本文来自微信公众号： RUC新闻坊 ，作者：人大新闻系
最近，几张关于“员工离职后，被公司用AI克隆接替工作”的聊天截图在社交网络上持续流传。据称，只需将员工的工作周报、聊天记录和代码库喂给模型，公司便能生成一个带有该员工说话习惯的AI Agent，全天候留守工位。消息传开后，评论区情绪明显分化——有人将信将疑，有人讨论劳动合同该不该加专门条款，更多的人陷入一种难以名状的不安：如果一份工作的本质真的只是可被提取、打包、复制的数据，那“我”还剩下什么？
这促使我们想验证一件事：把一个具体的人压缩成一个可调用的.skill文件，技术门槛究竟在哪里？这种焦虑，究竟有多少成分是真实的技术威胁，又有多少只是一种被放大的叙事？
带着这两个问题，我们展开了一次针对“AI蒸馏打工人”的田野调查。
第一步是数据采集，从协作软件、邮件系统、代码托管平台中抓取员工留下的历史痕迹；第二步是模型构建，将这些内容编码为AI可读的.skill文件结构，不仅封装技能流程，还要尝试学习该员工的沟通风格与决策倾向；第三步是验证部署，将数字“分身”接入实际的工作流中进行测试。
理论上，整个流程并不复杂：从协作软件、邮件系统、代码托管平台抓取员工历史痕迹，将其编码为AI可读的.skill文件，再将数字“分身”接入实际工作流测试。在视频平台和技术社区里，有人将这套方法称为“蒸馏”，配上教程，讨论热度颇高。
然而，当我们走访了相关从业者并亲自尝试还原流程后，结论与预期相差甚远。
“Skill本质还是Prompt工程的延伸”，负责团队AI化转型的产品经理小万告诉我们，“它把一个人的思维链、操作习惯打包成压缩文件，交给AI沿固定模式去跑。它并没有让AI真正学会一个人是怎么思考的。这更像是一个演示，而不是产品。”
测试印证了这一判断：蒸馏出的Skill能复述部分SOP、用相似语气回复消息，但一旦遭遇真实场景，问题便接连暴露——面对跨部门的模糊需求，它只会反复调用旧文档；遭遇突发状况时，它的处理路径看起来完整，却在关键节点产生“幻觉”，把错误判断说得煞有介事。
根本原因在于一个知识管理领域讨论已久的区分：显性知识与隐性知识。写在文档里的流程规范、代码注释里的开发逻辑，这些“说明书”式的显性知识是蒸馏技术能处理的对象。但支撑熟练员工解决复杂问题的，更多是隐性知识——对客户偏好的细腻感知、跨部门协作积累的信任、“这个需求背后还有另一层考量”的直觉。哲学家波兰尼说过：“我们知道的，总是比我们能说出的多。”[1]这个结构性缺口，目前没有技术路径可以绕过。
德雷福斯兄弟的技能获取五阶段模型也指向同一结论：新手依赖规则，专家的判断已内化为直觉，发生在意识表达之前，连本人也难以完整解释。AI能复制的，是前几个阶段的规则与流程；真正的专家经验，恰恰是那些无法被规则化的部分[2]。
既然技术层面存在如此明显的局限，为什么企业“蒸馏”员工的传闻还是能持续引发焦虑？一个不可忽视的背景是：资本对降本的渴望是真实的，即使具体的技术路径尚不成熟。
单看账面测算，依靠AI承接岗位工作，看似可以大幅度缩减用工开销。美国科技巨头Meta、国内互联网大厂阿里的落地动作，也印证了企业看中这套降本逻辑：2026年Meta拿出上千亿资金投入AI基建[3]，同步裁撤上万名员工；阿里自研内部AI工具秒悟，已有上万财务、设计、运营员工投入使用[4]。
但好看的成本预估，漏掉了落地过程里各式各样的隐性成本。根据2025年哈佛商业评论联合斯坦福等机构的调研数据，有41%的职场从业者，平均每次要花近两小时修正漏洞百出的AI产出内容，这类无效返工成本，让不少尝试提取员工工作能力（也就是网络热议的“蒸馏打工人”）的企业被迫终止项目[5]。
极昼相关报道里提到，有家制造企业单单搭建一套可用的业务知识库，就耗费了三四个月，再加上市面业务随时迭代变化，知识库还要不间断跟进更新[6]。即便成功提炼出贴合业务的AI技能模板，也需要企业完善配套的智能化体系，企业整体AI改造进度跟不上，整理好的技能也没办法真正投入运转。
还有一项容易被企业刻意淡化的支出，就是人工监督成本。参照美国科技巨头Meta内部MCI项目的设计思路，AI包揽重复机械化工作，人类员工留存下来负责审核与优化。AI仅能处理规则明确的标准化工作，涉及自主研判、对外沟通协调的非标准化事务，始终离不开人工把关。因此AI没法完整取代一个岗位，原本拆分出去的简单工作交给智能体后，剩下全部校验、改错的工作，都会变成现有在岗人员的额外负担。
即便技术尚不成熟，蒸馏触发的现实问题已经足够具体。
