2026 年 7 月 18 日，一篇题为《AI Mania Is Eviscerating Global Decision-Making》（AI 狂热正在摧毁全球决策）的长文在技术圈引发了一场小型风暴。作者 Nikhil Suresh（笔名 Ludicity）是咨询公司 Hermit Tech 的合伙人，长年在数据基础设施和失败项目恢复领域工作。这篇文章在 Hacker News 上获得 141 分和 55 条评论（截至 7 月 19 日），随后被 Simon Willison、Tildes 等多个社区转载和讨论。
💬 Mitchell Hashimoto（HashiCorp 联合创始人）在文章开篇引语中说：“我坚信目前有大量公司正处于严重的 AI 精神病状态，你根本无法与他们就这个话题进行理性对话。”
文章的核心论点是：全球的企业和政府机构正在经历一场”集体精神错乱”——从董事会到中层管理者，AI 狂热已经使组织无法做出有效的决策。Suresh 以他过去一年半的亲身咨询经历为样本，提出了一个惊世骇俗的结论：他观察到的所有 AI 项目都在失败，成功率是 0%。
这篇文本的定位是一份关于组织文化和决策机制的控诉书，而非单纯的技术讨论。
六大板块：一篇文章如何拆解 AI 狂热
Suresh 的文章以六个递进的章节展开，每一部分都试图回答一个逐层深入的问题。
一、AI 投资普遍是彻底的失败
作者的核心实证来自他的咨询工作。他声称在过去一年半中观察到的所有 AI 项目——无论是他们团队被邀请参与的，还是在做无关工作时顺便看到的——没有一个成功。“公司不仅不擅长交付 AI 项目，它们根本不擅长交付任何软件项目，“Suresh 写道，“AI 项目继承了普通项目的所有失败模式，外加一层：即便你把每件事都做对了，也可能因为技术的新颖性而失败。”
最常见的失败模式是内部聊天机器人和客户面向聊天机器人。他观察到，内部聊天机器人几乎没有实际使用量——因为大多数公司的文档质量低下，LLM 不是通灵师，只能获知那些被记录下来的知识。而面向客户的聊天机器人则更糟：他讲述了 Mitsubishi 客服机器人的亲身经历——语音自然、响应迅速、承诺及时回电，但六个月后他从未接到过电话。
💬 HN 用户 teravor 评论：“LLM 会在你自己都不知道想要什么的时候让你彻底失败。令人惊讶的是，有多少人和组织在没有明确目标的情况下胡乱写代码——对这些来说，LLM 是净负面的。“
二、异端会被枪毙
作者进一步指出，在大型组织中，继续晋升——甚至继续就业——已经开始要求反复宣示对 AI 变革力量的信仰。他将其定性为”宗教式的信仰宣言”，一种要求人们反复表达忠诚的仪式，而非关于如何将 AI 应用于业务的建设性讨论。
他记录了多起案例：有人在没有上下文的情况下突然脱口而出”AI 正在改变一切”，然后承认自己的组织目前并没有在任何地方使用 LLM；一位营收超 20 亿美元公司的高管在制定了一项完全围绕 AI 的技术战略后，承认自己从未使用过 ChatGPT 或任何 AI 工具。
最极端的情况是，一位雇主因为高绩效员工不使用 LLM 就解雇了他们。Suresh 将此描述为用”自己的真金白银”下注的真实信徒行为。
这一部分还引出了”AI 洗涤”（AI-washing）现象：工程师们为了满足管理层的要求，假装在工作中使用了 AI——他们正常完成工作，然后告诉老板是 Claude 做的。还有人因为被要求按”代币消耗排行榜”赛马式地刷 AI 账单，于是设置 LLM 相互对话的循环来消耗 token，自己去看 Netflix。
💬 文章中引用的一位匿名工程师：“我 checkout 了一份 Go 代码库的副本，让 AI 把整个项目重写成 Zig，同时对老板说我在做正经事。我恨透了这些。我只想保住工作。“
三、AI Demo 是心智杀手
这是文章中最具戏剧性的部分。Suresh 描述了他们在客户演示中展示了 Snowflake Cortex（一个自然语言查询数据库的 AI 功能）的经历。尽管他们反复强调该工具不适合生产使用，准确率约 92%，但”每一个原本冷淡的客户看到聊天机器人在运行后，都立刻想要购买。其他所有考虑——包括我们通过非 AI 手段可能帮他们实现的数百万美元价值——都被一扫而空。”
他将这种现象比喻为”一股黑暗而可怕的力量控制了他们”，并自此从演示清单中移除了 Cortex。他写道：“医生不会到处展示他们绝不会开出的炫酷药丸。”
