并不是每个人都在把 AI 用于一切

LLM 的过度使用与错配

• 很多人反映，公司把简单、确定性的工作流（支持流程、CI、工具、代码审查）替换成更慢、可靠性更差的基于 LLM 的系统，往往只是为了宣称他们“在做 AI”。
• 一些外包开发者说，他们经常按要求实现不必要的 AI，因为高管坚持要这么做，即使 PoC 显示确定性设计会更便宜、更快、更稳定。
• 一个反复出现的批评是：AI 被用来取代它本应去 构建 的工具（例如，生成 lint 规则或脚本，而不是让它本身充当 lint/CI）。

确定性系统 vs 代理

• 一个强烈的观点认为，核心业务逻辑和面向客户的工作流必须是确定性的、可测试的；LLM 应该作为强健的 CLI/API 之外的包装层或助手。
• 其他人则推广混合模式：代理用自然语言推理，但必须通过精心设计、受约束的工具来执行。

LLM 用于编码

• 许多开发者大量使用 LLM 作为编码助手：样板代码、一次性脚本、重构、解释、调试。
• 支持者声称速度提升巨大；批评者说 LLM 生成的代码脆弱、不安全、过度设计，而且更难理解，往往在审查和调试上花费更多时间。
• 有几位警告说，基础技能正在被侵蚀，而未来的代码库实际上会变成“软件考古”项目。

职场压力与管理层的 FOMO

• 有报告称，AI 黑客松、日常使用强制要求，以及与 token 使用量挂钩的奖金机制普遍存在，即使 1–2% 的失败率也不可接受。
• 工程师通常认为管理层追逐投资者叙事和“AI 采用”指标，而不是可衡量的产品价值。

到底是谁在用 AI？

• 线程引用了研究：约有 20–30% 的美国劳动年龄人口 नियमित使用 AI 工具；远没有到“每个人都在用”，但对于一种新技术来说已经很高。
• 争论集中在定义上：显式使用聊天机器人，还是 Google 搜索、推荐信息流、手机相机等内嵌系统中的被动使用。
• 有些人认为，如果把这些后台系统也算上，那么“每个人都在用 AI”；另一些人则认为这太牵强或只是附带效果，不算真正的采用。

个人使用场景与不使用

• 重度用户描述了显著的现实收益（保险纠纷、房屋维修决策、花园设计、购物、营销）。
• 另一些人只把它限制在编程或替代搜索；也有人完全回避 LLM，并感觉自己受到了压力或被边缘化。

招聘与职业焦虑

• 求职者把“你如何使用 LLM？”看作标准面试问题，并且很难同时为 AI 热情和 AI 怀疑的雇主作答。
• 一些招聘经理现在把缺乏 agent/LLM 经验视为红旗；另一些则更看重有分寸、批判性的使用，而不是炒作。

质量、安全与社会层面的担忧

• 反复出现的主题包括：幻觉、安全漏洞、更粗糙的软件、变差的客户支持，以及网络内容的“垃圾化”。
• 人们担心，低素养和薄弱的批判性思维会放大误用，而企业激励则偏好更便宜的支持，而不是更好的服务。

长期展望

• 乐观者把这个阶段比作早期互联网或编译器：快速增长、最终无处不在，以及巨大的生产力提升。
• 怀疑者则预见 AI 永远只适用于某些利基场景，并警告不要假设未来模型改进会自动修复当前的结构性问题。