我们职场中的LLM集体妄想

一句话看懂：一位来自科技行业内部员工的投稿揭露，其所在公司在财务紧张、裁员降薪的背景下，仍斥巨资投入AI咨询、培训与许可证，但所有内部LLM试点项目均以失败告终；员工汇报的所谓“成功用例”包括与ChatGPT闲聊、用AI查询午餐菜单等荒谬场景。这并非孤例，而是AI在企业落地中“成本高昂、效果存疑、方向跑偏”的缩影。

事件核心：发生了什么

这篇发布于2026年6月10日的博文（来源：blog.avas.space）描述了一个典型的职场环境：企业面临资金困难，冻结招聘、取消奖金、削减必需品采购；但与此同时，公司却持续支付大额费用聘请AI顾问、购买LLM培训课程以及ChatGPT与Copilot的企业级订阅。更值得注意的是，该公司举办了多轮全公司范围的LLM项目展示会，参与团队涵盖不同部门，投入了大量时间进行提示工程、定制GPT、文档模板等尝试，但迄今为止，**没有一个项目被证实有效**。所有反馈集中在：模型幻觉、文档填写错误、输出验证与纠错成本过高，导致实际效率不升反降。员工展示的“成功用例”包括：询问机器人“今天心情怎么样”，以及将食堂菜单Excel文件上传给ChatGPT询问“周三午餐吃什么”——这些操作耗时甚至长于直接查看原文件。更严重的是，IT主管建议员工将可疑邮件附件保存到桌面后再上传ChatGPT分析，暴露出对安全流程的漠视。

为什么重要

这个案例挑战了当前AI行业的主流叙事——即LLM已准备好大规模替代或赋能职场工作。原文呈现的反差极具说服力：当企业面临真实的资源短缺时，AI支出反而成为不受质疑的“优先项”，而实际落地效果却几乎为零。这揭示了三点核心问题：第一，AI厂商和咨询公司构建的“先进工具”叙事，可能导致企业将资源从基础业务流程维护（如数据库授权、人员补充）转向高风险、难落地的实验性投入；第二，LLM在处理非编码类、需要精确性、上下文依赖强的文档类任务时，企业内部的自评估结果并不乐观，幻觉和验证成本仍然是主要瓶颈；第三，当公司高层将“使用AI”本身视为一种政绩或技术进步信号，而忽视实际产出时，就会出现“为用AI而用AI”的荒诞现象，比如用大模型查菜单。这些情况如果普遍存在，将严重侵蚀企业对AI的真实投资回报预期。

对用户/开发者/创作者的影响

对企业采购决策者：需要警惕AI供应商和顾问提供的“未来节省成本”叙事。在决定大规模采购前，应要求内部进行严格的、有量化指标的小范围试点，并明确设定失败退出的条件。不应因为“AI热门”而占用保障核心业务运行的基础预算。

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。

了解 GamsGo AI

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AI应用开发者/提示工程师：该案例表明，仅靠提示工程或定制GPT难以解决企业级文档处理的根本性问题，例如格式一致性、多步骤验证、与遗留数据库/后台系统的对接。开发者应更关注RAG（检索增强生成）、工作流编排与人类-in-the-loop（人在环）机制，而非只提供“封装好的对话界面”。

对内容创作者/AI教育者：例子中“询问心情”和“查午餐”的展示，说明目前部分AI培训和展示内容严重脱离实际生产力场景。培训方应避免贩卖“AI魔力”，而应教授如何评估任务是否适合AI、如何设计有效的验证流程、以及如何评估投入产出比。

值得关注的后续

第一，该博文发布于2026年，代表了经过几年大规模商业化后，来自企业一线的负面反馈。后续值得关注类似内部案例的公开化是否增多，是否会引发一轮对企业AI支出合理性的审计潮。第二，OpenAI、微软等供应商是否会针对这类“通用大模型难以处理结构化文档”的反馈，推出更细粒度、更安全的垂直产品（如针对邮件安全、表格解析的专用模型），而非依赖通用ChatGPT。第三，该案例中“所有项目均失败”的结论具有报道价值，但样本仅为一家公司；未来是否有第三方机构或调研公司（如Gartner、IDC）发布更系统的“企业AI项目失败率”或“投入产出比”报告，将是判断市场是否泡沫化的关键指标。

来源：blog.avas.space