当程序员不再写代码

关于 AI、程序员和未来工作的一些思考

前段时间，一个学计算机的小学弟跟我说，他已经好几个月没有真正敲过代码了。 我听到这句话时，第一反应是有点害怕。对一个计算机专业的学生来说，好几个月不写代码，放在以前几乎是不可想象的事情。可我很快又意识到，我其实没有资格站在“过来人”的角度批评他。 因为现在的 AI 确实写得比他快、比他完整，很多时候也比我快、比我好。这一点没有必要嘴硬。其实不只是他——突然回首，我自己也连续四个月没手写过代码了。更多时候，我是在描述需求、补充上下文、等待 Agent 工作，然后检查哪里不对，再让它继续修改。

我大学时做过一个贪吃蛇课程设计。当时前前后后做了三天，觉得已经挺快了，功能也比较完整，最后成绩也不错。后来我把这个需求交给 Codex，gpt-5.3-codex-spark 几秒钟就给出了能运行、功能一致的版本。 三天和几秒钟摆在一起，正常人会怎么选？

假如我是今天的大二学生，身边所有人都在用 AI Coding，作业、比赛、实习都在比较谁交付得更快，招聘甚至开始要求候选人证明自己长期使用过 Codex 或 Claude Code，我真的还能心无旁骛地花几天手写一个 HTTP Server、研究一个 Raft 协议、慢慢处理头文件、编译参数和各种莫名其妙的错误吗？ 我大概也不会。 这不是一代年轻人选择了捷径，而是整个市场取消了绕远路的奖励。

当捷径成为唯一有竞争力的道路时，是否走捷径就不再是个人选择。

但我真正觉得不对的，也恰恰是这里。 一个人在大学里花三天写完贪吃蛇，最后得到的不只是一个贪吃蛇。他还经历了怎样搭项目、怎样编译、怎样排错、怎样组织状态、怎样处理边界条件。这些东西当时看起来只是低效和折磨，后来却可能在真正工作时变成一种技术直觉。 如果这些过程都被压缩成一次对话，新人仍然获得了结果，却未必获得了产生结果的能力。 于是我想到一个问题：

当 Junior 不再做 Junior 的工作，他以后还会不会成为 Senior？

这可能比“AI 会不会让程序员失业”更值得担心。AI 最深远的影响，也许不是替代今天多少程序员，而是切断社会生产明天专业人才的路径。

一、代码不仅是产品，也是训练材料

站在公司的角度，代码当然是产品的一部分。页面能不能上线，接口能不能跑通，Bug 能不能修掉，系统能不能按期交付，这些才是最直接的结果。既然 AI 能以更低的成本、更快的速度完成，公司选择 AI 完全合理。 但站在程序员成长的角度，代码还有另一层价值：它是训练材料。一个人并不是写够一定行数以后自动成为 Senior。真正让人进步的，是写代码过程中经历的完整认知闭环：

理解问题 → 提出方案 → 亲自实现 → 制造错误 → 观察现象 → 建立假设 → 定位原因 → 接受评审 → 修正判断 → 承担结果。

我们过去觉得很痛苦的东西——编译失败、线上故障、并发问题、越界、脏数据、历史代码、环境差异——并不只是效率损失。它们还是一个人形成因果模型和技术直觉的过程。

AI 可以替你修复一个 Bug，但它也可能同时拿走这个 Bug 原本能够教会你的东西。你得到了一次正确交付，却没有自动得到完成这次交付所需要的判断力。 AI 可以让一个新人迅速交付过去只有中高级工程师才能完成的东西。表面上看，他的能力被放大了；但也可能只是他的产出被放大了。 这两件事不是一回事——我把这种错位叫作捷径悖论：

AI 让新人提前拥有高级产出，却不一定让他提前拥有高级能力。

AI 作为老师和 AI 作为承包商，短期内可能交付出几乎一样的代码。两年后，两个人面对一个模型也解决不了的复杂问题，差距才会真正出现。 2026 年的一项随机实验让开发者在用和不用 AI 的条件下学习陌生的 Python 异步库：用 AI 的那组事后概念理解、阅读和调试更差，把编码过程完整交出去的人损失最大；但只要人继续追问概念、保持认知参与，AI 一样可以是老师，而不是承包商。[1] 微软研究院的调查也发现，对 AI 越有信心，批判性思考往往越少。[2] 反过来，客服岗位研究里生成式 AI 让平均生产率提高约 14%，新手提高约 34%——标准化任务里，AI 可以把优秀员工的经验扩散给新人。[3] 所以真正的问题不是「用不用 AI」，而是把它设计成了老师，还是承包商。

现实工作中，残酷的地方在于，我们通常更需要承包商。公司不会因为你正在成长，就允许一天的活做一周；同事都在用 AI 时，拒绝使用只会显得自己慢。考核看的是结果，不是你形成了多少能力。

历史上出现过很像的事。英国汽车工厂推行精益生产之后，为了减少停机、闲置和“浪费”，削减熟练工、淘汰可供实验的旧设备，学徒观察故障、接触师傅和参与真实维修的机会也跟着减少。研究者的结论是：那些看起来低效的停顿、讨论、返工和试错，可能正是工作场所学习的基础设施。[4]这件事几乎可以直接映射到软件行业：

汽车工厂

软件行业

熟练技工

Senior 工程师

学徒

Junior 工程师

设备故障和维修

Bug、重构和线上事故

精益生产消灭闲置

AI 消灭“低效率”的手工实现

学徒接触师傅和故障的机会减少

Junior 参与真实编码、Review 和排障的机会减少

短期效率提高

短期交付速度提高

长期技能传承受损

长期 Senior 供给可能受损

企业眼中的低效，可能正是一个行业培养人才所需要的基础设施。

过去，企业在生产产品的同时，也顺便生产了人才。未来，如果 AI 接管了大量生产过程，人才培养就不会再自然发生。训练必须被专门设计、专门付费，而且企业必须接受一部分“明知道 AI 能更快完成，却仍然让新人亲自完成”的低效率。 产出可以外包，能力形成不能完全外包。

