技术生态，应该像一座森林，既有参天大树（资深专家、技术领袖），也有茂密灌木（中级工程师），更要有源源不断的新生树苗（初级开发者）和肥沃的土壤（扎实的工程文化、良好的培养机制）。现在的情况是，大家只热衷于追捧最耀眼的那几棵“AI奇树”，却不愿意为森林的土壤施肥，甚至阻止新的树苗生长。长此以往，森林必将退化。

对于我们每个身处其中的人，保持清醒的头脑至关重要。识别那些华而不实的“AI洗涤”话术，专注于提升自己不可替代的核心能力——解决复杂问题的思维、扎实的工程功底、快速学习的能力，以及将技术转化为实际价值的本事。同时，如果有可能，为那些刚刚踏入或想要踏入这个行业的年轻人，提供一盏灯，搭一把手。因为今天你为他们保留的通道，可能就是明天这个行业避免陷入人才荒与技术偏执的救命稻草。

技术的浪潮永远一波未平一波又起，从云计算、大数据、区块链到今天的AI。追逐浪潮没有错，但不要在浪潮中迷失，更不要被浪潮裹挟着，去摧毁行业长期发展的基石。真正的技术人，应该是在浪潮中学会冲浪的人，而不是被拍死在沙滩上，或者只顾自己冲浪而挖掉后来者沙滩的人。