欢迎加入抵抗：员工如何躲避并破坏公司的 AI 强制令

1. 从鼓励工具到考核服从

1.1 没有用途，先有采用命令

• 受访者仍在相关公司任职，因此都隐去姓名与雇主。他们所在行业不同，处境也不同：少数人能完全退出，多数人却只能在命令内部减少、误导甚至破坏 AI 使用。抵抗的共同起点，是管理层先规定必须使用，再反过来寻找用途。

1.2 token 消耗变成表演指标

• 一家奢侈品公司的员工因“token 消耗”为零被催促，便用 ChatGPT 问随机园艺问题；它没能设计好雨水花园，却描述过一次红薯。公用事业 IT 员工发现绩效只统计提交提示的次数、不收集提示内容，于是每天问 Copilot《星球大战》上映年份或天气。

1.3 无意义提示也能制造“AI 冠军”

• 一名科技初创公司经理知道内部仪表盘追踪 AI 使用量，就提交冗长无意义的提示，让模型写糟糕的读书报告，真正工作仍亲自完成。仪表盘把他评为“AI 冠军”，公司不仅公开表扬，还发了奖金，却从未检查实际产出是否来自 AI。

2. 质量问题让“提效”倒过来增加成本

2.1 人工返工、慢六倍的智能体与不会算数的模型

• 一家欧洲小型游戏工作室使用 AI 翻译已发行作品的对白，质量差到必须全部由人重做，最终成本高于一开始人工翻译。一名软件技术员被要求把客户网站数据交给 AI 求和，却发现复制到 Excel、执行两次“分列”更快也更准确；他不理解为什么人们会放弃计算器，转而使用“不擅长数学的计算机”。
• 某游戏团队被强制接入处理基础任务的智能体，耗时是旧工具的 600%。员工发现只要让智能体把自己带回旧工具即可，但必须用直接电话秘密传播技巧，因为公司追踪键盘输入，视频会议也受 AI 代理监控。
• 在健康保险公司，初级员工被要求用 Copilot 批量生成新 HR 系统说明文档；公司规定所有 AI 产出必须人工复核。他据此指出，生成、复核、再由高级员工复核是在重复劳动，最终说服主管一起直接把文档一次做对。

2.2 直接呈交错误，让后果回到决策者面前

• 一家大型娱乐公司的网络安全团队被要求寻找并不存在的 AI 用例。被迫使用时，他们采取“恶意合规”：完全按要求生成事故报告，不编辑其中的错误与矛盾；管理层指出问题时，他们提醒自己只是照章执行，对方便沉默下来。
• 网络安全人员还利用对内部模型的自由访问权，系统展示它可被滥用的方式，证明它不适合严肃任务。这种策略不是暗中修补模型、替决策者承担风险，而是让强制采用的真实质量成本可见。

3. 抵抗策略之一：最低限度、伪装使用与集体掩护

3.1 管理者为下属提供最低限度豁免

• 云服务公司的上层要求员工“把 AI 融入日常流程”，却不解释如何或为何。团队负责人告诉下属，任何最小动作都可算完成目标；即便员工谎称使用过 AI，他和自己的经理也会睁一只眼闭一只眼，照样给绩效满分。

3.2 把正常工作重新命名成 AI 流程

• 一名科技公司营销文案把正常流程重新命名成 AI 流程：纸质待办被描述为 Claude 任务助手，Kagi 搜索被称为询问 Claude，人工校对后再多等二十分钟，便报告 Claude 也校过。管理层对其表现非常满意，说明他们需要的往往只是使用叙事。

3.3 用符号建立集体规范

• 游戏支持工作室员工在 Slack 里看到 AI 使用便回应 👎、🤖、🤮，后来同事也开始跟随。另一家本地化团队的大多数人尽量少用 ChatGPT 和 Copilot，宁可在邮件里保留人类的错字。微小的符号和语言选择，使孤立的个人拒绝变成可识别的群体规范。

4. 抵抗策略之二：把道德异议翻译成企业风险

4.1 版权、保密、质量与成本

• 一名游戏美术发现，直接谈伦理很难让客户和老板理解，便改用企业熟悉的语言：生成内容可能侵犯版权并招致罚款，向客户提交次品会损害业务，把机密资料输入模型会泄密，token 在浪费钱，AI 还会堵塞美术管线，因为他不用 AI 反而更快。这套顾问式论证“非常有效”。
• 本地化员工同样抓住安全问题：公司不愿为每个项目购买独立模型实例，又禁止把敏感材料送进公共模型；员工便要求每次使用都先获领导批准。多数情况下，风险高到客户若不额外付费就无法采用，于是工作自然回到原有方式。