💬 Tildes 用户 DynamoSunshirt（OP）评论这段时引用了原文：“看着那完全 180 度的转变——从冰冷的冷淡到炽热的购买狂热——是一种深深不安的体验。“
四、高管，博弈论，与皇帝的新衣
作者采访了一位财富 500 强公司的高管，对方私下承认自己并不相信公司公开宣称的那些 AI 成就。但问题的复杂性在于：如果这位高管公开说 AI 生产力增益不现实，就会损害客户方高管的公信力，被视为攻击或异端，可能导致企业合同取消。
这就形成了一个恶性循环：高管们互相用枪指着对方，谁也不想第一个被开火。如果可以同时承认真相，也许还有希望——但没人能协调这种行动。“这是一种分布式暗杀式治理。”
💬 一位匿名 CISO 告诉作者：“CISO 们习惯了保护企业免受管理层异想天开的计划的影响，而这一次（与云计算时代相比）的不同在于，它带有一种邪教般的氛围。“
五、你必须足够”AI-Native”才能上车
第五部分描述了这一连锁反应的最终结果：组织不再能专注于任何重要的事情。每一个项目请求都必须反复修改直到”足够 AI”，否则要么被否决，要么被要求解释为什么”不能用 AI 来做”。许多公司已经公开将”使用 AI 后才能申请额外人力”作为新招聘政策——但未明说的是，如果你声称用了 AI 仍然需要帮助，你就会被贴上”不擅长 AI”的标签，可能会被解雇。
Suresh 以一个具体的数据库迁移案例收尾：一个从 Oracle 到 Snowflake 的标准迁移项目，供应商在前期用 LLM 尝试自动翻译 SQL（失败后改为手工翻译），然后将其宣传为”AI 驱动的成功”。他总结道：“真正以 LLM 作为唯一底层机制、项目可以明确因交付特定指标而失败的 AI 项目，实际上非常罕见。“
六、在 AI 狂热中求生
最后一章是实操指南。作者建议：不要质疑最宽泛的 AI 声明，让它们过去；用匿名问卷揭示项目真实状况；如果你在消防队工作需要钱救一只着火的小狗，就撒谎——给你的项目加一个一万美元的 AI 聊天机器人，在会议上专门讨论它，救那只小狗。历史会原谅你。
他还建议考虑转向外包工作（“你会赚得更多，并且被排除在大多数内部政治之外”），限制 AI 新闻的摄入，以及当有人告诉你他们在用 AI 做不该用 AI 的事时——“微笑，点头。“
反方声音：选择偏误还是真实写照？
这篇文章在 HN 上引发了激烈的反击，批评主要集中在几个方向。
选择偏误的质疑是最强的论点。多位 HN 用户指出，Hermit Tech 的核心业务就是”拯救失败项目”——他们专门吸引那些内部能力不足、项目已经陷入困境的客户。
💬 HN 用户 Aurornis 指出：“没有一家拥有良好 AI 战略的公司会去 Hermit Tech 的网站，看到 Ye Olde 字体写着’我们使用 80 和 90 年代的古老技术让你的软件工作’，然后想’这些人才是我们 AI 工作要找的！‘这些人在试图为自己开辟一个反现代、反 AI 的细分市场。”
💬 HN 用户 Aurornis 进一步说：“如果你读脚注，会发现他们拒绝了 100% 带到他们面前的 AI 项目。他们宣传一种拯救失败项目的咨询服务，然后写博客说 100% 的项目都在失败。还拒绝帮助这些项目以确保它们的成功数保持在零。”
个人生产力 vs 企业项目的区分是另一个重要反驳。Simon Willison 本人出现在 HN 评论中，区分了个人员工使用 AI 工具提升生产力（“任何软件工程师都能从 Claude Code 中获得有用结果”）和企业构建 AI 项目（“LLM 是一种奇怪的构建软件的基石，大多数显而易见的项目——如内部聊天机器人——很容易过度承诺而交付不足”）。
💬 Simon Willison（Django 联合创始人）：“我认为个人员工使用 AI 工具提升生产力——比如 Claude Code 和 Codex——与公司构建基于 LLM 的定制软件的’AI 项目’之间存在很大区别。前者容易做对。后者非常难。”
AI 的定义问题也被提出。A1kmm 指出，Suresh 使用的是泛化的”AI”而非”LLM”或”Transformer 模型”，这意味他的说法涵盖了从专家系统到语义搜索的一切——而谁没有从更成熟的 AI 技术中看到生产力提升呢？语义搜索、扩散模型生成内容、甚至 Excel 中的回归算法都算 AI。
成功案例的沉默性：多个评论指出，真正有效使用 AI 的公司可能在”悄悄做”而非”大声宣布”。LOCNE55 在 HN 上分享：“我还没有亲眼见过一个 AI 聊天机器人真正实现让用户用自然语言查询数据的体验，但我亲身体验过用自然语言编写极其复杂的 SQL 和 Python 代码，它确实能达到我估计的 80-90% 的完成度。”
