大众要砍10万人，Meta叫停"AI换人"：AI提效的真相是什么

过去两年，几乎每家公司都在砸钱上AI，员工用上了大模型，老板把“AI使用率”“Token用量”写进了考核。结果呢？会议没减少，审批没消失，人效数据原地踏步——“AI用了，个人效率涨了，企业人效没涨”。

穆胜咨询《中国企业人力资源效能研究报告》显示，每年近七成老板高管把“人效”挂在嘴边，但真正能“看懂、管住”人效的企业凤毛麟角。

今天，我借两个反差极大的案例讲透这件事：德国大众在砍产能、砍冗余；Meta在叫停“AI换人”。

01 人效不是“大除法”

人效是人力资源效能（HR Efficiency）的简称，本质是“投产比”，即经营或业务量产出除以人力投入。可一落到操作上，十家有九家都把它简化成了“大除法”：整体营收除以企业人数，或者整体利润除以企业人工成本。

在人力资源专业偏“定性”而非“定量”的传统下，在HR们需要数据化作为专业壁垒的危机下，在企业开始进行数字化转型的背景下，这类“大除法”倒迎合了需要，但却掩盖了人效对于经营的重要意义。

这种算法我叫“宽口径人效”，它核算公司整体的效率，老板和HR们自然用它来推算企业合理编制和人工成本包。但只看宽口径人效的企业，会把自己对于人效的理解庸俗化，后果是相当危险的——它会引导管理者做最简单的事，即“减分母”。裁员降薪、压缩编制，报表立刻出现漂亮数字，可这数字往往是假的，是给企业留“内伤”的。

人效管理的命门，在“窄口径人效”，即用业绩的“北极星指标”除以“核心人才仓”。数字时代，20%的核心人才创造80%的业绩，杠杆作用何其明显。AI时代，核心人才的杠杆作用更大，也许，原来20%的核心人才只能留下10%，他们可以撬动100%的业绩。这足以说明，窄口径人效才是真正的增长内核。

更进一步看，人效的重要性还在于，它能牵动财效。穆胜咨询在2020年针对A股市场的大样本研究发现，在互联网标签属性企业里，人效每变动一个单位，财务效能同向变动4.33个单位。

考虑核心人才的杠杆作用，再考虑这个定律，我们真正应该关心的，是在每条业务流（工作流组成的集合）上，人力资源的投产比。这意味着，我们对于窄口径人效拆解，需要下沉到业务场景中，观察这个业务场景里，人力资源是否用在了刀刃上，产出了符合预期、超越竞争者的业绩。

这显然是个经营命题，绝对不是HR们可以单枪匹马完成的。老板应该和HR们一起算细账，做经营。

02 “古德哈特定律”的陷阱

AI时代，一种新的“大除法”正在流行——考核Token用量。

先把一个经济学常识讲清楚。英国经济学家古德哈特（Charles Goodhart）在1975年的文章中提出“任何观察到的统计规律，一旦为了控制目的而被施加压力，就会趋于崩溃”。直观解释，政策制定者如果想通过控制某个指标来达成目标，往往会让这个指标失去原本的参考价值。这个判断最初用于分析货币政策，后来被广泛应用于教育、企业管理、社会政策等多个领域，被通俗总结为“古德哈特定律”。怎么理解这个定律呢？简单总结一下——当一个指标被用作考核目标，它就不再是个好指标。回到企业对于“AI化”的考核，也完全符合这个规律，你考核代码行数，程序员就把一行拆成十行；你考核Token用量，员工就让AI空转。

这不是段子。据媒体披露，某头部大厂有工程师用业余时间搭了个内部Token排行榜，几万名员工三十天烧掉几十万亿Token，排名第一的一个人，光他一个人一个月的算力成本就超过百万美元。更荒诞的是，已经有人专门指挥AI智能体连续数小时跑“冗余研究任务”，目的只有一个——把排名刷上去。

这种事，我太熟了。它跟我批评过的那句老话如出一辙——大多企业是“收入成本化，成本费用化”。你硬生生把一个本该衡量产出的东西，变成了一笔明码标价、还能刷的“投入”，员工自然会想尽办法把这笔投入做大。于是，不计成本地刷营收，刷着刷着，成本支出也指向不清，完全变成了公摊的费用，莫名其妙地年年支出，年年增加。在这些考核“Token用量”的企业里，员工刷的甚至不是Token，是存在感；烧的不是算力，是真金白银。

