Coinbase CEO 谈裁员：未快速实施 AI 的工程师被解雇

Coinbase CEO Brian Armstrong 发布强制指令并解雇工程师

https://www.youtube.com/watch?v=JeVny5KHj4g

Coinbase CEO Brian Armstrong 表示，他解雇了那些没有立即采用 AI 编程助手的工程师，并将此举定性为公司提高生产力的必然要求。这一进展——据报道，几名资深工程师因未能整合推荐工具而被解雇——对于科技、加密货币和人力资源领域的受众来说具有新闻价值，因为它将劳动力策略与快速AI 工具采用直接挂钩。

从实际角度来看，这一事件给各地的工程团队带来了压力，要求他们必须证明从AI 编程助手中获得了快速收益，否则将面临后果。Armstrong 的公开表态以及随后对裁员的报道凸显了一种新兴的预期，即现代软件工程的生产力必须包括对 AI 驱动工作流的熟练掌握。Entrepreneur 记录了这次裁员以及围绕强制执行新工具预期的公开讨论。

更广泛的影响包括日常工程工作流的变化、公司文化的演变（即对工具的合规性成为一种绩效信号），以及一种更广泛的趋势：加密货币公司的 AI 采用，在效率和风险管理方面展开竞争。对于人力资源和法律团队而言，此案例引发了关于如何记录政策、培训员工，以及如何使强制性工具使用与知识产权和隐私限制相协调的问题。

快速洞察：将雇佣状态直接与第三方 AI 工具的即时采用挂钩，含蓄地表明了这些工具能够实质性且可靠地提高 软件工程生产力。

Coinbase 发生了什么：AI 采用指令详解

多份报告指出，Coinbase 强制要求采用特定的 AI 编程助手，而那些未能快速使用这些工具的工程师则被考虑予以解雇。 根据相关报道和 Armstrong 本人的言论，工程师被要求使用的工具包括 GitHub Copilot 以及 Cursor作为日常开发工作的一部分；拒绝或未能展示与这些助手的集成，可能被归类为绩效欠佳。Benzinga 报道了 Armstrong 的承认，即部分员工因未接纳 AI 工具而被解雇。

这一指令并非孤立发生。随着加密货币市场收缩和运营效率成为首要任务，Coinbase 在过去几年中经历了多轮劳动力调整。公司之前的裁员和重组构成了一个背景，领导层将更严格的工具使用期望框架化为更广泛的裁员和效率措施的一部分。

Brian Armstrong 的公开声明将该政策定位为务实之举：使用 AI 助手的工程师可以更快地产生更可靠的产出，因此团队需要采用这些工具以满足产品时间表。TechCrunch 的报道包含了 Armstrong 对为何将立即采用 AI 视为不可逾越的期望的解释。据报道，在内部执行方面，结合了经理评估、使用情况遥测（如果可用）以及与团队交付成果挂钩的绩效审查。

快速洞察：AI 工具强制令将部分绩效标准从认知技能转向了展示出的工具熟练度。

核心要点： Coinbase 案例是一个 自上而下的 AI 指令 范例，公司领导层将工具采用率与个人绩效挂钩，而非仅仅依赖渐进式的技能提升计划。

指令中提到的工具

GitHub Copilot 和 Cursor 是报道中提到的两个主要工具。GitHub Copilot 是一款 AI 结对编程工具，可根据上下文建议代码补全、完整函数和样板代码，而 Cursor 则专注于本地开发效率，提供上下文感知代码搜索和键盘驱动的编码辅助等功能。这两款工具通常用于加速日常编码任务、搭建测试脚手架以及协助重复性的重构工作。

核心建议： 当指令明确指定工具时，管理层应在强制执行前确保许可证、集成方案和隐私合同已准备就绪。

据报解雇理由

报告显示，解雇决定被定性为未能达到不断演变的 绩效期望，而这些期望现在包含了工具的使用。这意味着，不仅拒绝尝试工具，而且未能记录尝试过程、拒绝培训或在合理的适应期后未能表现出可衡量的周转指标改进，都可能成为考核的因素。

核心建议：公司在将工具使用与雇佣结果挂钩之前，应明确定义什么是“尝试采用”（例如：完成培训、试点项目、使用指标）。

行业背景，以及 Coinbase 如何融入加密货币和科技领域更广泛的 AI 采用浪潮。

加密货币公司和大型科技公司正越来越多地探索利用 AI 来降低成本并缩短产品周期，Coinbase 的做法反映了整个行业关于自动化和工程吞吐量的广泛讨论。《旧金山纪事报》将 Coinbase 的劳动力调整置于早前裁员和行业削减成本压力的背景下进行分析。与此同时，与领导层的公开讨论（如 Armstrong 的采访）凸显了董事会和投资者正期待从 AI 投资中获得可衡量的效率提升。

