一句话看懂：AI 初创公司 Valon 出台新规，要求大部分新员工在入职初期禁用 AI 工具，靠自己完成基础工作以建立业务判断力。这家公司为此预计每年节省上千万美元 token 成本，也反映出“AI 生成内容泛滥”正在倒逼企业重新设计用人流程。
事件核心：发生了什么
总部位于纽约的抵押贷款服务软件公司 Valon 最近推行了一项新政策：除工程师外，几乎所有新员工（包括高级职位）在入职初期都不得使用 AI 工具，直到直属经理确认他们有能力识别 AI 输出的错误为止。Valon 联合创始人兼 CEO Andrew Wang 表示，这项政策是在上个月公司全面开放 AI 权限后出台的。他发现员工即使处理简单任务也会调用最贵的模型，不仅成本高，还让新人失去了理解业务底层逻辑的机会。在内部调查中，员工解释自己依赖 AI 的原因是“它几乎总是对的”——这正是 Wang 担心的问题：团队正逐渐丧失质疑 AI 输出的能力。
Valon 目前拥有约 320 名员工，专门为抵押贷款服务行业开发 AI Agent 驱动的软件。公司上一轮估值约为 17.5 亿美元，累计融资 2.75 亿美元，投资方包括 Andreessen Horowitz、WestCap 等机构。据 Wang 估计，这项新规将使公司全年 token 支出从原先的 1500 万至 2000 万美元缩减到 400 万至 500 万美元区间。
为什么重要
Valon 的案例折射出 AI 在企业落地中的一个深层矛盾：模型能力越强，使用门槛越低，员工的学习曲线反而被拉平甚至打断。Wang 对媒体表示，资深员工此前不得不频繁清理新人提交的“AI 垃圾内容”（AI-generated slop），这让他意识到，缺乏业务判断力的人使用 AI 工具，本质上是把验证成本转嫁给了团队。
这一现象并非个案。2025 年 9 月 BetterUp 与斯坦福社交媒体实验室联合开展的一项调查显示，在 1150 名美国全职办公室员工中，40% 的人在过去一个月里收到过由 AI 生成的同事交付物，而处理每一份这类内容平均要花费近两个小时。德语区软件工程师 Niklas Gruhn 甚至为此造了一个专有名词“meat proxies”，用来指代那些不加验证就转发 AI 输出结果的人。
对企业来说，Valon 的做法提供了一条不同于“禁止 AI”或“全盘放开”的中间路线：按角色、按成熟度分层授予 AI 使用权限。这种“先学走路再学跑”的思路，可能在后续成为知识密集型行业的人才管理参考。
对用户/开发者/创作者的影响
对普通职场用户而言，Valon 的案例提出的实际问题是：你是否具备判断 AI 输出对错的能力？如果答案是否定的，那么 AI 提升的只是表面效率，而不是真正的生产力。对于依赖 AI API 做应用的开发者，这件事带来的信号是：高质量模型调用不等于无限使用，token 成本控制正在成为企业级产品的核心指标之一——Valon 的年化 token 支出从最高 2000 万美元大幅收缩，说明“按任务复杂度选择模型”会成为标准实践。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对内容创作者和运营者来说，“meat proxies”现象的普及意味着 AI 生成内容的供给量会持续膨胀，而人工审核与事实核验的价值会被重新定价。那些仅靠“AI 代笔”维持产出的账号或频道，将越来越难以建立读者信任。
值得关注的后续
目前公开信息显示，Valon 的新政策主要适用于融资、人力资源等业务线，工程师因代码需经过同行评审而获得豁免。后续值得关注三个方向：第一，Valon 能否在压低 token 成本的同时保持交付质量——如果效果明显，可能会有更多企业跟进类似的分层准入机制；第二，Wang 本人承认外部已有 AI 爱好者批评这一政策“开倒车”，这些争议是否会推动行业形成新的培训标准；第三，AI 模型自身的可靠性和可解释性是否成为企业评估采购的新维度，而不只是看基准分数。
