AI 转型观察
为什么用了 AI，大家反而更累了
Meta 的组织调整问题，不只是大厂新闻。它说出了很多人最近的真实体感。
林万劲的AI思考 / 2026.06 / 约 2800 字
最近 Meta 出了一条挺有意思的新闻 。
不是又发布了什么模型，也不是又做了什么产品，而是扎克伯格在内部备忘录里承认，公司这轮 AI 转型的组织调整出了问题。
据 IT之家援引 Reuters 报道，Meta 在 5 月完成了一次大规模重组，裁减全球 10% 员工，同时把约 7000 名员工转入和 AI 工作流相关的新项目。
然后问题就来了。
调整太快，员工安置、管理跨度、组织稳定性都开始承压。Meta 新成立的应用 AI 工程部门非常扁平，有些团队里个人贡献者和管理者的比例最高达到 50 比 1。
扎克伯格也承认，公司在 AI 转型里犯了一些错误，而且未来几乎肯定还会犯更多错误。
这个事情如果只看表面，很容易被写成一条大公司管理翻车新闻。
但我觉得，它真正有意思的地方不是 Meta。
而是它说出了很多人最近的真实体感。
用了 AI 之后，好像效率变高了。但人反而更累了。
01
AI 让决策密度变高了
这件事听起来有点反直觉。
AI 不是应该帮我们省时间吗？
它可以写方案，可以出原型，可以生成代码，可以总结资料，可以同时给出很多个方向。以前要两三天才能看到的东西，现在可能十几分钟就能出来一版。
问题也恰恰在这里。
AI 能够快速产出很多东西，但它没有替人承担最后的判断。
它给你十个方案，你要选。
它写出一堆代码，你要测。
它生成一套需求，你要看逻辑是不是通。
它把事情推进得很快，但每一个被推进出来的结果，都需要人去审核、调试、微调、拍板。
人的负荷是有上限的。
过去慢，有时候反而是一种缓冲。因为产出慢，所以你不用同时处理那么多选择，也不用同时面对那么多半成品。
AI 把产出速度放大了，但人的判断速度没有同比例放大。
于是新的疲惫就出现了。
不是体力上的累，而是决策密度太高。
你一天里要看的方案更多了，要做的取舍更多了，要修的细节更多了。每一件事都好像变快了，但你脑子里的线程也被开得越来越多。
这就是很多人说的，怎么用了 AI 以后，我反而更累了。
02
一个人快，不等于组织快
再往深一点看，快并不等于质量。
AI 很擅长把一件事快速推到 60 分，甚至 70 分。
但从 70 分到真正能交付，中间还有很长一段路。
尤其是在真实项目里，一个东西不是你想清楚了就结束了。它还要进入组织协同。
比如我是一个 AI 产品经理，我用 AI 很快把需求想清楚了，原型也搭出来了，流程也推了一版。
但后端如果需要接一个 MCP，工程链路没跟上，那对他来说也只能等。
这时候你会发现，一个人的速度变快，不等于整个组织变快。
组织是一条链路。
只要其中一个环节没有跟上，前面的快就会堆积成后面的压力。
这也是 Meta 这次问题值得看的地方。
他们不是不知道 AI 重要，恰恰是太知道了，所以动作很猛。裁员，转岗，重组，把人往 AI 工作流里推，把组织压得更扁平。
但 AI 转型不是把人从 A 部门搬到 B 部门这么简单。
它是在重写每个人的工作定义，也是在重写每个团队之间的协作节奏。
如果机制没有跟上，快会变成一种新的混乱。
03
AI 让 MVP 变难了
我最近还有一个很强的感受。
AI 会让人一开始就想做得更完美。
以前做产品，大家更容易接受一个 MVP 思路。
先定一个最小可行版本，先把核心链路跑通，然后再一点点往下补。
但 AI 时代，这件事被打破了。
因为 AI 可以帮你想得很全。
它会提醒你各种边界情况，各种用户路径，各种异常状态，各种后续扩展。
这当然是好事。
但问题是，当你一开始就看到一个更完整的图景，你会很难再心安理得地只做一个很小的 MVP。
你会觉得，这个也应该加，那个也不难，这个状态也可以顺手补一下，那个体验也能再优化。
