程序员正在集体“自费上班”：为了保住工作，每月倒贴买token

本文来自微信公众号： 深圳微时光 ，作者：黄小邪，题图来自：AI生成

黎诗景是广东一家大数据公司的AI架构师（程序员职业的细分岗位）。2025年，公司购买了美国一款AI编程工具的企业会员，技术员工在业务中使用token不限量。但从今年年初开始，公司退订了企业会员，改成每人每月限用200元的token。

而黎诗景的KPI，早就被提了上去了。公司没明说效率要翻倍，但这个要求被隐形地塞进了日常工作安排中。她之前负责一个项目，评估下来要一个半月，被主管直接驳了回来，主管认为有AI帮忙，三个星期就应该上线。

这成了黎诗景的工作常态。token的预算降了，公司和上司依然默认效率要翻倍。她只能自己掏钱买token，先用Trae（一款AI编程工具）和WorkBuddy（腾讯的AI办公智能体）的免费token额度，不够了再去更便宜的DeepSeek大模型上充值。

自费买token的打工人

石健在上海一家传统企业的技术部门工作。公司相对保守，没有购买任何大模型的企业会员（互联网上常说的“公司发token”，大多是指这种企业会员订阅）。但技术负责人鼓励他和同事多用AI，同时把工作效率和质量的标准都提高了，最近还裁掉了两名员工。

石健在团队里做产品经理。今年3月，新项目一启动，他的token消耗量猛涨，各大模型送的免费额度很快见了底，他只能自掏腰包再买token。一开始，他开通了海外一款大模型的个人会员，一个月花费20美元。5月份他又开通了另一款海外模型的会员，每月总支出60美元。随着国内的大模型愈加成熟，6月份他开始搭配国产模型使用，尽量压低开支。

虽然每月花费不少，但石健和同事都没跟领导提过报销的事。公司规模大，流程繁琐，预算卡得很严。大家心里都明白，看不到明确的投资回报，公司不可能掏出真金白银给员工买token。

团队的工作量，是按年度计划提前排好的，眼下石健的工作量没有明显增加，但他的压力并未减轻，下班时间也更晚了。毕竟上司的要求高了，AI省下来的那点时间，被他用来做更多事情，或探索新的方案。

人力淘汰已经在进行中。石健所在的12人小团队，原本计划借助AI，让前端转岗后端开发，因为后端的替代门槛更高。但前端人员短期内根本无法胜任后端工作。结果2个前端工程师被裁员，空出来的岗位，公司另招后端填补。石健更担心的是另一件事，如果AI提高效率后被公司上层注意到了，明年很可能工作量涨了，却不加人手，说白了还是削减人力支出。

在冯少林的公司里，高层对AI的态度更加暧昧。公司不发token，还明确要求有些工作内容不能用AI。但从今年3月开始，他和同事的工作量明显多了起来。在他看来，这是一种鸡贼的暗示，说白了就是“你用AI写代码我不管，但别让我看出来”。

冯少林所在公司规模不大，主营业务是给传统行业提供技术支持，行业竞争激烈，疫情之后技术人员已经砍掉了两三成。

冯少林和大多数技术同事，都在自费买token。他算的是另一本账：眼下他每月花大约100元买token，让AI帮他干一些“杂活”，这大概能分担四成的工作量。这笔钱不算多，但如果找公司报销，领导可能会认为他的工作被AI分担了一部分，涨薪的时候很可能就少涨了。同时，领导已经默认大家工作中会用AI，谁不自费买token，就会变成团队里效率最低的那个人，很有可能被裁员。

这也是冯少林结合公司的职场文化，总结出来的生存策略。老板是个喜欢把焦虑挂在嘴边的人，区块链来了担心区块链，元宇宙来了担心元宇宙，AI来了又担心AI。他既怕被时代落下，又不愿意真金白银地去尝试。所以公司上下对AI的态度，大家都心照不宣，“用可以，但不能拿到台面上说。”

最近半年，公司虽然没有直接裁撤技术员工，但只要现有员工能把活扛下来，就不会再招新人，一人多岗的情况已经出现了。冯少林预感到一些同事的未来命运，比如初级产品经理的工作，AI已经能替代不少，公司很可能会换一个高级产品经理来做门槛更高的工作。前端岗位暂时还在，但公司很可能找一个掌握前后端技术的全栈工程师来替换。

在冯少林看来，自己掏钱买token也算是一种自我投资。早学的人比晚学的人多占一点信息优势，在未来的筛选中更有机会留下来。但他也清楚，这个能力说到底就是个信息差，算不上真正的核心竞争力。