我批评过，人效管理，管的是投产比，不是减投入。但有没有发现，当企业对于一个产出（例如“AI化”）无比执着时，他们就会走向另一个极端——完全忘记了考核投产比，而直接考核投入量。他们默认有一个投产比，即Token用量上去了，企业的“AI化”一定能上去，于是陷入了“古德哈特定律”的陷阱里。

从本质上看，考核“用了多少AI”，本质还是在考核投入，只不过把“人头”换成了“Token数”。企业觉得人没用，所以减人减薪，企业觉得AI有用，所以增加Token投入，他们思维始终没有深入业务场景看投产比，这和盯着分母的直男思维，没有两样。

03 不动组织，难谈人效

第一个案例，是德国大众在直面“效能下降”后的自救。

2026年上半年，大众营业利润率从4.2%下滑到3.8%，税后利润下滑30.7%；CEO奥博穆自己承认，大众的固定成本比同类公司高出约30%。为了自救，大众启动了百年史上最大规模的重组，他们计划到2030年在德国优化约5万个岗位，全球潜在裁员规模或达10万人，产能从1200万辆砍到900万辆，车型最多砍一半，配置复杂度最高降75%。

请注意奥博穆的一个细节——大众下一步要重点削减的是“直接车辆生产之外”的成本，即管理层、集团级岗位、中央职能部门。简单翻译一下，大众认为自己真正臃肿的，不是生产线的工人，而是那些不直接“打粮食”的中后台和中间管理层。

换句话说，大众的问题从来不是“人太多”，而是“组织太臃肿”，人员编制没有用在打仗上。那30%的固定成本劣势，本质是部门墙、隔热层、流程桶一层层堆出来的组织冗余。而大众此刻的做法也简单粗暴，裁员、砍产能、砍车型，全是“做减法”的操作。

做减法有没有错？没错。但如果“只做减法”就大错特错。减掉的可能是一线打粮食的人，留下的是机关里做表演的人。这种操作我叫“组织压缩”，而不是“组织精炼”——船越减越笨，人效只会进一步恶化。

幸好，从大众披露的计划里，他们瞄准的似乎是真正的组织冗余。但在实际执行的过程中，会不会出现偏差？犹未可知。

另一个案例，是Meta“用AI换人”的翻车现场。

今年初，Meta筹划了一个代号“Project OT（组织转型）”的重组计划，核心是用AI智能体加上更精简的小团队，重塑整个公司的运作。内部一度设想，把部分团队规模削减最多60%——靠裁员、冻结招聘、绩效离职。

结果呢？AI没跑出预期的人效，计划被叫停。Meta自己的数据最能说明问题：内部平台的代码变更量同比涨了220%，但真正面向用户上线的新功能或改进，只涨了36%。多出来的代码，大多在审批、评审、返工里堵成了堰塞湖；AI智能体还捅了不少娄子，重大技术安全事故同比上升40%，员工扑火的时间多了70%。

220%对36%，好魔幻的数字。这就是我一直讲的那句话——AI提升了个体效率，不等于提升了组织效率。AI让每个程序员写代码都快了，可代码要变成产品，还得过十道关。你把生产环节从3天压到30分钟，流转环节还是雷打不动的15天，这家公司到底快了多少？这就是“金字塔组织+AI”的真相——它不等于智能体组织。

没有组织变革的AI投入，本质上是给一只漏水的桶，换了个更粗的水龙头——水流是大了，桶里的水未必多。

说到底，AI不是用来“换人”的，是用来嵌入经营现场、放大核心人效的。一个传统车企，尚且能看到组织的问题，开始减少组织冗余，很可能会走向组织精炼，甚至组织变革；一个硅谷高科技企业，却用“AI换人”的思路，扛着“组织转型”的大旗绕开“组织变革”。现实的商业世界，实在是太魔幻了。

04 重塑组织，要换把“新尺子”

