※ 引述《bigblack0921 (owen)》之铭言： : 最近看到许多国际一线公司打着Agentic AI大旗行裁员之实，我属於悲观派，觉得配套没 : 有准备好的话未来没有新人可以衔接工作会有断层，老人以前有团队一起打拼/背锅现在 : 只剩自己扛责（AI产生垃圾但是你没review好），而且如果公司深度绑定Agentic AI，未 : 来这些框架或模型的维护/升级的费用不就是卖家市场，你不给钱直接断炊回到石器时代 : 而且团队人数早被优化… : 除了既得利益者（CEO高管团队跟公司内做Agentic AI的团队） 没有人会私下反抗吗？ : 还是我眼光太短浅误会了第四次工业革命？ 我觉得你说的事情不会发生，但我不是乐观派。 除非未来发展出真正的智慧， 而非像现在这样拿本来用来解决翻译问题的程式 （LLM）喂一堆资料， 然後再一厢情愿的把它基层工人来用， 否则几年後他们可能会惊讶发现大费周章搞这些花里胡哨的东西， 整体综效竟然没有显着提高太多，现在裁掉的也只是过去超徵的冗员， 或是一些工作模式本来就比较低效的单位，而非生产力过剩。 （你若拿这些裁员企业领导人对外的说法来辩驳也行，只能说这就人人看法不同） 依我所见，LLM 真正善长的东西始终是语言事务， 也就是──翻译、换句话说、照样造句， 顶多再加上辅助人类扩展知识范围的能力。 目前那些令人兴奋的使用体验其实往往问的是常见或主流的概念， 其普遍到人类语言中已经有个名字或是简洁的表达方式， 因此使用者能用较短的提示词得到够多有用的结果而不必再花一堆篇幅描述规格。 举凡那些叫 LLM 重新发明某些轮子的实验都是这种状况。 然而，如果你要的东西很常见或很主流，那或许你根本不用或不该自己做。 至於其他好的体验本质多半是语言事务，只是用的人自己没意识到罢了。 例如：人类讲简单逻辑，机器生程式码、机器升级框架的版本或换框架── 这些体验其实没超出翻译的范畴，但是用的人往往相信是机器靠智慧做到的。 若我的判断没错，那麽当这些公司发现上述状况後， 会做的也就是在利率正常化的时代用更高昂的代价把人再找回来而已， 因此也不至於有过度依赖大厂的问题，反而是大厂可能陷入泥沼。 大厂会意识到因为人类的知识会不断增加和变化， 所以这些模型的训练和开发工作也要不断加码，否则使用者会不乐意花钱。 它难以跟其他人类发明的工具一样研发到够好用即可减缓投入并且开始获利了结。 硬体和营运的成本可能越来越便宜，但请人撰写有用的训练资料却可能越来越贵。 到时这些大厂真正得到的好处大概就是那些对话纪录。 这些资料应该有利大厂发展更精准的广告投放服务， 只是这涉及到资讯的理解和判断力，因此要投入大量研发资源开采和分析， 最後大概又是一个研发资源的黑洞。 LLM 的研究能有这样的发展实属不易， 但仅凭目前这样的设计以及树立在这种不稳定基础上的工具链恐怕不会形成工业革命。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 36.227.226.109 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Tech_Job/M.1776608636.A.815.html 没有人说完全不会提升，只是可能不会有很多人想像的那麽多。 CRUD 在没有生成式 AI 之前就进步很多了。 不只各热门语言有一堆验证过的现成范例可直接照抄，有高度抽象的套件可呼叫， Java Spring 等框架还可以只凭一个物件的 CRUD 介面就帮你在执行期生成实作， 其行为还比 AI 更稳定可预测，因此没 AI 的时代真的没有很多人想的落伍。 AI 把事情快速做完很不简单，但能让人直接不用做又更厉害。 这就是为什麽我说：「企业领导人可能会发现整体综效提升的程度不如预期」。 生成式 AI 在语言事务以外能达到的境界不见得比暨有工具高太多。 即便能好不少，但如果从时间、金钱、 能源效率等角度衡量性价比可能又会发现结果不太理想。 更何况，开发 CRUD 费力的地方本来就不在具体的读写实作， 而是在规划储存方式、规划缓冲空间及吞吐量、拟订读写目标等事务上， 但生成式 AI 在这些要发挥智力的部分偏偏很被动且笨拙。 如果开发者自己本就没主见也没有常识可以喂给 AI， 那生成式 AI 大概也只会提供训练资料中的基础范例给你抄， 没有办法设身处地为使用者解决问题。 生成式 AI 的主场始终是语言事务。这才是它真正有填补市场空缺之处， 可惜却偏偏是现在那些大搞 AI 工程的人不屑讨论的议题。 是，这就是为什麽说那些真的要认知、要思考的问题反而并非 AI 所长。 这同时也是为什麽会说几年後企业综合所有使用情境评估效率提升的程度後， 可能会惊讶的发现没有想像中那麽多，不是什麽工业革命等级。 现代人只要比以前多投入一点时间运用 AI 关联知识的能力， 他就会更容易把过去不好完善的部分（例：某些设计细节）做到位， 让事物变得更精致，但做到这种程度终究要更多投入， 因此尽管效率有增加，过程却不是像很多人想的那样──把相同工作的时间砍半。 你这是拥护者之中最常见的几种论调。 姑且不论从 LLM 供应商到你这端是不是每个环节都已损益两平， 就当作厂商能永远用现在的价格提供一样水准，一样额度的服务好了， 烧了一段时间做出东西後，你会自己再审核一次吗？ 要是後来发现问题，或是测试情境不完善，你会介入吗？ 如果会，那效能瓶颈还是卡在人这里， 最後整体提高的效率未必如很多人想像中那麽高效，而且有很大机会更耗能。 如果不会，你想跟某些人主张的那样──权限大开特开，写完也不再审了， 相信它完全足以取代原本的菜鸟， 那你本质上就是在跟 LLM 的随机性以及厂商包裹层的稳定度对赌， 但你要确定自己有赌赢喔！ 毕竟现在 AI 没办法替人负责，厂商最多就是给你免费使用， 而且它的认知和思考力还是有些问题。 本质依旧是根据时序或空间关系把人类文化产物拆碎， 然後再计算不同碎片之间的关联度。 影片和图片跟文字一样是人类表达自我的素材。 ※ 编辑: dream1124 (36.227.240.234 台湾), 04/21/2026 09:14:19