💬 Tildes 用户 TonesTones 也指出了选择偏误：“这是一篇很棒的文章，但作者作为咨询顾问的样本可能有所偏差。我所认识的不错的成功公司，很多采取的是’没坏就别修’的方式。这些公司对 AI 的采用较慢、态度谨慎，也不太可能雇佣外部顾问来解决内部问题。“
社区反应的整体光谱
HN 社区的反馈并非一边倒地支持或反对。高分评论呈现出几种不同的立场：
- 认同但质疑数据的：认可文章描述的组织病态，但认为 0% 成功率的说法过于夸张。“AI 让你更快地开枪打自己的脚，但这并不令人惊讶，只是值得考虑。“（Retric）
- 反对且挑战方法论的：认为作者通过反 AI 定位来获取客户，存在利益冲突。“大多数咨询顾问试图通过谈论他们合作过的伟大公司来打动你。这篇博客文章从顶部到底部都在尖叫’看我过去的同事有多蠢！’“（Aurornis）
- 深层文化批评：一些评论超越了就事论事的 AI 讨论，看到了更深层的组织问题。“公司心态在不同的时间会经历不同的狂热。想想敏捷流程、工时表、基于代码行数的生产力……这不过是公司心态的又一轮狂热。“（zkmon）
💬 HN 用户 lioeters 将此现象称为”羊群行为”或”群众心理”，指出”商业和政治主要以它驱动，但科技行业也经常陷入炒作、趋势和事后看来明显是错的数十年错误中”。
Simon Willison 在他的博客中也同样引用了文章中的关键段落，特别是工程师被迫刷 token 消耗量的故事和与高管的对话。他将文章定性为”有趣的视角”和”充满辛辣的匿名故事”。
判断：泡沫叙事中的真问题
从公开信息来看，这篇文章最有力的部分并非那个 0% 的数字——这个数字确实存在明显的选择偏误问题——真正的洞见在于它揭示的组织行为学机制。文章描述的”高管之间的互相持枪困境”和”AI 洗涤”现象，在多个独立来源中得到了印证，存在一种独立于作者立场的现实基础。
从社区讨论判断，Suresh 的真正贡献可能在于揭示了一个比”AI 项目都在失败”更隐蔽的问题——后一个命题本身在严格意义上难以成立——当组织的激励机制使得诚实评估 AI 项目变得危险时，管理层获取的反馈本身就被系统性地扭曲了。如果员工必须谎报 AI 使用量才能保住工作，如果高管不能公开承认 AI 项目进展不如预期，那么董事会和投资者看到的数据从一开始就是被污染过的。
这与 AI 技术本身的能力无关。即使在 AI 能够创造巨大价值的场景中，这种扭曲的信息环境也会导致资源配置的严重失衡——真正的机会被炒作淹没，而炒作驱动的项目耗尽了组织的注意力。
文章的非对称引用（Mitchell Hashimoto、Thomas Ptacek 的观点被引用为佐证）表明，这种对 AI 狂热的不安并非孤立的声音——它在科技界内部广泛存在，只是平时难以公开表达——这恰好印证了文章关于”沉默的异见者”的核心论断。
反向来看，批评者提出的选择偏误质疑是有力的——一家专门拯救失败项目的咨询公司，其观察样本天然偏向失败案例。但这并不否定文章描述的组织现象的真实性，只是提醒读者对其统计结论保持谨慎。而将文章定性为纯粹的自利营销，可能忽视了作者的另一个动机维度：他明确拒绝 AI 实施业务、公开降低对 AI 的暴露，这在商业上是反直觉的——正常的营销策略不会主动拒绝潜在客户的最大预算类别。
在 AI 狂热最终回落的拐点到来之前，这类声音会继续增加——而组织能否在狂热中保留理性决策的空间，可能比任何具体的技术进展都更能决定长期结果。
本文的素材来自公开信息和社区讨论。如果你对这个话题有更深入的一手经验，欢迎指出文中的不足。
附录：原文配图情况
原文页面（https://ludic.mataroa.blog/blog/ai-mania-is-eviscerating-global-decision-making/）经两次独立检查（浏览器快照 + JavaScript DOM 查询），确认页面中无任何 <img> 标签。该文章为纯文本长篇评论，不含图表、截图或其他视觉素材。
原文页面所有图片 URL 列表（JavaScript: Array.from(document.querySelectorAll('img')).map(i => i.src) 返回结果）：
[] (空数组)参考链接：
- Ludicity 原文：AI Mania Is Eviscerating Global Decision-Making
- Hacker News 讨论帖
