先说结论
强制AI考核可能适得其反：多邻国曾尝试将AI使用纳入KPI，但发现员工会陷入“为用而用”的形式主义，最终取消该政策，回归到以工作成果为核心。
“热情驱动”比“指令驱动”更易出成果：公司内增长最快的课程由两名非编程背景的员工用AI工具独立开发，关键是他们有强烈意愿，并获得了“无工程师支持”的挑战性授权。
AI的效率提升存在明显天花板：在复杂旧代码库调试、需多人协同的环节以及内容质量批量控制上，AI不仅难言替代，甚至可能因调试困难而拖慢整体进度，大公司想靠AI实现十倍提效不现实。
从多邻国“取消AI考核”和“非程序员造爆款”这两个看似矛盾的操作切入，探讨在技术团队中推行AI工具时，自上而下的管理指令与自下而上的热情驱动，到底哪个更有效，以及其中真实的代价与边界。
一家公司高调宣布All in AI，股价飙升；然后它取消了员工的AI使用考核，股价暴跌了82%。这听起来像个失败的故事，对吧？但如果我告诉你，同期他们公司里两个不会编程的人，用AI做出了用户增长最快的产品，而且公司坚持零裁员，你会不会觉得这里面有些矛盾又值得琢磨的东西？
多邻国就这么做了。他们走过的弯路和取得的实效，给所有想用AI提效的技术团队，提供了一个去掉滤镜的观察样本。
从“必须用”到“取消考核”，发生了什么？
很多技术管理者可能都想过，甚至试过，把“使用AI工具”写进团队的绩效考核里。想法很直接：这是战略方向，必须落地。多邻国的管理层也这么干过。
结果呢？他们发现味道变了。员工开始困惑：我的核心价值是把事情做好，还是展示我用了AI？这很容易导致为了完成指标而生硬地使用AI，反而忽略了工具是否真的适用于当前场景。CEO路易斯在内部备忘录里承认了这个问题，随后取消了这项考核。
这个决定挺反直觉的。不考核，怎么保证大家用？怎么衡量投入产出比？
他们的做法是，把力气花在“降低体验门槛”和“营造分享氛围”上，而不是“施加压力”。比如，安排全员“vibe coding”体验日，让HR、财务同事也亲手尝试用自然语言生成代码或应用。这比任何宣贯都管用——恐惧和隔阂往往源于陌生。
更重要的是内部社区的构建。他们有几个关键的Slack频道：一个叫“AI最佳实践”，大家往里扔成功案例；另一个更珍贵，叫“AI翻车现场”，专门分享失败和踩坑的经历。后者尤其重要，它打破了AI“无所不能”的神话，让使用回归理性。分享文化一旦形成，学习效应就会在横向传播中自然发生，这比自上而下的指令更持久。
所以，如果按这个方向做，管理者的角色或许应该从“监考老师”转变为“工具布道师和氛围营造者”。先让大家玩起来，不怕用错，重点是从中找到能为自己工作流增效的那个“甜点”。
非程序员的六个月：热情驱动的生产力爆点
取消了硬性考核，但公司里最出彩的AI应用案例，恰恰来自“非正规军”。
多邻国的国际象棋课程，是其增长最快的非语言类课程。做出它的核心团队只有两个人，他们既不是国际象棋专家，也不是专业工程师。他们只是对这件事有热情，向CEO提出了想法。
最初这个想法被拒绝了，理由是和语言教育主业不符。但后来，CEO因为一次外部交流改变了看法，给了他们一个极具挑战性的授权：“可以做，但没有工程师资源给你们，自己想办法。”
于是，两个有一点技术基础（懂基本概念但不会熟练编码）的员工，开始了六个月的“vibe coding”之旅。他们下载了Cursor这类AI编程编辑器，从自学象棋规则开始，到爬取公开棋局数据库训练AI生成更好的谜题，一步步做出了可交互的移动端原型。
这个案例几乎包含了“用AI创造新产品”的所有关键要素：
- 强烈的内在驱动：想法来自他们自己，不是为了完成某个KPI。
- 明确且受约束的授权：“可以做，但没额外资源”，这反而逼出了创造力，而不是依赖传统研发流程。
- 合适的工具与学习路径：他们从自己需要学习的领域（象棋）切入，用AI工具边学边建，解决了“冷启动”问题。
- 接受“不完美”的起点：第一个原型质量不高，但他们用外部数据迭代，而不是死磕AI本身的生成能力。
这对于技术团队是个重要提醒：下一个创新点，可能不在你的资深工程师手里，而在某个会用新工具表达想法的产品经理、运营甚至设计师那里。问题在于，你的团队文化是否允许、甚至鼓励这种“越界”尝试，并能为他们扫清最初的障碍？
