核心观点
2026 年 2 月 27 日，Block（原 Square）在一封致股东信中宣布裁员超过 4,000 人——约 40% 的员工。这不是一家经营不善的公司在止血，恰恰相反，Block 2025 年全年毛利润达 103.6 亿美元，年增 17%。CEO Jack Dorsey 在信中写得直白：“智慧工具已经改变了建造和经营一家公司的意义。”
更关键的是，这次裁员的重心不是行政或客服部门，而是开发团队。Block 的业务主管 Owen Jennings 说得更绝：“我们不再手写代码了。那个时代结束了。”
这标志着企业 AI 应用的一个拐点：从"辅助工具"变成"结构性替代"。Block 不是用 AI 提效，而是用 AI 重新定义组织形态。
深度分析
一、转折点：2024 年 12 月的第一周
Jennings 把时间线定位得很精确。Block 在 2024 年初就开始投入 agentic 开发，他们的开源 AI agent 框架 Goose 在 2024 年初推出。但真正的"二元性转变"发生在 2024 年 11 月底到 12 月初。
那段时间，Claude Opus 和 Claude Code 的能力出现明显跳升。Jennings 的说法是：基础模型本来蛮会写新项目的代码，但在 12 月初，它们突然变得非常擅长处理"既有的、复杂"的代码库。
他用了一个很具体的描述：“公司里员工人数和产出之间的相关性，在 12 月第一周断裂了。” 一两个工程师搭配 AI 工具，生产力可以是过去的 10 倍、20 倍，甚至 100 倍。
这不是渐进式优化，是指数级跃升。当生产力曲线和组织结构曲线突然分离，CEO 必须做出选择：维持旧结构还是重构新形态。
二、新的工作方式：4 个人加 2000 美元的 Token
Jennings 给了一个具体的前后对比。以 Cash App 的 AI 金融助手 Moneybot 为例：
- 过去：推进到 50% 用户覆盖，需要一个 15 人团队
- 现在：4 个人加上每月 2,000 美元的 AI token 成本
工作流程也彻底变了。以前是一个工程师写好一个 PR（Pull Request），提交、等 code review、根据反馈修改，然后下一个。现在是一个工程师同时指挥 14 个 AI agent 各自建 PR，工程师在它们之间快速切换，做判断和最终决策。
Block 还有一个内部工具 Builderbot。它可以自主合并 PR 和建构功能到完成状态。Jennings 说，大多数时候 Builderbot 能做到 85-90%，然后由一个有大量 context 的人类工程师做最后 10% 的收尾。
这意味着工程团队的分工逻辑被重写：从"人均产出 X"变成"人均指挥 N 个 agent"。人力不是被替代，而是被放大，放大倍数取决于 agent 的可靠性和 context 的复杂度。
三、Goose：开源的 AI Agent 框架
Goose 是 Block 开源计划办公室在 2025 年 1 月正式发布的 AI agent 框架，采用 Apache 2.0 授权。它使用 Anthropic 的 Model Context Protocol（MCP）做为工具连接标准，可以搭配任何 LLM。
Block 内部的数据：
- Goose 为团队节省了 50-75% 的开发时间
- 60% 的员工每周在使用它
2025 年 12 月，Goose 和 MCP、OpenAI 的 AGENTS.md 一起被捐赠给 Linux Foundation 新成立的 Agentic AI Foundation（AAIF），创始白金会员包括 AWS、Anthropic、Block、Bloomberg、Cloudflare、Google、Microsoft 和 OpenAI。
Block 的 CTO Dhanji Prasanna 说得很实际：“我们不靠 Goose 赺钱，它完全是 Apache 授权的。我们的策略是让产品能无缝地和 agent 协作，从开源生态系里受益。”
这是一个战略布局：Block 不是卖 AI 工具的公司，而是用 AI 工具的公司。开源 Goose 意味着行业标准由他们参与定义，而非被动跟随。
四、Generative UI：产品端的 AI 原生化
Jennings 提到了一个比裁员更值得注意的观点：Generative UI。
“每个人都习惯了静态的、僵硬的 UI。每个人的 Uber、Lyft、Cash App 看起来都一样。这要根本性地改变。Generative UI 已经到了。你的 Cash App 应该跟我的长得很不一样。”
Cash App 的 Moneybot 是这个方向的第一产品实例。2025 年 11 月发布，Moneybot 是一个 agentic AI 金融助手，可以分析用户消费习惯、建立自动储蓄计划、买卖股票和比特币，而且会主动提出建议。Jennings 的原话是：“我们对用户有足够深入的理解，如果还要靠客户问对问题才能帮到他们，那是我们的失败。”
Moneybot 使用三个不同的 AI 模型，根据用户的问题类型自动选择。所有涉及资金移动的操作都需要用户确认，但确认流程通常就是按一个按钮或在对话框里说"是"。
这和传统银行的做法形成鲜明对比。JPMorgan Chase 的首席数据官对 McKinsey 表示，大型银行还在观望 agentic AI，主要担心 AI 出错买了不该买的东西，或被恶意利用。
Block 的逻辑是：因为对用户理解够深，所以敢让 AI 主动行动。护城河不在"技术"，在于"理解"。
五、Jevons 悖论：工程师会变多还是变少？
Jennings 自己提出了一个反直觉的观点。他认为，对一个特定产品或 roadmap 来说，需要的工程师、设计师和 PM 确实会变少。但放到整个产业来看，他援引了 Jevons 悖论：当某项资源的使用效率大幅提升，总需求反而可能增加，因为"现在有一个超集的东西是可以被建造出来的"。
经济学家 Anton Korinek 对 Fortune 的看法比较谨慎：“2025 年 AI 对就业市场的影响还很模糊，但过去几个月 AI 能力的进步很快。这可能是白领工作被更严重威胁的新趋势的起点。一旦少数公司带头，竞争压力会迫使其他公司跟进。”
Challenger Gray & Christmas 的数据显示，2025 年有约 55,000 个美国科技职位裁员时引用了 AI 因素，占全年约 120 万总裁员数的 4.5%。市场和状况（21%）、重组（11%）和成本削减（7%）仍然是更常见的裁员原因。
但 2025 年的 McKinsey 报告也指出，大多数企业还在 AI 导入的实验阶段，近三分之二尚未规模化部署。Oxford Economics 在 2026 年 1 月的报告指出，许多 CEO 口中"因 AI 裁员"其实是疫情期间过度招聘的回调。
可实践建议
| 行动项 | 适用场景 | 具体做法 | 风险提示 |
|---|---|---|---|
| 评估 AI 工具成熟度 | 技术团队 | 用 Claude Code 或 Goose 处理既有代码库，记录效率差距 | 不要只测新项目，要测复杂既有系统 |
| 重新定义角色分工 | 工程团队 | 从"人均产出"转向"人均指挥 agent 数"指标 | 需要配套的 context 管理机制 |
| 小范围试点 | 非技术部门 | 选一个高重复性流程，用 AI agent 替代 | 先跑 3 个月，看容错率 |
| 建立护城河清单 | 公司战略层 | 列出"只有我们理解"的领域，AI 能放大这些理解 | 如果清单是空的，可能被"vibe code"掉 |
| 开源 vs 自建权衡 | 技术决策 | Goose 是开源的，评估是否值得自建类似框架 | 自建成本高，但可控性强 |
一句话总结
Block 裁员 40% 不是因为经营不善，而是因为 AI 工具让生产力与组织结构的关系断裂——真正的护城河是"理解"，不是"人头"。
