“这段为什么不直接用 AI 生成的那个？反正测试都过了。”——code review 现场，这样的对话越来越频繁。年轻的工程师能飞快地把功能堆出来：PR 干净，测试全绿，需求关闭。可一提追问就开始露怯：“这里为什么这么写？”“半夜线上炸了你第一步查哪儿？”“这个写法将来会不会埋坑？”真正让带人者后背发凉的，不是某次卡壳，而是更冷的一层推演：如果 AI 已经替他抹平了大部分本应挣扎的过程，他还会不会有机会长出那套判断力？
管理层那边也在算账，算法更直接。一位技术负责人告诉我，他的团队今年三个交付节点撞车。按老规矩，他得补两三个初级工程师，让老人慢慢带。头半年这几位大概率不是产出项，而是成本项——需求得逐句拆解，代码得逐行 review，线上问题不敢让他们独立碰，写出来的东西还得有人收尾。等他们真能独当一面，项目窗口早过去了。所以他把这套方案否了，直接给现有团队配齐 AI 编程工具，让几个中高级工程师把需求拆得更细，样板代码、接口联调、测试脚本和文档统统交给 AI 出初稿。结果很直接：三线节点全踩稳，人头一个没多招，预算省了一截。从任何一个季度报表看，这都是无可指摘的决定。
问题是，今年几乎每家技术公司都在做同样的演算。当所有人都发现“资深工程师加 AI”就能顶掉大半新人补位的额度，一件没人愿意挑明的事正在发生：这个行业供给资深工程师的入口，正在悄悄收窄。这不是“AI 抢走年轻人饭碗”的陈词滥调，真相比那冷静得多。AI 没有直接干掉新人岗位，它只是在每一张招聘审批表上抹掉了那个招聘理由。企业用 AI 填上了今天的产能缺口，却把人才供给的窟窿挪到了几年以后。这笔账很像技术债：眼下无痛，短期相当划算，却会在未来某一刻集中到期。区别只在于，技术债拖垮的是一个代码库，而人才债拖垮的，是一个行业的下一代。
要理解这笔账，得先想清楚过去初级程序员凭什么能进一家公司。答案有点反直觉：恰恰不是因为他们能力强。他们写得慢、想得浅、容易漏掉边界情况，对线上系统还没什么敬畏心。可即便如此，企业年年都在招他们，因为团队里有一大堆低风险、低难度却必须有人干的杂活——改一个页面、补一个接口、写一个脚本、修一个边角 bug、整理文档、跑测试用例。这些活看着不起眼，却是新人踏进工程世界的首张门票。公司用它们换来未来的人才储备，新人用它们换来在真实系统里练手的机会。这笔交易说不上完美，但一直成立。
AI 出现之后，最先被吃掉的恰恰就是这类活。样板代码能生成，单元测试能补齐，接口文档能整理，简单 bug 能让模型先定位，前端页面能从一张截图直接还原。过去一个新人要磨两天的东西，现在一个中级工程师带着 AI，半天就交了。企业的算盘于是快速切换到另一个问题——不是“AI 能不能完全替代一个初级工程师”，答案显然是不能；而是“既然现有团队加上 AI 就能顶住交付，我为什么还要招一个半年内不稳定、需要人带、还可能出错的新人？”这才是关键所在。初级岗位不是被 AI 正面打败的，而是失去了进入组织的理由。这比“AI 替代程序员”隐蔽得多，它不会表现为一场轰轰烈烈的失业，而是悄悄藏在招聘计划里少掉的那几个校招名额、HC 审批里划掉的那行 junior、部门负责人一句“先不招了，让现有团队用工具顶一顶”里。每一步都极其理性——可所有理性叠加在一起，就构成了结构性的断档。
