---
id: "mb-20260831-d867cd"
kind: "deep"
title: "把部分技术团队砍掉 60%，把剩下的活全交给自主运行的 AI"
topic: "把部分技术团队砍掉 60%，把剩下的活全交给自主运行的 AI"
source_type: "generated"
status: "published"
generated_at: "2026-08-31 15:40:23"
frame_type: ["阿姆达尔定律与审查税（验证瓶颈）", "机制"]
legal_anchor_count: 0
transcript_citation_count: 0
---

# 把部分技术团队砍掉 60%，把剩下的活全交给自主运行的 AI

把部分技术团队砍掉 60%，把剩下的活全交给自主运行的 AI。
扎克伯格在 2026 年初启动这项名为 Project OT 的重组计划时，算盘打得非常完美。
第一波先裁掉 8000 人。
剩下的核心员工不再亲自动手写代码，转型当指挥官，监督成千上万个 AI 智能体日夜不停地产出。
但这场激进的自动化实验，仅仅跑了半年就撞上了南墙。
原定年底推进的第二轮大裁员，在生效前几个小时被扎克伯格紧急叫停。
让管理层不得不紧急踩刹车的，是一份让所有人大跌眼镜的内部复盘数据。
引入 AI 智能体后，工程师提交的代码变更量同比暴涨了 220%。
但真正能够通过测试、最终推给用户的实际功能，仅仅微增了 36%。
与产出近乎停滞形成刺眼反差的，是系统稳定性的全面崩塌。
公司的重大技术故障与安全事故激增了 40%。
工程师用来排查隐患、紧急救火的时间，暴涨了整整 70%。
为什么把写代码的速度加速了两倍，不仅没能带来预想中的效率飞跃，反而差点把整个工程系统拖垮？
因为这台看似精密的自动化机器，撞上了一堵存在了半个多世纪的计算法则。
1967 年，计算机体系结构先驱吉恩·阿姆达尔提出了著名的阿姆达尔定律。
这个定律用一条冷酷的数学公式揭示了一个常识：任何一个系统的整体加速上限，永远取决于那个无法被加速的串行瓶颈。
在软件工程的生产链条里，存在两道完全不同的工序。
第一道是代码生成。
敲出一段代码、补全一个函数，这是高度并行的机械劳动。
大语言模型把这道工序的边际成本直接打到了接近于零，三秒钟就能吐出成百上千行语法看似完美的程序。
但第二道工序是代码审查与逻辑验证。
确认一段代码是否符合复杂的系统架构、会不会引入隐蔽的内存泄漏、有没有埋下安全后门，这是一项高度依赖人类串行认知的精密推理。
AI 可以瞬间写完十万行代码，但人类大脑阅读、推演和验证这些代码的速度，并没有因为 AI 的出现而快上一秒。
当低成本生成的海量代码如洪水般涌入代码库，系统的串行验证瓶颈被瞬间塞爆。
这堵由验证成本筑起的无形高墙，在软件工程界被称为审查税。
机器写代码越快，人类工程师背负的审查税就越沉重。
面对一段看似逻辑通顺却暗藏隐患的机器生成代码，人类排查一个深层缺陷所耗费的精力和认知带宽，往往比自己亲手写一遍还要高出几倍。
生成的门槛降低了，系统出错的熵增却呈指数级爆发。
原本用来做业务创新、架构演进的工程师，没有成为轻松发号施令的指挥官。
他们被迫沦为了全天候待命的系统消防员，日夜扑救 AI 智能体随手埋下的数字地雷。
1987 年诺贝尔经济学奖得主罗伯特·索洛曾留下过一句名言：你在除了生产率统计数据之外的任何地方，都能看到计算机时代。
四十年过去，这道索洛悖论在 AI 时代精准重演。
技术的跃进往往让人产生一种错觉，以为把某一个环节推向极致，就能拉动整个齿轮组飞速运转。
但现实的工程世界由最脆弱的那根短板决定。
当生产工具只负责制造速度，而不承担正确性的代价，省下来的敲键盘时间，最终都会以故障排查和系统崩塌的形式，加倍偿还给现实世界。

_Rendered by mubei-terminal._