于是一个本来可以两周验证的东西，很容易被拉成一个更完整、更复杂、也更难交付的项目。
不是因为大家变懒了。
恰恰是因为大家变得更能想了。
AI 帮你打开了更多可能性，但它没有帮你关闭可能性。
而做产品很大一部分能力，其实就是关闭可能性。
知道什么先不做，知道什么可以粗糙一点，知道什么必须等用户反馈之后再补。
AI 让想象变便宜了。但取舍没有变便宜。
04
超级个体的边界变大了
这时候，超级个体的边界也被放大了。
像我最近接手的一些项目，从项目开始的需求收集，到原型，到实现，再到跟对方验收，基本上都是我一个人去完成。
这在以前更像是一个小团队的工作流。
产品经理收需求，设计师出原型，工程师实现，项目经理推动验收。每个人各扛一段。
现在 AI 把很多环节都接起来了，一个人确实可以往前多走好几步。
这很爽。
但也很累。
因为你不是只多做了一点执行工作，你是在承载原来四五个人的思考量。
你要想需求，要想体验，要想技术边界，要想沟通节奏，还要想交付标准。
AI 可以帮你写，帮你画，帮你生成，但它不会替你承担那个最终的整体判断。
边界变大了，责任也变大了。
05
快需要机制接住
所以我越来越觉得，AI 转型真正难的地方，不是让大家都用上 AI。
而是要给这个变快的系统补机制。
什么机制呢？
不是更多会议，也不是更多流程。
而是更清楚的节奏和边界。
哪些事情可以让 AI 先跑，哪些事情必须人先想清楚。
哪些结果只要 60 分就可以进入验证，哪些结果必须打磨到 90 分才能交付。
一个人用 AI 把事情推进快了，其他环节怎么接住。
如果 AI 生成了很多方案，谁来定优先级，谁来砍范围，谁来判断先做 MVP 还是继续补细节。
这些问题不解决，快就会变成一种压力。
大家表面上都更高效，实际上每个人都在同时处理更多不确定性。
Meta 的问题也是这样。
7000 人被转入 AI 相关项目，看起来是资源重组，实际上是把一大批人推入新的协作系统。
如果新的责任边界、管理机制、验收标准没有同时长出来，组织当然会痛。
06
Meta 是一个提前出现的信号
所以我不觉得 Meta 这次只是翻车。
它更像是一个提前出现的信号。
AI 转型已经从第一阶段进入第二阶段。
第一阶段是兴奋，大家看模型能力，玩产品 demo，讨论谁会被替代。
第二阶段是摩擦，工具真的进组织了，边界开始重写，人的负荷开始浮出来。
这个阶段会比第一阶段难得多。
因为第一阶段靠想象力，第二阶段靠组织能力。
AI 会让个人更强，也会让组织里的问题暴露得更快。
以前一个流程慢，大家可能觉得是人不够，系统不行，工具不好。
现在 AI 把很多局部速度拉起来之后，你会更清楚地看到，真正卡住的往往不是工具，而是协同。
不是没人产出。
而是没人取舍。
不是没人往前推。
而是后面的机制接不住。
07
快本身不是问题
回到开头的问题。
为什么用了 AI 之后，很多人反而更累了？
我的判断是，因为 AI 放大了人的产出能力，但也放大了人的判断负荷。
它让一个人可以做更多人的事，但没有自动给这个人更多精力。
它让一个团队可以跑得更快，但没有自动让上下游同时变快。
它让产品一开始就能被想得更完整，但没有自动告诉你，哪些东西现在应该删掉。
所以快本身不是问题。问题是，快需要机制来承接。
没有机制的快，会变成混乱。
没有取舍的快，会变成膨胀。
没有协同的快，会变成某几个人的过载。
说到底，AI 不只是效率工具。
它更像一个放大器。
它会放大能力，也会放大责任。
会放大个人边界，也会放大组织缝隙。
会放大想象力，也会放大取舍困难。
Meta 这次的新闻，真正值得记住的也许不是扎克伯格承认犯错。
而是它提醒我们，AI 转型不是把公司变成一台更快的机器。
它是逼每个人、每个团队、每个组织，重新学会怎么在更快的速度里做判断。
如果你也在思考这个问题，欢迎关注。
林万劲的AI思考
