文 | 字母 AI

甲骨文凌晨突发裁员，不是愚人节玩笑。

据 CNBC 证实，甲骨文（Oracle）已经启动新一轮裁员，涉及数千名员工。

同一时间，它正在砸下数百亿美元，建设 AI 基础设施。

多家行业媒体披露，甲骨文计划将年度资本支出提升至约 500 亿美元规模，主要用于数据中心与 AI 基础设施建设。

这一投入已经开始侵蚀公司的现金流：TheStreet 数据显示，甲骨文自由现金流从 2024 年的约 118 亿美元转为负值，并预计在 2026 年达到 -230 亿美元。此外，甲骨文今年股价下跌约 25%，跌幅超过所有科技巨头。

一边是持续扩张的 AI 投资，一边是裁员与成本控制，这种组合在传统软件公司中并不常见，却正在成为 AI 时代 infra（基础设施）公司的典型状态。

如果你在一家做基础设施的公司，现在可能应该警惕：AI 越火，你越可能被 " 优化 "。

甲骨文，只是最新一个例子。

甲骨文裁员并非孤例

类似的事情，正在整个 AI 基础设施链条上发生。

在 2025 年至 2026 年间，多家处在这个链条中的公司先后宣布大规模裁员：

英特尔在 2025 年宣布裁员约 2.5 万人，作为其制造与成本结构调整的一部分；

亚马逊在 2026 年初裁员约 1.6 万人；

微软在 2025 年中期裁员约 9000 人；

Block 在 2026 年初裁员超 4000 人。

这些企业分布在不同细分领域，包括半导体、云计算、企业软件以及支付基础设施，它们的裁员当然各有具体原因，但同样存在一个清晰的共性：它们都在给 AI" 打下手 "。

这些公司并非 AI 浪潮的边缘参与者，相反，它们是最早承接 AI 需求增长的一批企业。例如云厂商承接模型推理负载，芯片厂商提供算力支撑，企业软件公司则承担数据与流程的管理功能。随着 AI 需求增长，它们普遍获得了更多的订单与更高的使用量——换句话说，他们靠 AI" 赚了不少钱 "。

但压力也随之而来，订单的增长和成本结构的变化同时出现。

和传统软件的轻资产逻辑不同，AI 基础设施建设具有明显的重资产属性：数据中心的建设周期长、资本密集度高，GPU 等核心硬件的采购价格持续处于高位。一张高端算力卡价格可以达到数万美元，而大规模训练或推理部署通常需要成千上万张。

一座 AI 数据中心的成本，已经不再是 " 几亿美元 " 的问题，而是动辄数十亿、甚至百亿美元的投入。

资本开支的急剧上升迫使这些 infra 公司在财务结构中寻找新的平衡点，在 AI 投资面前，人，成为了最容易被调整的成本。

一个简单而直接的选择开始出现：

用人力成本，去换算力成本。

AI 红利正在 " 重新分配 "

要理解这一变化，需要回到 AI 产业的价值结构。

过去的软件行业中，价值往往分散在多个层级：包括应用层、平台层、中间件以及底层基础设施。每一层都可以通过差异化能力获得一定程度的定价权。

但在当前的 AI 周期中，这种分布正在逐渐集中。AI 时代的价值，可以围绕 token 粗暴地归类为两种：一种是生成能力，即模型本身能够产出 token 的能力；另一种是消耗能力，即用户在推理阶段持续产生的 token 使用量。

用最通俗的话来讲就是：AI 的红利，正在集中在模型和 token 上。

掌握模型能力的公司，例如 OpenAI、Google DeepMind 和 Anthropic，能够直接定义产品形态与价格结构；拥有大规模用户入口的平台，则可以通过 token 消耗实现持续收入。

传统基础设施环节依然重要，但它们越来越像 " 电力 " 和 " 带宽 "，必不可少，但难以决定价格。

一个逐渐清晰的规律开始显现：越接近 token 生成与消耗的环节，利润空间越高；距离这一核心越远，竞争越趋向于成本压缩。

换句话说，在 AI 浪潮中，掌握了 token 就掌握了定价权；远离 token，就只能卷成本。

对于大多数 infra 公司来说，它们既不掌握模型能力，也不掌握用户入口。它们承担的是 " 支持系统 " 的角色，像是存储数据、调度资源、提供运行环境或构建工具链。