从输入侧看，聊天记录、工作文档等原材料往往包含大量个人信息。《个人信息保护法》要求处理个人信息须取得同意、遵循最小必要原则，但哪些数据可以被合规采集、哪些已经越界，目前仍无明确标准。输出侧同样如此——蒸馏会将一个人的语言风格、决策倾向、价值观念逐一固化并开放为可调用工具。我们分析了GitHub上星标量最多的5个人格蒸馏Skill，整理出140项分析维度，涵盖口头禅习惯、风险厌恶程度、心智模型等[7]。这种对人格的结构化拆解，在尚未造成实质伤害之前是否已构成侵权，法律尚无答案。
责任归属同样悬而未决。若蒸馏自离职员工的AI在工作中引发事故，开发者、使用者、还是那个毫不知情的“原型”，谁来担责？现有法律以“行为实施”为基础，而蒸馏场景中，一个人可能因自己从未参与的决策被牵连。当人的能力被转化为可复制的数字资产，现有法律与伦理框架尚未跟上。
小万的实践提供了一个更务实的参照。他在同事的电脑上进行蒸馏Skill的操作，在同事见证下规避数据泄露的风险，同时只将同事身上某一项具体的、可复用的能力提取出来，做成一个独立的Skill，命名为“某某同事的Skill”、“某氏Skill”——相当于给予贡献者冠名权，尊重其劳动成果。
这一调整带来了实际成效。小万所在的部门有一位工作经验超过十年的员工，此前恰好在对口机构工作过，形成了一套高度成熟的对外沟通与数据分析的思维体系。小万将这套思维方式固化为一个Skill。以往，向合作方提供一份数据分析报告，从数据挖掘、分析到制作材料，需要两到三天时间。在这一Skill的辅助下，不计入数据合规流程的时间，只需约15分钟即可生成一份可以直接对外展示的完整报告。
值得注意的是，小万也尝试蒸馏过他自己。他将日常工作中那些重复性、标准化的内容——取数、跑数、按模板输出分析报告——打包成一个以自己名字命名的Skill，供团队调用。
“大家只用调用它，就可以获得平时跟我沟通能得到的简要数据，拿去用就好，不要来打扰我了。”他因此能够腾出精力，专注于那些需要深入下钻和探究的工作。在他看来，这类SOP化的重复劳动对个人成长和公司价值都没有正向贡献，Skill将其简化掉，是一种合理的选择。
他也点出了这之中隐含的问题：“现在AI最大的幻觉，不是AI本身有幻觉，是‘老板’对AI产生了幻觉，觉得AI好用的人觉得它过于好用，而一部分抵触AI的人，又认为AI过于不好用。真正把AI投入工作，真正把它用好的人。整体仍在一个少数。”
“蒸馏”叙事之所以引发共鸣，是因为触碰了一个更深的不安：在强调效率与可替换性的工作环境里，一个人积累的经验与判断，究竟算不算真正难以被取代的东西？
至少在当前技术条件下，答案是肯定的。小万说：“AI没有办法抢走的，是你对业务的理解，这是我们所有人在处理工作上最有价值的事情。”
真正需要警惕的，或许不是AI对个体的模仿，而是那些本就重复、规则清晰的工作，正以更安静的方式被替代——那个过程，并不需要蒸馏。
（文中小万为化名，感谢受访者对本次调研的支持。）
参考文献：
[1]迈克尔·波兰尼.《个人知识：朝向后批判哲学》[M].上海人民出版社:上海,2021:95.
[2]DREYFUS H L,DREYFUS S E.Mind Over Machine:The Power of Human Intuition and Expertise in the Era of the Computer[M].New York:Free Press,1986.
[3]The week that Meta employees became training data
https://www.platformer.news/meta-mci-monitoring-layoffs-knowledge-work/
[4]陈杨园.(2026年4月17日）.从阿里“秒悟”看大厂AI入口之战：争的是普通人的Token消耗.第一财经.https://news.qq.com/rain/a/20260417A02HCZ00
[5]谷雨.(2026年5月22日）.同事.skill之后：谁在真正“蒸馏”打工人？.青年志Youthology.https://news.qq.com/rain/a/20260522A04K8G00
[6]吕煦宬.(2026年5月12日）.按要求「蒸馏」自己后，他们被裁了.极昼工作室.https://mp.weixin.qq.com/s/px-A1Z6at3AtDGJSCHieIA
[7]https://github.com/titanwings/colleague-skill