一天开13个会、一个Bug要修200天!前亚马逊L7爆料:这轮大裁员,AI只是“背锅侠”

一天开13个会、一个Bug要修200天!前亚马逊L7爆料:这轮大裁员,AI只是“背锅侠”

整理 | 郑丽媛

出品 | ZEEKLOG(ID:ZEEKLOGnews)

过去一年,大型科技公司的裁员消息几乎从未停过。但当公司对外给出的理由越来越统一,“AI 让组织更高效”,也有越来越多内部员工开始提出另一种质疑:事情或许没那么简单。

最近,一段来自前亚马逊员工 Becky 的 YouTube 视频在开发者社区流传开来。她曾在亚马逊工作 7 年,其中 5 年担任 L7 级别的技术管理者,负责过团队年度规划(OP1)等核心管理工作——可去年,她主动离开了亚马逊。

就在最近,她的三位前同事接连被裁,其中两人还是 H-1B 签证员工,都背着房贷压力。其中一位同事忍不住给 Becky 发消息:“你去年离开的时候,是不是已经预料到会发生这些?”

对此,Becky 的回答很坦诚:她不知道具体什么时候会裁员,但她早就感觉情况不对劲了。

在她看来,这轮裁员被归因为 AI,更多只是一个“方便解释的理由”——真正的问题,其实早在几年之前就已经埋下了。

疫情之后,亚马逊开始疯狂扩张

Becky 回忆说,如果要追溯问题的源头,大概要回到疫情那几年。

2019 年时,亚马逊员工总数大约 80 万人。但随着电商需求暴涨,公司在短短两年内疯狂扩张——到 2021 年员工规模直接翻倍,达到约 160 万人。

很多人以为扩张主要发生在仓储和物流中心,但 Becky 说,事实上几乎所有部门都在扩张。

那几年,她每年都会负责组织的 OP1(Operating Plan 1)年度规划。这是一项非常重要的内部流程,各个团队都会在这个阶段提交下一年的预算、项目计划以及人员编制申请(headcount)。

也正是在这些规划会议上,她逐渐意识到事情开始失控。“那时候,几乎每个团队都在申请更多人。” Becky 说,“而且很多申请理由,现在回头看简直匪夷所思。”

她举了一个典型例子:有团队申请 6 名产品经理,只是为了检查一个结账页面里的用户体验问题。按正常逻辑,这种需求在 VP 层应该会被直接否掉。但现实情况却是——几乎所有申请都被批准了。

在 Becky 看来,亚马逊在那个阶段逐渐发生了某种变化:公司似乎从一台“创新机器”,变成了一台“抢地盘机器”。更多员工意味着更大的组织规模,而更大的组织规模又意味着更高的话语权。因此在内部政治结构中,这几乎形成了一种激励机制:谁的人多,谁的权力就大。

但商业世界有一个残酷的事实——财务报表并不会因为组织结构而改变。

一个越来越明显的信号:人均产出下降

随着人员规模迅速膨胀,一些数据开始变得越来越刺眼。

公开财报显示,2020 年亚马逊的人均收入约为 48.4 万美元,到 2021 年,这个数字下降到 36.2 万美元,而在 2022 年则进一步降至约 32 万美元。

Becky 表示,这些数据其实已经算是“好看版本”了。在她当年接触到的内部数据里,某些业务部门的人均收入下降得更为明显。

而当公司高层意识到这个问题时,一系列变化开始悄然发生:

● 第一步:人员编制申请越来越难批。曾经几乎“随便批”的 headcount 申请,突然开始被严格审查。

● 第二步:招聘冻结。甚至已经批准的岗位,也被要求暂停招聘。

● 第三步:公司开始推出各种“返回办公室”政策。表面上是管理措施,但实际上很多人都知道,这是一种不支付裁员补偿、逼员工主动离开的方式。

“如果你当时足够留意,其实就能看出公司迟早会裁员。”Becky 说,“这件事早在 ChatGPT 出现之前,就已经摆在明面上了。”

AI 是原因吗?更像是一种“理由”

当然,Becky 并不否认 AI 对企业组织结构的影响。她认为 AI 确实可能加速了一些岗位的调整——但把整轮裁员都归因为 AI,在她看来显然过于片面。

“对董事会来说,说‘我们正在大规模投资 AI’听起来更好。”她解释说,“这比承认当年招人太多、内部政治让组织效率下降要体面得多。”

不过比起裁员,更让 Becky 困惑的是另一个问题:亚马逊一直以招聘高质量人才著称,她在公司期间也确实与很多非常优秀的工程师共事——但为什么,明明有这么多聪明人,却很难做出真正高效的成果?

