ClickUp裁员22% 百万年薪疯抢AI原生人才

同一周，ClickUp 裁员 22%，同时宣布开出 100 万美元年薪的薪酬区间，专门用来吸引一种被称为「AI 原生」的人才。紧接着，Wix、Webflow、Meta 也做出了类似的调整。

在 Vellum AI 工作的 Anita Kirkovska 提出了一个值得我们认真思考的问题：在这波组织结构调整中，什么样的人会被踢出局，什么样的人会被高价留下？她的答案并非「会用 AI 工具的人」——这个群体比你想象中大得多，但真正的「AI 原生人才」却少得多。这篇文章清晰地区分了两者，并给出了一个具体的方法论。

正在发生的组织重构

Anita 引用了一篇名为《智识诅咒》（Intelligence Curse）的研究，其中总结了企业在 AI 冲击下应对劳动力的三种方式：第一，什么也不做，靠惯性硬撑；第二，裁掉大多数基础岗位和白领岗位，以最大化 AI 收益；第三，冻结所有新招聘，直到看清方向。她观察到的现实是，第二种方式正在加速发生。ClickUp 的 CEO 公告背后，动机很明确：释放预算，投入 AI 基础设施和高杠杆人才；用最快的速度吸引市场上最优秀的 Agent 原生人才——100 万的薪酬档位就是为此而生；以及，成为这个垂直领域里第一家通过 AI 重组实现爆发式增长的公司。

被解雇的，不只是那些效率低下的人。更多被裁的，是那些「人来做这件事的边际成本比 AI 高太多」的岗位。基础岗位和白领岗位，正是这两类岗位最集中的地方。ClickUp CEO 说过一句话：「在这个现实里，要么被 AI 取代，要么成为管理 AI 的人。」这句话被重复了太多次，但当它和 22% 的裁员数字放在一起时，就不再只是一句空洞的口号了。

你以为的 AI 原生，和真正的 AI 原生

多数人觉得自己算得上是「AI 原生」，因为他们每天都在使用 AI 工具。Anita 指出，这是一个普遍存在的误判，而且当裁员真正来临时，这种误判会非常危险。

她列出了三条典型的「假信号」：第一，「会提示词工程」——这个技能的门槛已经降得很低，根本构不成壁垒；第二，「熟悉 ChatGPT」——借用她的原话，「我妈也会用，这有什么了不起？」；第三，「每天使用 AI 工具」——那么，你能证明因为用了 AI，你变得更高产了吗？拿数字出来看看。这三条描述的本质是同一件事：你的标签页变多了，但工作方式没变。用 ChatGPT 起草文字，手动复制粘贴到文档，再用另一个工具总结，再粘贴到 Slack，再开一个工具做研究……最后，你打开了七个 AI 产品，完成了和以前一样多的工作，却花了更多精力来协调这些工具之间的信息传递。她把这种状态称为"Brain Fry"：工作更多，收获更少，精神更疲惫。讽刺的是，很多团队现在的 AI 使用方式，正在把人往这个方向推。工具多不等于系统，这是她整篇文章的核心前提。

真正的 AI 原生有什么

Anita 给出了四个可以验证的判断信号，它们不是「我感觉我挺 AI 原生的」这类主观说法。

第一，你能展示一套正在运行的 Agent 配置——比如 Claude Code 或 Codex 的设置、Cursor 的工作环境、你的 Agent 工作流架构图。不是「我用过」，而是「这是我现在实际跑着的东西，你可以现场看」。第二，你能在实时情境里展示判断力：把一个 AI 的输出直接放在你面前，你能否在 30 秒内指出哪里需要调整、为什么。这考验的是你对「好的结果长什么样」有没有清晰的内化标准。第三，你能说出三件你停止让 AI 做的事，以及原因。这说明你清楚 AI 在哪里可靠、在哪里不可靠，有能力为它划定边界，而不是把所有事情都丢进去碰运气。第四，你有一个 skill.md 文件的清单，你的 Agent 正在用这些文件完成你的重复性工作。这是最硬的信号——它说明你不仅仅是在用 AI，你正在教 AI 干你的具体活儿。这也是 Anita 接下来整套方法论的核心。

skill.md 是什么

一个 skill.md 文件，就是一个写给 AI Agent 的 Markdown 文档，用来告诉它「这件具体的任务应该怎么完成」。

它不是 prompt，也不是系统指令，而更像一本给 Agent 看的「工作手册」。里面包含了任务的定义、完成标准、你对「好的结果」的具体描述、哪些做法你明确不允许、哪些格式或语气你有偏好，以及 Agent 在遇到边界情况时应该如何决策。举个例子，如果你的任务是每周写一份竞品分析报告，你的 skill.md 可能包含：「报告的固定结构是什么」「哪几家公司必须出现」「我最看重哪几个维度」「如果某个竞品没有最新消息应该怎么处理」「摘要部分不超过 200 字」，等等。这些规则不在模型里，不在 prompt 里，而在你的这个文件里，每次任务执行时都会被带入。

Anita 的框架建立在一个前提上：你没法等着公司来给你建好这套系统，再把杠杆递到你手上。你必须自己建，自己验证，在组织重构开始之前，先把自己变成那个无可取代的人。