社交平台上，有人用一个黑色比喻形容这种心态：“自费买token，是自己买绳子，然后套在自己脖子上，不用人来拉，我自己就能跑得更快。”

程一巍在武汉做程序员，与多数同行不同，他明确反对公司发放token，因为“所有发token的公司几乎都关联了裁员”，这是他从新闻报道和同行的现实境遇中得出的结论。

程一巍工作中也用AI，每月自费买token的钱不超过200元。反对公司发放token，是他规避行业裁员趋势的一种考量。在他看来，眼下AI能够提高效率，但幅度有限，公司不可能白白承担AI的费用，最终只能从员工身上找补，要么降薪，要么裁员，提议公司发token的技术员工，无异于“亲手打开了裁员的潘多拉魔盒”。

前不久的新闻里，国内外不少互联网大厂因为员工token消耗过快，开始限制预算。在石健看来，这暴露出一个现实问题，算力开支增长太快，业务收入短期内根本跟不上。“老板是要算账的，当算力成本接近人力成本时，AI的‘性价比’就会打折扣，完全替代人力不现实。”

楚益是腾讯的前员工，目前在深圳做互联网创业。在他看来，大厂限制token用量的新闻，其实是一种被放大的焦虑。“在头部大厂，每月token额度用不完才是大多数人的常态，即便限额以后，对于大多数程序员也足够了。”

楚益判断，国内外的一些头部互联网公司，之所以开始限额，是因为token整体账单太贵，AI的产出又远远低于他们的预期，并非token单价太高。账单太贵的一个重要原因，是大公司里token的浪费和滥用。

“token消耗量更多是一种成本评估手段，并不代表真的用AI做了那么多事。”楚益说。

据楚益观察，盲目推崇海外模型在业内相当普遍，但海外大模型给企业的定价过高，而且国内采购的话，数据安全层面也会涉及合规问题，这可能也限制了企业的付费动力。事实上，目前国产和海外模型的差距越来越小，国产大模型Kimi K3的能力，与海外模型GPT-5.6 Sol、Claude Fable 5都在第一梯队。

AI能做什么？

程一巍认为，随着大模型的不断进化，AI写代码的能力确实在精进。但他强调，写代码在程序员的工作里只占很小一部分，更多时候要搞清楚“该写什么”和“为什么要写”。目前AI能替代的，是那些形成成熟方法论的基础、重复性的工作，比如从数千万条日志里查特定信息的流向。这一类工作属于“纯粹体力活”，AI几乎全都能代劳。这一点冯少林的观察与程一巍接近，AI能完成绝大多数基础、重复性的工作，但核心部分还是需要人。

程一巍还发现一个问题，教会AI去做一件事，有时候比自己动手还费劲。“为了教会AI而准备的文档和提示词，耗费的时间和精力，比自己写那几行代码还要多得多。”

在程一巍看来，AI的能力有清晰的天花板。“程序员自己的能力上限，决定了AI使用的上限。你自己没有能力做到的事情，就算用AI，能做到的也有限。” 楚益认为，AI提效如何，跟团队里主力工程师的水平和管理模式密切相关。

程一巍和冯少林、石健都有类似的感受，AI写代码确实快，但后续维护的压力远比以前大。以前自己一行一行敲出来的代码，每一段是什么自己心里有数，出了问题很快就能定位。现在AI一天产出的代码量可能是以前的十倍甚至更多，人工根本审不过来，后续出bug，程序员自己都找不见位置，代码不是自己写的，印象不深。尤其是给旧系统打补丁的时候，需要很强的架构能力来约束，否则很容易变成一堆没人敢动的“乱麻”。

在楚益看来，AI给程序员带来的压力，已经从“写代码”转移到了“集成、评审和QA”层面，打个比方，如果说AI写代码相当于在“切菜”，那现在程序员面对的就是堆成山的备菜，要做出更多宴席，还得负责尝出每道菜的水准，再端上桌。

“即使是最厉害的 AI ，也可能犯不可挽回的过错，这个非常吓人。” 楚益担心，目前整个行业对于AI的使用都在摸索阶段，如果处理不好这个问题，团队可能陷入“代码审核风暴”，主力工程师的大量时间被消耗在审核AI生成的代码上，反而没空做正事。

黎诗景也有相似的感受，“在外行人眼中，写代码可能是程序员最有含金量的能力，现在AI可以写代码，意味着替程序员分担了大量工作。事实上，写代码只能占程序员实际工作的30%。” AI接下这30%后，留给人的工作都是高度消耗脑力的，比如审核AI写的代码、拉通对齐。更麻烦的是，AI的效率太高，为了不让流程卡在自己手上，人的效率也要跟着提高。