相比之下，其他公司更倾向于分阶段的技能提升计划和自愿试点，而非强硬的强制指令。 “自上而下的 AI 指令”与技能提升方法之间的区别非常明显：指令要求立即改变并可能引发合规焦虑，而技能提升计划则预设了学习曲线，并强调辅导与评估。Coinbase 的决定处于这一光谱中较为强制的一端。

快速洞察：强硬指令能加速采用，但会引发文化和法律摩擦，而分阶段计划则可以避免这些问题。

核心结论： Coinbase 的举措向市场发出了信号：加密货币领域的 AI 采用公司将越来越多地与运营预期挂钩，这可能会加速其他地方类似政策的推行。

来自加密行业的示例信号

加密行业经历了多轮裁员潮，并呼吁通过自动化来维持利润。在部署 AI 工具的同时裁减员工人数，发出了这样一个信号：自动化压力已成为该行业生存战略的一部分。加密领域的公开裁员反复伴随着“以少办多”的声明，而 AI 现在为这一目标提供了具体的实现机制。

可操作的建议：考虑激进使用 AI 的公司应明确哪些角色受影响最大，并设计有针对性的培训或转岗计划，以减轻负面舆论。

软件开发实践的转变

AI 助手正在重塑代码审查、结对编程和工作量估算等实践。开发者日益依赖助手来处理重复性任务，缩短了迭代周期的预估时间，但也改变了专业能力的定义。这种重新校准影响了招聘基准——雇主最终可能会将AI 素养与领域知识放在同等重要的位置。

可操作的建议： 更新职位描述和面试准则，以评估使用 AI 工具的实际能力及其安全应用。

Coinbase 采用 AI 工具后的运营影响与生产力主张

AI 编程助手的支持者经常提到显著的收益：更快的原型设计、更迅速的漏洞修复，以及从发现问题到解决问题的更低延迟。报告指出，这些预期是 Coinbase 强制推行工具的主要驱动力——领导层认为，强制使用工具将显著提高开发者的生产力。 TechSpot 总结了这一逻辑：拒绝使用 AI 被视为拒绝接受显而易见的生产力提升。Entrepreneur 的报道还强调，生产力提升是执行该措施的理由。

AI 工具可能带来的可衡量影响包括缩短拉取请求（pull requests）的 time‑to‑merge（合并时间）、减少重复性的手动重构，以及能够将开发人员的时间从常规任务重新分配到更高级别的架构或产品工作中。然而，这些收益并非自动实现的，而是取决于工具的适配度、团队流程和监督机制。

快速洞察：运营收益需要精心设计的衡量标准和积极的治理，以防止质量下降。

核心要点： AI 工具可以缩短周期时间，但它们也引入了必须通过专门构建的 KPI 进行跟踪的风险。

企业在部署 AI 后可能跟踪的指标

有用的 KPI 包括代码变更率（code churn）、PR 交付周期, 生产环境中的缺陷率、每个版本的安全漏洞数量以及开发者满意度。通过多个迭代周期对比采用前后的基准数据，有助于从噪声中提取有效信号。

可操作的建议： 在扩大工具强制使用范围之前，先建立一个为期 60-90 天、带有约定 KPI 的试点窗口。

在加密工程中平衡速度与安全

加密产品风险极高：漏洞可能导致直接经济损失、监管审查或声誉受损。因此，无论 AI 助手的效率变得多么高，人工审核和防御性工程实践都至关重要。监控 AI 幻觉（即模型生成看似合理但错误的代码或解释）并制定严格的测试标准，是必要的安全检查。

可操作的建议： 将强制使用 AI 与更严格的代码审查关卡及自动化安全扫描相结合，以捕捉幻觉或不安全的建议。

强制性 AI 政策对员工反应、士气及文化的影响

有报告显示，部分 Coinbase 工程师对该指令表示强烈不满，认为其过于仓促且具有威胁性。eFinancialCareers 记录了工程师们的不安情绪，以及他们对公司“新常态”要求在工具和实践上进行快速（有时甚至是无偿）转变的看法。OneSafe 分析了在变革管理不足时所面临的参与度挑战以及产生抵触情绪的可能性。共同的主题包括对被取代的恐惧、缺乏足够的培训，以及在使用基于云的助手时对隐私的担忧。

快速洞察：在没有明确培训或心理安全感的情况下强制变更工具，侵蚀信任的速度远快于其提高产出的速度。

核心结论：技术指令需要同步投入沟通、培训和员工支持，以维护士气。

据报道的 Coinbase 工程师反应

据报道，一些工程师对因未能立即掌握新工具而受到评判表示沮丧，而另一些人则担心拥抱 AI 只会加速裁员。这种突兀感——即适应尝试没有得到足够的时间或资源——引发了许多内部投诉。