“这个问题的答案,也是我最终决定离开的原因。”Becky 强调,她并不讨厌老板,工作也没有过劳,她选择离职只是因为:“我感觉自己在里面快‘死掉了’。”

一天 13 个会议,却什么都没完成

在离职前的一段时间里,Becky 曾经做过一件有点“实验性”的事情:她拍摄了一整天的工作 vlog,想看看自己到底把时间花在了哪里。

结果那一天,从早到晚,她一共参加了 13 个会议。而且那天还不算特别忙——毕竟她还有时间拍视频。回看那天的记录,她得出的结论是:自己几乎没有完成任何实际工作。

重要的是,这种情况并不只发生在她一个人身上。

如果是 L7 或 L8 级别的管理者,日历往往被各种会议塞满:团队对齐会议、项目文档评审、跨部门协调、战略讨论……以及各种“讲故事”、“互相甩锅”的汇报准备。

一个 Bug,可以拖上 200 天

说到这里,Becky 举了个真实案例,那是一次典型的系统事故。

某天,亚马逊的全球结账页面突然崩溃,大量用户无法下单。这本该是一场紧急修复行动,但事情的发展却完全不同。

接下来几个月,公司内部展开了漫长的讨论:23 个团队参与调查,6 位 VP 介入会议,无数份文档被写出来,各种责任归属争论不断……整个过程基本变成了一场“甩锅游戏”,而真正的系统长期修复,却迟迟没有推进。

原因很简单:长期解决方案往往需要时间,而短期内最容易获得“成绩”的方式,是快速打补丁。于是,每个团队都在争取通过临时修复来证明自己的价值,而不是解决根本问题。

类似这样的事件,一年可能要发生几十次。再加上组织重组、季度评审(QBR)、年度规划、路线图调整……工程师很快就会发现,大量时间都被消耗在组织流程而不是产品建设上。

例如,在 Becky 的团队里,工程师平均只有 1/3 时间在写代码,剩下 2/3 时间都在开会、写文档、给那些自称为 “GM(General Manager)”、完全不懂技术的领导解释。

结果就是,一个普通 Bug 的平均修复周期可能长达 200 天,还有很多 Bug 干脆永远都没人碰。

七年里,没有一个总部项目准时上线

Becky 说,在她七年的亚马逊职业生涯里,有一件事情始终让她印象深刻:总部的工程团队几乎没有一个项目是按时上线的,而唯一准时上线的项目,是由一个日本团队做的。

结果,你猜怎么着?据 Becky 透露,在最近的裁员中,这个团队是最先被裁掉的一批。

在这样的环境里,技术能力已不再是最重要的评价标准。正如 Becky 所说:“你会慢慢意识到,在公司内部,真正决定晋升和资源分配的,往往是政治能力。”

回想当初加入亚马逊时,Becky 十分认同公司的文化原则:Customer Obsession(客户至上)。但最近几年,她逐渐感觉到,这种文化正在悄悄发生变化:“本来的‘客户至上’,慢慢变成了‘政治至上’。”

这种变化并不是一夜之间发生的,而是在无数次会议、无数次组织调整中慢慢形成。而最终,Becky 意识到自己已经失去了继续留下来的动力:“这份消耗,一点点杀死了我心里的热情。”

“公司不值得我把人生交给它”

因此,当开头提到的那位前同事问起她裁员时,Becky 的回答非常简单:

“我其实不知道裁员什么时候会发生。毕竟当时我只是一个普通的 L7 经理。但说实话,我当时已经有一种感觉:公司给我的薪水,已经不值得我拿。同时,公司也不值得我继续把人生交给它。所以,我选择了离开。”

在视频最后 Becky 提到,裁员当然是一件痛苦的事情,她也非常同情那些突然失去收入来源的人。但在她看来,这或许也可能成为一种重新开始的契机。

“时代变化的时候,人通常有两种选择。”她说,一种是等变化发生,然后被迫应对;另一种,是提前跳出来,尝试抓住新的浪潮——而 Becky,显然选择了后者。

原视频链接:https://www.youtube.com/watch?v=uyCcgG4nm90

推荐阅读:

上门安装“龙虾”几天赚26万?工程师提出质疑;雷军:未来每天上班两小时就够了;大四学生AI开源项目获陈天桥3000万投资 | 极客头条

48小时“烧光”56万!三人创业团队濒临破产,仅因Gemini API密钥被盗:“AI账单远超我们的银行余额”

全球26w+用户在线「养虾」:OpenClaw这一波泼天流量,到底让谁接住了?

未来没有前后端,只有 AI Agent 工程师。

这场十倍速的变革已至,你的下一步在哪?