讲了这么多，两个问题来了：

其一，要不要关注分母？如果要关注，关注什么分母？

其二，如果不能单纯关注分母，不能仅仅考核Token用量，那考核什么？

我的答案很简单，其一，穿透业务场景，关注投产比；其二，在AI化的组织里，在效能的分母里纳入“Token用量”，单把尺子从“投入”换到“投产比”上。

按照这个思路，AI时代，人效的“新尺子”并不难理解。

第一个维度是“Token效”。用财务或业务数据，除以人机总投入——“人工成本+AI总投入”。

首先说清楚“人机总投入”这个概念。这是企业运行人机团队的总消耗，是AI化的企业真正应该关注的分母。AI上的投入，分为两个部分，一是创造智能体员工的投入，二是运行智能体员工的投入。前者按照GPU/TPU算力时长和训练开发的人工成本计价，后者则可以通过“Token用量”来计量。这两个部分，加上日常的人工成本，都可以用“Token”为单位进行换算。

如此一来，我们就能得到企业消耗了多少“理论Token用量”的总投入，自然就可以计量“Token效”。这个指标一出来，“AI到底有没有真提效”，就从口号变成了算术。

如果我们将“理论Token用量”拆解到每个业务场景，“哪些业务场景实现了AI提效”自然就更加清晰了。大众似乎可以精准锁定组织冗余；Meta的尴尬似乎也将不再出现。

第二个维度是“关键决策周期提效”，这是深入到业务场景后的核心驱动指标。这个指标不看你用了多少AI，只看你做决定变没变快。

我建议企业挑三个典型决策——一次预算追加、一次跨部门资源调配、一次新品上线，量一量从提出到落地各要多少天。AI用了一整年，如果这三个数字纹丝不动，那就说明AI只进了工具层，没进管理层。

第三个维度是“AI增效分享指数”，这个指标很巧妙，它既关注了提效的幅度，又关注了提效后激励的反馈。我的观点是，如果“AI化”形成的提效没有反馈到人身上，没有激励到人，那么，这种提效就不可持续。

具体来说，这个指标问的是，因为AI创造出来的业务增量，有多少变成了激励、分到了人头上？如果这个数是零，那AI在企业的身份就只有一个——一项费用。

这三个指标其实是相互联动的，Token效如果在往上走，关键决策周期一定也在往上走，AI增效分享指数也在往上走。一个“Token效”甚至也可能让企业陷入古德哈特定律的陷阱，但三个联动的指标都往上走，企业一定能跳出这个陷阱。看出来没有？这有点财务复式记账的意思。

05 三四季度，马上抓四件事！

眼下，2026年已进入三四季度，明年的人效计划怎么定？我给经营班子、职能部门和业务部门的一把手，四个落地抓手，马上能用。

第一，这个季度就把尺子换掉。

把员工KPI里的“AI使用率”“Token用量”统统拿掉，换成Token效。考核从“用了多少”，转向“一块钱的AI投入，一块钱的人机团队投入，在每个业务场景里，产出了几块钱的营收或利润”。这件事，HR和CFO坐到一张桌上，一周就能改完。

第二，挑三个关键决策，先量一次基线。

预算追加、跨部门资源调配、新品上线，各记下现在的周期天数。四季度末再量一次，看AI到底有没有让决策变快。记住，这个动作比买多少算力都便宜，却能一眼照出AI是进了工具层，还是管理层。

第三，砍掉一批“不产生价值的建制”。

学学大众，别总盯着人，盯业务场景。在每个业务场景里，看看你的产品线、配置项、管理层级，哪些在“收入成本化、成本费用化”。如果有，就坚决下刀，经济寒冬已经让不少企业瑟瑟发抖，但他们的恐惧还没有战胜他们墨守成规的习惯。我们的人效研报里早就点破过——仍有43.5%的企业扁平化指数小于1，虚设了一堆“监工”岗位；真正在一线“打粮食”的人，占比超过30%的只有三成多一点。这些，才是该动的刀，不砍，留着过年呀？

第四，给AI算一笔“投产账”，不是“投入账”。

别再问“我们用了多少Token”，要问“这一年的AI投入，人机团队的投入，换回了多少可量化的产出”“在每个业务场景里，人机团队的投入，换回了多少可量化的产出”。算不清，说明你还没到谈AI提效的阶段，AI化基本就是一个讨老板开心或缓解老板焦虑的“运动”，先把账本立起来吧！

最后说句掏心窝的话：大众的教训告诉我们，原来的优生企业，可能真的需要直面组织的问题，大胆“砍分母”；Meta的教训告诉我们，只会“AI换人”的企业，如果绕开组织变革，也换不来组织的人效。AI不会自动改变组织，它只会放大已经存在的组织问题。

明年的人效计划，不妨就从“换掉哪把尺子、把智能体嵌进哪个业务场景”这两个问题开始。