行动建议：在推行强制性工具使用要求时，请建立安全的反馈渠道，并针对与新工具挂钩的绩效评估建立透明的申诉机制。

AI 采用过程中的士气管理最佳实践

行之有效的变革管理步骤包括：对采用工具的原因提供透明的解释、分阶段的采用窗口、强制性但有支持保障的培训课程，以及能将经验反馈至推广计划的试点小组。在团队内部指定AI 拥护者以帮助同事，并将工具使用情况转化为可实现的绩效指标，也有助于减少阻力。

可操作的要点：制定一个为期 6 到 12 周的分阶段计划，将强制性培训与辅导及公开的进度报告相结合，以维持信任。

Coinbase 强制采用 AI 的法律、政策和合规性考量

强制使用第三方AI 工具 引发了一些政策和法律问题。公司必须在员工义务、保密考量、知识产权规则与所要求的工具条款之间进行协调。Coinbase 的公开法律页面和合同条款说明了企业在管理员工行为和知识产权时所依赖的政策类型。 同时，像 NIST 指南这样更广泛的框架有助于塑造企业的 AI 风险管理 方式。

快速洞察：在缺乏明确政策变更的情况下，强制使用第三方 AI 工具可能会无意中产生 数据泄露风险 或知识产权模糊性。

核心结论： 雇主在要求使用特定 AI 工具之前，应更新公司政策并确认供应商条款。

Coinbase 法律文件和员工义务

公司可以通过更新雇佣合同、可接受使用政策和安全手册来应对工具使用风险，以明确员工可以向外部模型输入哪些内容、模型输出的知识产权归属以及收集哪些遥测数据。这些更新应进行清晰的沟通，并配合技术控制措施（例如：数据泄露防护代理、代码扫描和访问控制）。

可操作的结论：在强制使用某种工具之前，法律和安全团队应签署供应商协议，并就可接受的输入和输出向员工提供明确的指导。

公司应参考的标准和框架

制定 AI 政策的组织应咨询 NIST AI Risk Management Framework 以及其他权威指南，使内部控制与新兴规范保持一致。NIST 的框架为评估风险、治理和监控提供了实用的分类。

可操作的结论：在扩大强制执行范围之前，参考 NIST 指南围绕数据处理、模型安全和可审计性建立可衡量的控制措施。

在工程团队中强制推行 AI 采用的经验教训与实践方案。

Coinbase 事件提供了几点实践启示。首先，将强制指令与慷慨的培训、明确的成功指标以及分阶段实施相结合，可以减少阻力并降低法律风险。与立即采用工具挂钩的突然解雇，会让员工觉得公司没有为他们达到新预期提供支持。CNBC 和 Bloomberg 对此前 Coinbase 裁员的报道解释了领导层为何感到必须快速行动的压力，但也说明了为何仓促的决定会放大外界的审视。Bloomberg 对早期裁员的分析表明，激进的决策如何塑造公司文化和公众认知。

快速洞察：当强制指令伴随着清晰的文档、辅导以及可衡量的短期采用窗口时，效果最为显著。

核心要点：平衡的推广流程——试点、培训、衡量、扩展——能最大限度地减少意外并留住人才。

工程团队示例推广路线图

高层步骤：

• 在志愿者团队和有限范围内进行试点（4–8 周）。

• 提供针对性培训和用于实验的沙盒环境。

• 定义可衡量的 KPI（PR 周转时间、缺陷率、开发者满意度）。

• 根据试点结果迭代政策，然后按阶段性截止日期进行扩展。

核心要点：使用文档化的五阶段路线图（试点、培训、衡量、扩展、迭代），并在每个阶段明确管理者的职责。

当解雇成为最后手段时

与新工具挂钩的绩效管理必须有据可查且公平。在升级到解雇之前，团队应提供明确的培训、指导、书面改进计划以及衡量不足的客观证据。穷尽这些步骤可以确保，如果必须进行解雇，其过程是合理且符合伦理的。

核心要点：在考虑因工具相关绩效问题而解雇之前，要求提供最低限度的书面改进期和已提供支持的证据。

关于 Coinbase CEO AI 指令及被解雇工程师的常见问题解答

Q1：为什么 Coinbase CEO Brian Armstrong 要求工程师必须使用 AI 工具？ A1：简而言之：Armstrong 将这一要求定性为提高生产力的措施；领导层认为，在竞争激烈且成本受限的环境中，强制使用工具将加快开发速度并提高产出。其理由被表述为一项战略举措，旨在使工程团队更加高效，并符合投资者对技术栈现代化（包括引入 AI 助手）的预期。