4 月 17-18 日,由 ZEEKLOG 与奇点智能研究院联合主办「2026 奇点智能技术大会」将在上海隆重召开,大会聚焦 Agent 系统、世界模型、AI 原生研发等 12 大前沿专题,为你绘制通往未来的认知地图。

成为时代的见证者,更要成为时代的先行者。

奇点智能技术大会上海站,我们不见不散!

Read more

科研党福音!OpenClaw 文献检索 + 数据整理 + 论文排版自动化实战,解放科研双手

科研党福音!OpenClaw 文献检索 + 数据整理 + 论文排版自动化实战,解放科研双手

一、科研自动化的刚需背景 在科研工作中,文献检索、数据整理、论文排版这三个环节通常会占据研究者30%以上的工作时间,且重复劳动占比极高:手动筛选文献关键词、复制粘贴实验数据、反复调整论文格式规范,这些机械性工作不仅效率低下,还容易出现人为误差。 OpenClaw作为一款面向科研场景的自动化工具集,通过Python生态的轻量化组件整合,实现了从文献获取到论文输出的全流程自动化,能有效降低科研工作的非创造性劳动占比。本文将通过实战演示,完整展示OpenClaw三大核心功能的落地方法。 二、OpenClaw核心原理与组件分析 OpenClaw并非单一工具,而是基于Python的模块化自动化框架,核心由三个功能模块构成: 1. 文献检索模块:依托PubMed、CNKI等公开API,结合自定义关键词规则实现定向文献爬取与筛选,支持PDF原文批量下载 2. 数据整理模块:通过Pandas实现实验数据的标准化清洗、格式转换与统计分析,自动生成符合学术规范的数据集 3. 论文排版模块:基于LaTeX模板引擎,将结构化的文献、数据、实验结果自动映射到期刊指定格式,一键生成可提交的论文初

By Ne0inhk
从0到1搞懂Linux动静态库制作与底层原理|开发者必备指南

从0到1搞懂Linux动静态库制作与底层原理|开发者必备指南

🔥个人主页:Cx330🌸 ❄️个人专栏:《C语言》《LeetCode刷题集》《数据结构-初阶》《C++知识分享》 《优选算法指南-必刷经典100题》《Linux操作系统》:从入门到入魔 《Git深度解析》:版本管理实战全解 🌟心向往之行必能至 🎥Cx330🌸的简介: 目录 前言: 一、先搞懂:Linux下的库是什么?二进制的“代码积木” 1.1 库的本质 1.2 库的分类与系统位置 1.3 预备工作:自定义库源码 二. 静态库:编译时链接,独立运行 2.1 整体图示:理清思路 2.2 静态库制作流程(Makefile 自动化 ,更简便) 2.3 静态库使用场景与命令

By Ne0inhk
时序数据库选型指南:在大数据浪潮中把握未来,为何Apache IoTDB值得关注?

时序数据库选型指南:在大数据浪潮中把握未来,为何Apache IoTDB值得关注?

文章目录 * 1 -> 引言 * 2 -> 时序数据的挑战与选型的重要性 * 3 -> 核心选型维度:超越性能参数的综合考量 * 4 -> 深入聚焦:Apache IoTDB的差异化优势 * 5 -> 选型建议与总结 1 -> 引言 在当今这个万物互联、数据驱动的时代,从工业传感器到智能电网,从车联网到金融交易,每一秒都在产生海量带有时间戳的数据——时序数据。这类数据不仅是企业运营的“脉搏”,更是驱动智能决策、优化效率、预测未来的核心燃料。面对汹涌而至的时序数据洪流,如何选择一款合适的时序数据库(Time-Series Database, TSDB),已成为大数据架构师、物联网(IoT)平台开发者和数据分析师面临的关键决策。本文将站在大数据技术演进和国产基础软件发展的视角,为您梳理时序数据库的选型要点,

By Ne0inhk
【Linux网络】网络基础概念——带你打开网络的大门

【Linux网络】网络基础概念——带你打开网络的大门

1. 计算机网络背景 文章目录 * 1. 计算机网络背景 * 网络发展 * 2. 初识协议 * 2.1 协议分层 * 软件分层的好处 * 2.2 OSI七层模型 * 2.3 TCP/IP五层(或四层)模型 网络发展 独立模式 独立模式是计算机网络发展的最初阶段,主要特点如下: 1. 单机工作环境: * 每台计算机完全独立运行 * 没有网络连接或数据共享能力 * 所有数据处理都在本地完成 2. 典型应用场景: * 早期大型计算机系统(如20世纪60年代) * 个人计算机普及初期(1980年代) * 需要高度安全隔离的特定环境(如军事系统) 3. 主要局限性: * 数据无法在不同计算机间传输 * 资源无法共享(打印机、存储等) * 工作效率低下,需要人工搬运数据介质(如磁带、软盘) 4. 技术特点:

By Ne0inhk