在公司做Vibe coding Saas(制造业数据分析),服务2个大团队(400人);也经常响应领导的fake work(向上管理)。一方面是自己想更多的从事agent开发,但是被冗长的数据以及扯皮的工作,甚至是涉密不让用codex,导致工作时间非常饱和,下班甚至缺乏上完AI architect的动力。另一方面 觉得AI的发展确实会让我这样的工作变的没有价值,甚至要非常卷,通过各种fake work证明自己有价值。 有些时候甚至想逃离,但是逃离一个环境可能是故事的重演。工作应该何去何从?还是说现在就需要摆脱打工人思维?
提问
先别把问题定成“要不要摆脱打工人思维”。更可行的顺序是:在现职里把fake work压到最低、留出做agent的时间;同时用副业或小项目验证“离结果更近”的能力,再决定是否换环境。
fake work是结构性的,不是你一个人的失败
立正讲过,知识工作的价值难衡量,组织只能看周报、会议、上线这些替代指标,人就会围着指标生产动作1,2。杨天楠补充了一个条件:人才密度高但增速慢的地方,意义感稀缺,聪明人只能靠更勤奋和互相比较来获得合法性,fake work会被成倍生产3。这解释了你的疲惫为什么不像“再努力一点”能解决。立正还判断,AI会先极大膨胀fake work,再让它贬值3。
但要注意,这是对组织激励的分析,不是替你断定你所在团队的具体情况。
先缩短与结果的距离,而不是先逃离
结合提问者的处境立正给的做法不是“别做诚实的人”,而是看清游戏:该保留的数据保留、该提的建议提到该知道的人那里,然后做甲方需要的事,适可而止4。他把工作分成高价值和低价值两部分,主张反复做那10%真正决定产出的工作,把低价值的挤掉4。
对fake work,他给的具体顺序是“先删除,再自动化”:对低风险、可恢复的周期性工作,先停一轮,写清少做一轮会在什么时候造成什么后果,到期没发生就删掉;不要先让agent把它做得更便宜,因为成本越低,没用的工作越容易永久存在1。他还建议闭合一个小循环:做出改动、让真实用户使用、观察结果、再改一次,练的是从判断一路负责到结果1。
这正好接上你想做agent开发的方向:与其等下班后攒动力,不如在现职里挑一个真实的数据分析问题,自己定义、自己跟到结果。
换环境能解决一部分,但解决不了“只被训练过一种努力”
立正自己走过跳槽、创业公司、自己做事的路径,他说前提是先增加选择环境的能力,比如把简历做到想跳哪家都能跳,再探索副业和事业4。他离开腾讯时管30多人,主要工作是上传下达、互相翻译,做得挺好但自问“我有什么进步”,于是去了更靠近结果的创业公司5。他也说,离开大厂才发现fake work不是大厂独有5。
所以“逃离是故事重演”这个担心有依据:如果换环境后仍然是等别人给分、靠动作证明自己,问题会跟着走6。但换到离结果更近的位置,确实是他本人验证过的解法之一5。
关于收入:你希望年入50W+持续到40+岁,这个目标在材料里没有对应证据,不能替你判断哪条路更稳。可参考的是杜磊的判断——执行层工作会消失,但有行业背景的超级个体会被吸纳到外部供应商,少数人支撑整个行业;他也强调技术扩散很慢,是十年尺度7。Indigo 转述的观察是,好的AI工程师以“IT家政”方式同时服务几家企业,单个客户付得不比大厂多,加起来可能更高8。这些是方向性描述,不是收入承诺。
材料没有你所在公司的具体激励、涉密范围和岗位可调空间,也没有中国年入50W+的可靠数据,所以无法判断该不该现在离职或转岗。
回到8份原文
最具体的操作:先删除再自动化、缩短与结果的距离、闭合小循环。
可回到原文核对这部分判断
解释fake work为何在低增速高密度团队里被成倍生产,以及AI先膨胀后贬值的判断。
立正讲跳槽、增加选择能力,以及数据科学家在fake work环境里如何保留专业度。
立正本人从管30多人到去创业公司、追求离结果更近的经历。
可回到原文核对这部分判断
可回到原文核对这部分判断
可回到原文核对这部分判断