当技术从非标准走向标准化，再从标准化走向自动化，人力需求就会自然下降。

在技术尚未成熟的阶段，大量工程师与运维人员是必要的，因为系统复杂且缺乏标准化；但随着模型能力提升、自动化工具普及以及平台能力增强，原本需要人工完成的工作就开始被系统替代。

在这种背景下，当公司既要降成本，又要提效率时，裁人几乎是必然选项——毕竟人是持续成本，算力是前期投入。一旦系统稳定运行，人力规模就会被重新评估。

在技术周期早期疯狂招人，技术成熟以后大批裁人，几乎成为了 infra 公司的宿命

这一过程并非 AI 时代独有：在云计算早期，企业同样经历过从快速扩张到效率优化的转变。但 AI 的发展节奏明显更快。

模型能力、工具生态和硬件能力在短时间内的同步演进，直接压缩了效率提升的进程。云计算大约用十年时间完成标准化与规模化，而 AI 可能只需要三年。

另一种选择正在出现

对那些正在大规模投入 AI 的 infra 公司来说，把一部分人力替换成算力，看似冷血，却也是一种能说得通的选择。

但把目光放得更大一些，岗位并未整体消失，而是在不同层级之间迁移。

在过去几年里，大量岗位围绕基础设施展开，包括系统维护、数据处理、流程管理以及工具开发。随着 AI 的加入，这些工作里有一部分开始被自动化替代。

与此同时，直接参与模型开发、应用构建或产品创新的岗位，需求正在不断增加。

在这种变化下，一部分从业者面临不确定性，而另一部分企业却看到了机会，准备 " 捡漏 "。

例如 WHOOP，一家专注于健康与可穿戴设备的公司，正在逆势扩张团队规模，计划招聘约 600 人。

WHOOP 的 CEO Ahmed 直说："目前可能是历史上最优秀的人才市场之一，许多优秀的人才目前处于待业状态，或者在那些不断谈论他们将被 AI 取代的公司中工作。"

" 优秀的团队会利用优秀的工具打造伟大的产品。我们在健康、健身、平衡和医疗功能方面看到了巨大的机会海洋。与其说‘哦，我们如何在未来 12 个月内变得如此高效’，我们是在说‘我们如何将 3 到 5 年的研究路线图缩短至 12 到 24 个月’。所以，这让我们变得更加雄心勃勃，我认为这正是此刻最令人兴奋的地方。"

这种判断，和正在裁员的 infra 公司，属于两套完全不同的思路。

对于那些以产品和应用为核心的公司来说，AI 不是用来省钱（虽然也有），而是用来提效的：它能让同一支团队，在更短的时间里，做出原本要几年才能完成的东西，从而更快推出产品、不断迭代。

在这种情况下，人的作用并没有被替代，反而被 AI 放大——同样的人，可以做出更多、更快、更复杂的事情。

所以你会看到，AI 在不同的思路下，带来的结果也截然不同：对于一部分公司而言，AI 意味着降低成本、提升效率；对于另一部分公司而言，它意味着加速创新与扩展边界。

对从业者来说，这种变化同样具有现实影响。

在 AI 体系中，工作可以大致分为三类：直接创造内容与能力（模型、算法、agent）；放大与应用能力（产品、应用层）；提供支持与基础设施（系统、工具、运维）。

随着 AI 能力的增强，第三类工作的可替代性正在提高，这并不意味着这些岗位没有价值，只是它们的价值更难转化为溢价。

对从业者而言，关键问题不再局限于技术本身，而在于所处的产业位置——决定你稳定性的，不是能力，而是你离 AI 的价值核心有多近。

岗位与价值创造之间的距离，将直接影响稳定性与发展空间。

当技术周期加速推进，组织结构与岗位结构也随之变化。裁员与招聘同时发生，成为同一时代的两种侧面。

面对 "AI 会不会取代人力 " 的问题，我们不妨想一想：这家公司究竟是在用 AI 省钱，还是在用 AI 赚钱。

AI 不会直接决定你会不会被取代，但它会决定，你所在的位置，是否还值得被保留。