在 QCon London 的一场演讲中，Alasdair Allan 抛出了一个让整个技术圈都坐不住的问题：如果 AI 接手了过去用于培养工程师的工作，下一代高级工程师将从哪里来？这位演讲者的判断很直接——AI 正在消除职业阶梯每一级上的学习机会，初级开发者进入行业的通道正在收窄。

Allan 指出，AI 正在编写大量代码，开发者这一职业的内涵已经发生了巨大变化。但他强调，编写代码从来都不是这个职业的核心目的。如今使用 AI 需要监督，而监督恰恰需要编程技能。当 AI 接手了那些曾经用来磨练新手的基础工作，初级工程师的技能发展就会受阻，最终可能以损害验证 AI 所写代码所需的技能为代价。

打开网易新闻 查看精彩图片

资深程序员的直觉，正在失去传承路径

资深程序员身上那种近乎本能的模式识别能力——系统应该如何构建、复杂性隐藏在哪里、系统在规模扩大后会在哪里出问题——如今已经无法再通过传统方式获得。Allan 说，初级工程师不会再花费数年时间阅读遗留代码库，或在凌晨 3 点调试生产事故。他们只会让 AI 智能体处理这些内容，并要求它进行总结。

这种变化直接冲击了所谓的“黑地（blackfield）”工作：处于高负载下的遗留系统，所有人都同意应该逐步弃用，却没有人有时间真正执行。规范可能从未编写过，也可能曾经编写过，却因为数十年没有记录的决策而失去意义。业务规则被编码在各种条件中，而理解这些规则的人早已离开。

Allan 提醒，AI 智能体可以阅读代码、测试文档，但它们无法读取生产环境。它们无法查看多年的请求模式，并理解哪些代码路径以代码本身无法揭示的方式承担着关键负载。这些恰恰是高级工程师判断力的核心来源。

年轻人不是被解雇，而是从一开始就没被雇用

在受 AI 影响较大的职业中，年轻员工的招聘速度已经放缓。25 岁以上员工的工作量并未减少。Allan 解释，这意味着进入行业的初级开发者越来越少——人们并不是遭到解雇，他们从一开始就没有被雇用。

各组织在争相采用 AI 编程工具的同时，也在削弱培养能够监督这些工具的人才通道。能够为 AI 构建良好上下文的人，是那些通过多年实践在头脑中积累了上下文的人。曾经培养出这些人才的通道，正在断裂。

Allan 用住院医师培训来类比：人们之所以要做那些枯燥的杂活，是因为这些工作能够让人学习，而不是因为这样做效率更高。坚持这样做的公司，才会在十年后仍然拥有高级开发者——因为到那时，我们其余的人都已经退休了。

研究数据揭示的残酷真相：牺牲学习，什么也没换来

演讲结束后，Allan 在接受 InfoQ 采访时给出了更具体的数据。研究结果的矛盾程度，比任何一方愿意承认的都要高。METR 的随机对照试验发现，经验丰富的开发者在使用 AI 后速度降低了 19%，但他们却认为自己的速度提高了 20%。Anthropic 发现，使用 AI 的初级工程师在知识掌握方面的得分降低了 17%，完成任务的速度却没有任何提高。他们牺牲了学习，却什么也没换来。

AI 对于简短、定义明确的任务确实有用，但随着复杂性增加，收益会迅速消失，瓶颈也会向上游转移至代码审查环节——而这恰恰是高级工程师判断力发挥作用的地方。在真实的开源项目中，AI 生成的 15 个 PR 没有一个可以合并，尽管它们都通过了自动化测试。AI 可以实现功能，却无法胜任工程技艺。

编程正在转变为监督工作

Allan 观察到，程序员的工作形态正在发生根本性转变。Anthropic 的工程师在 59% 的日常工作中使用 Claude，但只能完全委托约 20% 的工作。两者之间的差距，也就是生成与判断之间的空间，将是未来工作岗位存在的地方。AI 编写代码，人类判断它是否是正确的代码。

更令人担忧的是，现在 80% 到 90% 的工程问题都会被提交给 AI，而不是同事。当 AI 直接给出答案，却省略整个探索过程时，与导师一起艰难解决问题所带来的偶发学习机会就被绕过了。过去的职业发展通道是为编写代码的人建立的，我们尚未为监督系统的人重新构建这条通道。

诊断阶段：我们能做些什么？

Allan 坦言，他没有完整的答案。我们目前处于诊断阶段，而不是解决方案阶段。但他给出了现在就可以采取的行动：建立结构化的学习路径，有意识地安排基础工作轮岗，就像住院医师培训一样——因为这些枯燥的杂活能够培养判断力。我们需要衡量理解程度，而不是速度；观察人们如何思考，而不是他们产出了什么。

将上下文视为基础设施，编写这样的文档：它应该像是为一名懂得编程、却不了解该代码库的高级工程师准备的入职材料。我们需要设定诚实的预期——AI 是工具，不是老师。利用它跳过理解过程，就是在透支自己的未来。