先别急着批企业短视，他们这么做并不蠢。过去技术团队扩张走的是粗放逻辑：需求多了就加人，项目多了就扩组，老人带新人，慢慢往上顶。这套打法天然低效——新人头几个月的产出经常盖不住带教成本，业务又跑得快，人还没带出来，方向可能已经换了。AI 给了管理者一个舒服得多的选项：不扩编，先提效。资深的人拆任务、把关，中级的人用 AI 出初稿，沟通成本更低，交付更确定，管理半径更小，培养新人那段漫长又不确定的投入被一次性砍掉。在降本增效的主旋律里，这几乎是最容易被签字通过的方案。
就业市场数据也在往同一个方向走。美国劳工统计局的职位空缺与劳动力流动调查显示，信息行业招聘热度已明显低于 2022 年高点。同时，多项招聘市场观察都指向同一个现象：入门级技术岗位承压更明显。纽约联储关于近期毕业生的数据也显示，计算机科学、计算机工程应届生的失业率近年明显抬升，已经不再低于全体应届生的平均水平。需要说明的是，按专业拆分的应届就业数据样本有限、年度波动也大，不宜把某一年的排名过度解读成“读计算机不如读某某专业”。但放长看，趋势清楚：过去“学 CS 就有确定性入场券”的时代，正在松动。
这背后的逻辑并不复杂：AI 是放大器，不是替代品。它能放大一个人已有的判断力，却没法凭空给一个人判断力。一个资深工程师用 AI，能更快地写代码、查问题、验证方案——因为他知道哪里该信、哪里该改。一个毫无工程经验的新人用 AI，很可能只是更快地产出一堆连自己都讲不清的代码。企业自然倾向明确的配置：留住会判断的人，再用 AI 去补执行力。这正是这轮变化最冷的地方：AI 并不平均地托举每个人，它先抬高那些已经会判断的人，再挤掉那些本该靠干活来练出判断力的人。短期看，报告上写的是效率提升；长期看，这意味着训练场的消失。
行业内一个常被忽略的事实：资深工程师不是从招聘网站上长出来的。一个人从“能写代码”到“能在复杂系统里做出可靠判断”，中间隔着无数不体面的过程：看不懂祖传代码，被线上 bug 折磨到崩溃，被 review 打回去重写，半夜爬起来回滚版本，在一次次事故复盘里才弄明白“这里为什么不能图快”。这些经历很慢、很笨，也很难写进效率报表，可工程能力恰恰就是这么熬出来的。一个靠谱工程师值钱的，从来不是能不能写出某个函数，而是他知道这个函数丢进系统之后会发生什么——边界在哪里，哪里将来会变成技术债，哪个看似简单的需求会把整个系统拖下水。这种判断力灌不进去，也生成不出来，只来自真实的反馈。过去，新人正是靠那些低阶任务一点点攒下反馈：写错了被 review，上线挂了被追责，代码难维护被老项目反噬。
现在的问题在于，AI 正在替新人把这些过程统统跳过。根据相关研究，在学习陌生代码库的任务中，使用 AI 的一组测验平均得分为 42%，手写代码的一组为 67%，差距最大的是调试题。真正拉开差距的，不是“用不用 AI”，而是怎么用：把 AI 当概念讨论对象的人，更容易保留理解；把它当代笔的人，则更容易绕过理解。同一件事，对资深者和新人意味着完全不同的结果。资深者无所谓，脑子里早有一套成熟模型，知道 AI 写的代码哪里可疑、什么时候该推翻重来。新人没有这套底子，一上来就把 AI 当答案机器，就会很快尝到虚假的成就感——需求做完了，PR 合并了——可读懂系统、定位问题、为后果兜底这些真本事，根本没跟着长出来。
供给端由此被两头收紧：一头，企业减少初级招聘，新人越来越难挤进真实系统；另一头，就算挤进来了，也可能靠着 AI 绕过了那些本该用来长出判断力的挣扎。行业过去依赖的职业成长阶梯，正被悄悄抽掉最底下的几级踏板。效率数字好看了，但未来谁来做那个能在半夜线上炸锅时凭直觉摸到故障点的人？AI 可以给答案，却无法为灾难性误判买单。人才债的利息，终将不声不响地滚到某一代工程团队头上。
热门跟贴