最近看到Anthropic公司的一份调研挺有意思，他们找了132名工程师，翻了20万条Claude对话记录，想弄明白现在AI助手到底怎么改变工程师的工作。
结果比我想象的要颠覆，不是简单帮着写代码那么简单。
最直观的变化是工程师用AI的时间翻了一倍还多，一年前大概四分之一的工作会用到Claude，现在接近六成。
大家都说效率提升明显，差不多一半的工程师觉得工作起来顺多了，还有小部分人说产出直接翻倍。
这效率提升吧，本来我以为就是省时间，后来发现不是那么回事。
不是说以前干8小时现在干4小时，而是同样时间里能干的事变多了。
就像你本来只能扛一袋米，现在能扛两袋，还顺带提桶油，大概是这么个意思。
工程师现在天天用AI干嘛呢？排错占了一半多的时间，读旧代码也占了四成，写新功能大概三成七。
这些活儿以前都挺磨人的，现在丢给AI确实省不少事。
Anthropic的调研说，差不多有四分之一的工作是工程师以前根本不会碰的。
为啥呢？有些是嫌麻烦一直拖着的，比如给代码写注释、检查兼容性什么的。
有些是怕搞砸不敢试的，比如自己捣鼓个小工具、优化下工作流程。
还有些是长期搁置的，比如把老代码翻新一下、让系统跑快点这些。
AI不光是帮着干活，还能自己"折腾"不少步骤。
以前可能让AI干一步就得盯着，现在能自动干二十多步。
人类插手的次数反而少了三成，不过完全放手不管的情况还不到两成。
这就有意思了，到底该管多少才合适？
跟以前那些编程工具比，Claude这种AI助手最大的不同是能用大白话交流。
不用记那么多命令，直接说"帮我把这段Python转成Java"就行。
这种感觉，就像从用遥控器变成直接跟人说话，顺畅多了。
现在厉害的工程师不是自己写代码多牛，而是会把活儿拆给AI干。
就像项目经理分任务一样，得把复杂的工作拆成AI能明白、好检查、没大风险的小模块。
比如要重构一个系统，不能直接说"帮我重构下系统"，得拆成"先弄明白代码逻辑→分析下哪些地方相互依赖→想几个重构方案→写点测试代码"。
这样AI才能接住活儿，工程师自己也清楚怎么检查。
那什么活儿该给AI，什么得自己来呢？我观察下来有两个标准，一是好不好检查，像处理数据、写SQL这种结果对不对一眼就能看出来的，可以给AI。
二是出了错影响大不大，核心架构、安全相关的活儿，还是自己动手放心点。
工程师还有个"十分钟规矩"，要是自己十分钟内能搞定的事，一般就不麻烦AI了。
毕竟跟AI说清楚需求也得花时间，要是比自己直接干还慢，就没必要了。
有时候简单的事，自己动手反而快。
检查AI的工作也是门学问，不光要看代码对不对，还得看合不合业务场景。
技术上没问题，但用户用着不方便，或者跑起来太慢，那也不行。
这就像老师改作业，不光看答案对不对，还得看思路清不清晰。
现在有些工程师怕依赖AI把自己本事丢了，就故意留点核心模块自己写。
还有人定期抽查AI写的代码，挑点出来自己重写一遍，跟AI的版本对比一下。
这种"防退化"意识，挺必要的。
AI带来的那些新任务，看着好像不是什么核心工作，其实价值不小。
给代码做做体检、试试新想法这些事，虽然不直接算业绩，但能让系统更稳定，说不定还能捣鼓出新东西。
以前老板们总问"AI能不能让项目快点做完"，现在开始问"有了AI，咱们能不能多干点以前不敢想的事"。
小公司用AI把以前要外包的测试自己做了，大公司让工程师用AI搞点创新小项目，都挺好。
现在当工程师，光会写代码不够了。
得会把业务需求变成AI能理解的任务，得知道什么活儿能给AI干，还得能看出AI干得好不好。
这三种能力，以后会越来越重要。
初级工程师可能直接就开始用AI写代码了，不像以前得从基础学起。
资深工程师呢，慢慢变成"AI指挥官"，不光自己用得好，还得带着团队一起用。
职业发展的路子，好像变宽了，但要求也高了。
不过老依赖AI也有风险，万一哪天让你自己写段核心代码，结果忘了怎么写，那就麻烦了。
所以得把握个度，核心能力还是得自己练着。
就像开车有自动驾驶，但方向盘还得自己握着才放心。
公司也得跟上趟，得说清楚哪些事必须人工干，哪些可以让AI帮忙。
考核的时候也不能光看写了多少代码，还得看看用AI干了多少新活儿，效率提了多少。
这样大家才知道往哪个方向使劲，总的来说，AI对工程师工作的改变，不光是干得快了，更是能干的事多了。
那些以前没时间、没精力、不敢尝试的工作，现在都能搞起来了。
这可能比单纯提高效率更有价值，以后工程师厉不厉害，就看能不能把复杂问题拆明白、会不会判断风险、能不能把AI的活儿检查好。
人和AI不是谁替代谁，而是搭伙干活，各展所长。
对咱们工程师来说，得赶紧培养这种"AI指挥官"的思维。
公司呢，也得重新想想怎么衡量工作成效。
只有这样，才能真正适应这个AI无处不在，但人的价值反而更重要的新时代。
热门跟贴