AI提效：光环之下，满是沟壑
多邻国的故事如果只讲到上面，就成了又一个“AI赋能”的爽文。但CEO路易斯在访谈中花了大量时间谈论AI的“不行”，这部分对技术决策者可能更有价值。
最典型的例子在编程上。前两年舆论炒得火热，仿佛AI马上能让工程师效率提升十倍、岗位消失。路易斯的观察是，回到公司实际，工程团队的效率并没有出现如此夸张的飞跃。
原因在于复杂现实。让AI生成一段绿野代码或一个小函数，可能很快。但一旦将它接入现有的、庞杂的代码库，问题就来了。AI生成的代码可能运行失败，而由于其决策过程是个“黑箱”，调试和排查原因所耗费的心力，常常远超它节省的时间。这对于维护大型遗留系统的团队来说，感受会尤其深刻。
在内容生成方面也一样。AI写一个精彩的故事demo很容易，但当你需要它批量生成100个故事，并要求质量稳定时，大概只有30%能直接使用，剩下的70%需要人工审核、修正。这意味着，AI并没有消灭审核岗位，而是改变了其工作性质——从创作变成了编辑与品控。
所以，路易斯直言，他不认为有任何大公司能靠AI实现整体十倍效率提升。真正的十倍提升可能发生在单人团队或初创公司，因为他们没有历史包袱，决策链路短，可以用AI快速搭建从0到1的东西。但对于一个需要大量协同、维护复杂系统的大团队，AI是优秀的辅助和局部加速器，但不是颠覆性的“效率革命”。
这个判断很关键。它帮你设定合理的预期：引入AI工具的目标，不应该是激进地规划减员或指望效率直线飙升，而是将其视为一种新的、需要学习驾驭的“原材料”或“副驾驶”，用以解决特定场景的问题，比如快速原型、数据调研、生成初版文档或处理标准化任务。
“零裁员”与股价暴跌：选择与代价
在多邻国股价暴跌82%的背后，是一个主动的战略选择：降低商业化变现强度，以换取用户规模的更大增长。他们预见到了这会惹怒投资人，但还是做了。这与他们“不因AI裁员”的理念一脉相承。
路易斯戳穿了一个流行的说法：很多公司所谓的“AI裁员”，本质是疫情阶段过度招聘后的结构调整，AI只是一个顺理成章的“公关借口”。在多邻国，他们的逻辑是，既然AI能提升单个员工的生产力，那么每多雇一个高效员工，投资的回报率其实是更高的。
当然，这很理想主义，也依赖于公司拥有像多邻国这样健康的现金流和用户基本盘。并非所有公司都能承受这样的长期主义策略。但它指出了一个核心：AI是工具，工具的价值在于让人做更有价值的事，而不是简单地让人消失。
对于技术团队管理者，这里的启示在于人员规划。与其焦虑AI会取代谁，不如思考：哪些重复、繁琐的“苦力活”可以被AI接管，从而让你的团队成员能腾出精力，去做更需要创造力、沟通和复杂判断的工作？招聘时，评估的重点也可能从“掌握某特定技能”转向“学习和运用新工具（包括AI）解决问题的能力”。
给我们什么启示？跳出“硅谷视角”
最后，多邻国的故事里有一个容易被忽略但极其重要的点：跳出硅谷（或任何一个技术圈层）的思维惯性。
路易斯提到，很多硅谷投资人曾认为语言学习是小众市场，未来会萎缩，而编程才是大势所趋。但全球数据是：约20亿人学语言，其中18亿在学英语；而学编程的人，大约只有2000万。这是一个数量级的差异。
这提醒我们，在技术圈里待久了，容易陷入信息茧房，把身边的热点当作世界的全部。当你思考AI落地场景时，不妨也看看“沉默的大多数”真实、朴素且规模巨大的需求是什么。也许下一个机会，不在最酷的AIGC应用，而在用AI改造某个传统、甚至显得“不够性感”的领域，比如教育、农业或本地服务。
多邻国的路，是一条务实的路径：鼓励而非强制，正视局限而非盲目乐观，关注人的热情与成长而非单纯替代。这条路不一定能复制，尤其在资本压力巨大的环境里。但它至少证明了，在AI落地的狂飙中，还存在另一种速度与温度。
它是否适用于你的团队？取决于你对“效率”的定义，是短期的报表数字，还是长期激发出的、无法被KPI衡量的创新潜力。
最后留一个讨论点
如果你的团队要推行AI工具提升效率，你认为更有效的方式是：A）设定明确的AI使用KPI和培训计划，自上而下推动；B）提供工具和资源，鼓励自发探索并分享案例，自下而上生长？