另一重压力来自于需求市场。楚益在做金融科技方向的创业，他的客户分布在香港金融业，他发现不同客户对AI的期望也不一样，银行业非常保守谨慎，但券商等交易方对AI的态度很激进，甚至抱着不切实际的幻想，毕竟香港的人力成本更高，客户希望AI能替代的东西，比目前能做到的要多得多。“这个反而更麻烦”，楚益说。

人会被AI替代吗？

一部分岗位确实正在消失，AI进入工作场景前，石健的团队曾尝试过培养全栈程序员（前端后端都能兼顾），不过落地效果并不好，前后端协同复杂度太高。但现在有了AI，这个目标基本可以实现。

楚益的公司有大量的前端需求，他发现，在前端这块，AI对工具类的、不追求细节和太高稳定性的需求（比如公司内部用的数据报表页面）非常擅长，因为逻辑相对固定、样式不复杂。但对于面向普通用户的产品，比如小红书、微信，这些互联网产品涉及到大量精细的视觉调试和用户体验打磨，AI做不到那么细致。而对于“跨终端栈”的需求，比如同一个功能要同时开发网页、App、小程序，或苹果和安卓两个系统，AI能做的就更少了。

“可能会被淘汰的，是那些只会写代码、问题稍微难点就要主程兜底的码农。”楚益判断，程序员这个行当，未来对从业者的专业要求会更高，大家的成长和训练周期也会更长。黎诗景也这么看。

“我看到另一个趋势是入门开发者的处境变得更难。” 楚益说，现在毕业生的就业门槛，因为AI冲击，被抬高到“会业务 + 会 AI + 能判断”的“mini中高级工程师”。不过，因为严峻的就业形势倒逼，近年来很多计算机专业毕业生的能力，倒是比以前的入行者更加扎实。

楚益觉得，“AI取代程序员”这个说法有点危言耸听，中高级程序员应该是供不应求的，因为代码评审和兜底的需求在暴涨。

还有一个事实不容忽视，AI能解决技术问题，但解决不了人与人之间的问题，比如职场文化、组织惯性、大公司病。

黎诗景认为，程序员数量会减少，但不会被AI完全替代。一来AI的工作必须要人来承担责任，再者AI目前还无法与现实世界交互，人与人之间的沟通、确认和交流，AI无法胜任。

黎诗景指出了AI在实际工作中的局限性。在她看来，AI不够严谨，也不会通盘考虑问题。她遇到过两种问题：一种是AI对功能需求没理解透，却不主动澄清细节，最后在某个特殊条件下突然出bug；另一种是AI太理想化，默认外部接口都是好的，直接拿来用，最后出了问题，还得人类去扯皮。

石健在实际工作中发现，AI更适合处理独立的、确定性的小模块任务，对于绑定历史业务的复杂系统，AI 根本解决不了问题。像他的公司，内部系统还有大量历史数据，受各种现实问题约束，不能一股脑喂给AI，必须人工梳理、衔接上下游逻辑，再拆分成独立模块分配给AI。人是核心的中转协调角色。

最近美国的新闻报道，也印证了石健的判断。报道透露，越来越多部署Agent（能自主执行任务的AI助理，这里特指企业业务自动化Agent）的美国企业发现，Agent可以写代码、调用API，却没法理解一家企业多年积累的数据、权限和业务流程。

AI产业出现了一个颇具黑色幽默的转折，企业已经不太缺Agent，真正缺的是能替它梳理旧系统的人，在行业内这类人才被称为FDE前置部署工程师（核心职责是落地 AI 项目、梳理企业老旧的业务系统、对接客户需求，是 AI 时代新崛起的核心岗位）。根据猎头公司Christian & Timbers（C&T）的研究，目前美国真正具备这种能力的工程师大约只有2000人。2000人不是空缺岗位的数量，是符合要求的人才一共只有2000人。

更让黎诗景担心的是，AI的介入正在放大互联网行业的一个老毛病，即无效内卷。

在很多形式主义、官僚主义严重的互联网公司，一个项目上线了多少页面、多少功能，是最直观的绩效指标，直接跟升职加薪挂钩。这种评价体系往往导致的结果是，项目里堆满了无用的功能，真正符合用户需求的反而做不出来，还因为功能太多频繁出现线上事故。

“AI的到来让这个问题更严重了，AI最擅长的就是快速堆砌功能，正好迎合了这套评价体系。”黎诗景说。她担心的，就像前面几位从业者频繁强调的那样，AI生成的海量代码，人力根本没有时间和精力审核，只能硬着头皮往上推。风险击鼓传花，越积越多，未来可能形成无法预测的巨大风暴。而后续维护的程序员只能加班补窟窿，活越干越多，锅越背越重。

（文中人物采用化名）