Q2：哪些 AI 工具被强制要求使用，它们的作用是什么？ A2：引用最多的工具是 GitHub Copilot，一个 AI 驱动的代码助手，它可以建议代码行和代码块；以及 Cursor，一个旨在改进本地开发人员工作流以及快速导航/重构的生产力工具。这两款工具都用于减少重复性工作、构建测试脚手架，并加速传统上消耗开发人员大量时间的小型任务。

Q3：工程师是否仅因拒绝使用 AI 而被解雇？ A3：报告描述了其中的细微差别：解雇与更广泛的绩效预期挂钩，其中包括但不限于对工具的采用。据报道，相关因素包括文档记录、拒绝参加培训或在合理的过渡期后未能表现出可衡量的改进。即便如此，员工和外部观察人士指出，将工具使用与雇佣状态如此直接地挂钩是不寻常且具有争议的。

Q4：公司如何在不损害士气的情况下强制推行 AI？ A4：最佳实践包括分阶段推广、提供慷慨且必要的培训、带有反馈机制的试点项目、关于工具重要性的透明沟通以及支持机制（教练辅导、沙盒环境）。将强制要求转变为一种审慎的、协作式的变革，可以减少被强迫的感觉。

Q5：在工程领域强制使用第三方 AI 工具有哪些法律风险？ A5：主要风险包括数据泄露风险（敏感代码或机密被发送至第三方模型）、生成代码的所有权模糊以及供应商许可冲突。雇主应更新可接受使用政策，确保供应商合同允许企业级使用，并在必要时实施技术控制措施，如 DLP 和私有模型托管。

Q6: 工程负责人应如何衡量 AI 采用是否成功？A6: 跟踪 KPI，例如 PR 周转时间、代码变动率、缺陷率、安全发现、事件平均修复时间以及开发者满意度评分。将这些指标与采用前的基准在多个发布周期内进行对比，并保持定期的评估节奏（例如，试点期间每月评估，规模化后每季度评估）。

Q7: 采用 AI 工具是否意味着工程师会被取代？ A7: 采用 AI 通常更多是增强生产力，而非立即消除岗位。然而，随着时间的推移，自动化可能会压缩某些角色的职责范围并改变招聘标准——从而增加对 AI 素养和更高级别系统技能的需求。公司应投资于技能再培训，以留住人才并管理转型风险。

Q8: 个人工程师可以做些什么来适应强制性的 AI 工具？ A8: 实际步骤包括在沙盒环境中进行实验、记录 AI 建议如何影响结果、申请结构化培训、展示阶段性成果（例如缩短 PR 周转时间），以及与团队中的倡导者互动，以展示对公司生产力目标的积极参与。

结论：趋势与机遇 —— AI 采用政策的前瞻性分析

Coinbase 将雇佣结果与快速采用 AI 挂钩的决定，既凸显了潜在的增长空间，也揭示了强硬指令带来的人力和法律风险。这一事件明确了一个转变：AI 素养正成为工程绩效考核的一个明确组成部分，尤其是在加密货币等成本敏感型行业。与此同时，在缺乏明确培训或治理的情况下进行突击执法，会损害士气并增加法律风险。

近期值得关注的趋势（12-24 个月）

• 各机构将越来越多地发布正式的 公司 AI 政策 文件，以明确可接受的输入、输出和遥测数据。

• 采用企业级、隐私保护的 AI 托管服务将增加，以降低 数据泄露风险。

• 招聘和晋升标准将演变为包含 AI 素养 作为核心能力。

• 监管机构和标准制定机构将提供更具体的指导，使 NIST AI 风险管理和类似框架成为事实上的基准。

• 采用分阶段技能提升的公司与强制自上而下指令的公司之间可能会出现分化，这将影响竞争性人才动态。

领导者的机遇和第一步 1. 沟通战略：制定简洁的理由，解释 AI 为什么对产品和客户成果很重要。2. 先试点后扩展：与志愿者团队启动有时限的试点，明确 KPIs，并公开结果。3. 投资培训：提供强制性培训和沙盒环境，以便工程师安全实验。4. 更新政策：修订可接受使用、IP 和保密政策，并确保供应商合同符合企业需求。5. 衡量和迭代：运行衡量节奏（试点期间每月，推出后每季度），以确认收益并检测风险。

最终思考：Coinbase 的举措突显了速度与以人为本的变革管理之间的权衡。强制指令可以加速采用并带来可衡量的效率提升，但必须配合培训、透明治理和法律保障，以避免侵蚀信任并引入可避免的风险。在不断演变的监管和技术环境中，成功的公司将是那些将技术雄心与严谨的变革实践和衡量问责相结合的公司。