4.2 会议录音与作品边界

• 一家西方 AAA 工作室宣布录制所有会议交给 AI 做笔记，一名开发者要求公司正式说明录音会和不会如何用于训练，在得到答复前数月拒绝参会。他也无视要求所有员工书面承诺使用生成式 AI 的文件。
• 一名资深游戏美术坚持零容忍，因为担心一旦让步，AI 会逐步渗透整个流程。他以维护艺术的完整、真实性和准确性为理由，保护自己与同事的岗位。另一家英国工作室公开宣称游戏内容不用 AI，却把非游戏内容排除在承诺之外；团队负责人发现这条边界会在供应商不断向高管推销“能替代你们工作”的工具时持续收缩。

5. 抵抗策略之三：公开追问“为什么”

5.1 用公开纠错和边界声明制造停顿

• 一名资深传播主管会当众指出 AI 文档中的错误；分享自己的稿件时明确声明未经 AI 生成或修改，也要求同事不要把它交给模型审阅。最有效的办法却最简单：当同事说生成式 AI 能轻松完成任务时，问一句“你为什么这么认为？”许多主张因无法证明更快或更好而自行瓦解。

5.2 从代码数量追问到业务价值

• 一名数据科学管理者提供了更完整的追问清单：内部成功试点是否只是因为项目简单、获得额外支持且参与者被免除其他工作？“代码行数”是否真的转化成有人需要的产品、收入或增长？把专业岗位改造成配额工厂，是否损害职业自豪感？

5.3 让激进主张承担独立交付责任

• 他尤其反对把 AI 用量写进绩效。若用量取代独立的工作表现判断，管理者将无法淘汰大量烧 token 却产出很差的人，也会逼优秀员工进行表演性使用。最后，他建议让主张“一个工程师加 LLM 能包办设计、产品、研究和数据”的人真正独立交付；停止替失败实验兜底，才能检验口号。

6. 监控与惩罚正在提高抵抗成本

6.1 反对可能带来解雇与 HR 约谈

• 并非所有抵抗都安全。一家大型 AAA 工作室的“AI 愿景”会议发生激烈争执，至少一人被解雇，另有人被 HR 约谈；团队只能继续要求会议不要自动转写。一家美国工作室虽只“强烈鼓励”AI，也提醒员工不要羞辱使用者，却同时说想留在公司就必须“保持开放”。

6.2 生产工具同时成为监督工具

• 当员工必须像地下组织一样通过电话分享回到旧工具的方法，以避开键盘记录与会议监控时，工具推广已经变成劳动控制。AI 在这些案例中既是被强制采用的生产工具，也是监督抵抗本身的基础设施。

6.3 推广速度快过规则与证据

• 推广速度尤其令作者不安：合法性、认知影响、版权和安全仍未解决，AI 却比个人电脑更快地嵌入日常工作。荒诞局面并非采用初期的小插曲，而是目标倒置的结果——经理考核技术存在，员工则秘密保护工作有效性。

7. 泡沫之后，谁为决策负责

• 受访者担心，高管被“数字永远上涨”的幻想吸引，在缺少用途和证据时继续加码。一名开发团队本需八周制作原型，高管却因为 Claude 几小时能生成表面成果而质疑周期，这种比较正在摧毁士气，也抹去设计、研究、验证和协作劳动。
• 作者预期泡沫终会破裂，并追问经济震荡来临时，短视的老板、高管和经理是否会为忽略员工警告负责。他自己的答案是否定的。但文章不以绝望收尾：这些匿名故事证明，一线员工并未真心接受狂热采用，也提供了可复用的方法——追问目标、暴露错误、调用安全规则、拒绝替实验兜底，并在可能时互相保护。

思想框架

文章先用 token 仪表盘和无目标强制令揭示 AI 采用的倒置逻辑，再按抵抗方式展开：员工用无意义提示和改名术满足指标，用 Excel、旧工具和人工流程保住质量，用恶意合规暴露错误，用版权、安全、成本和复核政策向企业证明风险，并通过公开追问“为什么”迫使管理层说明价值。随后，会议录音、键盘监控、解雇和绩效考核展示了抵抗代价。最终，作者把这些荒诞案例指向更大的治理问题：当“使用 AI”取代“把工作做好”，组织得到的会是指标繁荣、隐性返工与普遍失信，而失败责任仍未必由决策者承担。