怎么开始建你的第一个 skill

Anita 给出的起点很清晰：从一件你已经经常做的事情开始。比如每周的竞品报告、内容 brief、客户跟进邮件、CRM 清理、提案撰写……选一件满足两个条件的任务：你已经内化了「好的结果长什么样」，并且它的重复性足够高，不应该每次都完全依赖你从头思考。

为什么要选你已经知道好结果是什么的任务？很简单，如果你自己都不清楚什么叫「好」，你就无法评价 Agent 的输出是否合格，也就无法给出有意义的反馈来改进它。这件事是整个循环的前提。然后，选择你的 Agent。她将选项分为两类：直接借用现有平台上的 Agent（如 Claude Cowork、Codex 这类），或是自己建立并拥有一个 Agent（如 Vellum 等需要自行配置的平台）。两类都可行，区别在于，后者能让你随时间持续优化你的 skill 文件，并且那套系统是真正属于你的，不会因为换平台就一切归零。最后，动手写你的第一个 skill.md 文件。不需要完美，但需要诚实地把「这个任务应该怎么做、什么样的结果才算对、我个人有哪些偏好」写进去。

最重要的原则：第一版必须自己写

她在这里特意强调了：skill 的第一版，必须由你亲自手写，不能交给 AI 代劳。原因很清晰：你才是那个拥有领域专业知识的人。如果你把「写 skill」这件事也交给 AI，你得到的会是一个通用、没有你真实判断的文档。AI 不知道你认为什么样的竞品分析才算有价值，不知道你对某种语气风格的具体厌恶，也不知道你从事这项任务十年所积累的那些隐性标准。它只能靠猜。基于一个「AI 猜出来的 skill」产出的工作，同样也是通用、缺乏你个人判断的。你花了时间和精力，但没有建立任何真正属于你的东西。这种情况会把"Brain Fry"推向更深的层次，因为现在连你的「自动化」都是通用的。当然，对于技术型任务，AI 可以帮助补充 API 规范、CLI 命令这类技术细节——这部分它确实比你快。但所有的规则、偏好、判断边界，必须由你亲手定义。第一次 Agent 的输出大概率不会很好，这在意料之中。目标不是第一次就完美，而是让 Agent 犯错，然后从错误中校准。你在这个阶段的参与度是最高的——检查输出、改进 skill、给出具体反馈。这些反馈，是整套系统里价值密度最高的输入。

完整公式

她把整个流程浓缩成了一个九步循环：选一个好的 Agent → 找一件重复性任务（你已经内化了「好结果长什么样」）→ 写 skill.md 文件 → 把 skill 交给 Agent → 让它做工作 → 审查输出并给反馈 → 让 Agent 改进 skill → 重复到你可以真正信任它为止 → 移到下一个任务。这个循环的核心逻辑是：你拥有领域知识，你把这个知识「教」给你的个人 AI。一个有良好记忆和学习能力的 Agent，应该能从每次互动中学习你的偏好和标准，随时间变得越来越能准确完成你的具体任务，而不是每次都从通用水平开始。当一件任务被处理到「可信任」的程度，你就可以将注意力完全从它身上移走，转而处理下一件。随着这个循环的重复，你的 Agent 系统会越来越像你的「第二个工作自我」——处理那些重复性高价值工作，从而解放你去做那些真正需要判断力和创造力的部分。到那时，你所拥有的，是市场上很多人还没开始思考该如何构建的东西：不是「会用 AI」，而是一套经过反复调教、深度反映你个人判断和偏好、持续为你产出的 Agent 系统。这，才是 ClickUp 那些百万年薪岗位真正寻找的。

对我们意味着什么

ClickUp 和 Wix 的这波裁员主要发生在美国，但「AI 重构组织」这件事不会止步于美国。这是成本逻辑，而成本逻辑没有地理边界，也不在乎行业。它唯一需要的条件是：AI 能将某类工作做到「足够好」的水平，而这个门槛在过去 18 个月里一直在向上移动。思考这个问题时，最难的部分或许不是「要不要建 skill.md」，而是「接受自己的工作方式需要被外化和系统化」这件事本身。我们早已习惯知识存于脑海、流程在经验里、「品味」在直觉中。要把这些东西写出来、教给一个 Agent，确实需要克服一种惰性。但 Anita 有句话说得很好：「大多数人太懒了，不愿意在自己的工作上认真建一套 AI 系统。」这里说的「懒」不是贬义，而是说这件事存在真实门槛。门槛存在，就意味着跨过去是有价值的。如果你现在使用 AI 工具的方式依旧是「随用随问」，没有任何系统化的记忆和流程沉淀，那么这篇文章里提出的那三个问题值得认真追问自己：你能展示你的 Agent 配置吗？你有 skill.md 文件吗？你能说出三件你停止让 AI 做的事吗？如果三个都答不上来，那可能不是你不够努力，而是你还没有真正开始。这件事的好处在于：门槛是真实的，意味着跨过去就有价值。很多人不会去做，因为它需要时间、需要系统思考、需要把你脑子里的隐性知识外化出来。但也正因为如此，做了的人和没做的人之间的差距，会随时间持续拉大。你不需要是工程师，也不需要等公司给你这套工具。从今天手头的一件任务开始，先写你的第一个 skill.md，安静地把它建起来就好。

来源：互联网