二、工作中的两个悖论：监督与接管

捷径悖论发生在学习的过程中。这两个，发生在工作中。

1. 监督悖论：要监督 AI，先要拥有 AI 替代掉的经验

现在很流行一种说法：未来程序员不用写代码了，只需要监督 AI。 听起来好像监督是一项更轻松、更低门槛的工作。实际上恰恰相反。你要判断 AI 的方案有没有遗漏、测试是不是假通过、代码是不是把问题藏起来了、某个极端条件下会不会发生数据错乱，前提是你自己理解整个系统。

一项基于 Cursor 平台的研究发现，Agent 把开发者的工作从直接实现推向了委派、上下文收集、规划和监督。但有经验的开发者明显更会委派：提问更少，规划和对齐更多，结果接受率也更高。Agent 没有抹平经验差距，反而在放大它。[5]于是形成了一个闭环：

要监督 AI，你需要经验；要获得经验，你需要亲自处理任务；但这些任务已经交给 AI 了。

一个从未真正解决过问题的人，很难判断另一个系统是否真正解决了问题。

2. 最后接管者悖论：人只剩下最难的 1%，却失去了处理它的练习

当 AI 接管 99% 的正常情况以后，人类留下来的往往是最异常、最复杂、风险最高的 1%。 可一个人如果长期没有参与正常流程，他凭什么在最困难的时候突然接管？

航空业很早就撞上过同样的问题。FAA 长期提醒飞行员避免过度依赖自动化，要求他们同时保持用和不用自动化系统的能力；NASA 的人因研究也发现，自动化降低了常规负担，却会削弱操作者的主动参与、模式意识和手动熟练度。[6][7]自动化最危险的时刻，不是它完全不能工作，而是它工作得足够好，以至于人类逐渐失去处理剩余异常的能力。

当 AI 接管正常路径，人类只剩异常路径；但没有在正常路径上练习过的人，也很难处理异常路径。

这不仅是能力问题，也是系统安全问题。未来的软件系统可能越来越依赖极少数真正理解底层的人。一旦模型、平台或基础设施出现系统性故障，社会是否还保留了足够多能够接管的人？

这几个悖论，假设了 AI 会停在 99% 上面的“监督悖论”和“最后接管者悖论”有一个我没有明说的前提：AI 能处理 99% 的正常情况，而最难的 1% 会长期留给人类。这篇文章关于“将来没人能接管”的担忧，都建立在这个前提上。

可这个前提凭什么成立？如果模型继续变强，异常处理、事故定位和架构决策也被逐步接管，那么“未来没有足够的 Senior 来接管系统”就不再是问题——因为不需要人接管了。这个担心会失效，但不是因为情况变好，而是因为问题被换成了另一个更大的：当人类在软件生产中不再承担任何不可替代的环节，我们要讨论的就不是人才断层，而是这个职业本身还剩下什么。

反过来，如果模型停在某个高原上，剩下的部分长期需要人，那么“能接管的人越来越少”才成立。我倾向于第二种。诚实地说，那两个悖论只在一个相当窄的区间里成立：AI 强到足以拿走练习机会，又没强到可以拿走责任。

三、我们可能正在消费最后一批按旧路线成长起来的 Senior

这里的“最后一批”不是说未来绝对不会再有 Senior，而是说，我们这一批程序员可能是最后一批主要依靠亲自写代码、犯错、调试、被 Review 和处理事故，一步步成长起来的人。 传统软件行业的人才链条大致是：

Junior → Mid-level → Senior → 架构师或负责人。

Senior 是一种存量，Junior 成长为 Senior 是补充存量的流量。可当 AI 接管大量低风险、局部和重复性任务以后，企业会越来越少需要金字塔底部的人。说得再直白一点：过去招 Junior 来干的那部分活，现在有相当一部分直接交给了 Agent。 AI 提高了现有 Senior 的生产率，于是企业短期内完全可以减少 Junior，继续使用过去十年培养出来的 Senior，再让他们管理多个 Agent。最初几年，这套结构甚至会显得非常成功：人更少、交付更快、管理成本更低、利润率更高。 但这不代表 Junior 没有价值。这就是存量—流量悖论：

企业不是证明了 Junior 没有用，而是在使用一个尚未耗尽的 Senior 库存。

真正的风险会延迟出现：新人不再被招聘，初级任务不再由人完成，几年以后，一批 Senior 离开、退休、转行或者知识老化，企业才发现市场上没有足够多真正能处理复杂问题的人。 今天的生产率繁荣，可能是在消费过去的人才存量，并向未来积累能力债务。AI 带来的一部分即时生产率，也许不是免费创造出来的，而是从未来的人力资本中借来的。 这不是管理者愚蠢，而是企业的理性：

• 培养新人需要时间；

• 新人培养完还可能跳槽；

• Senior 加 AI 今天就能交付；

• 企业承担训练成本，收益可能属于下一家公司；

• 当前季度利润比五年后人才供给更重要。 站在 Junior 一边，使用 AI 也是理性的：

• 同事都在使用；

• 企业要求更快交付；

• AI 写得可能比新人更完整；

• 不使用 AI 反而显得效率低；

• 招聘考核看结果，而不是看他有没有真正理解。

于是出现了一个典型的集体行动问题：

每个 Junior 都理性地使用捷径；每家公司都理性地减少培养；最后整个行业失去了生产专家的能力。

这可以叫作“人才公地悲剧”。每家公司都希望从市场上购买成熟的 Senior，却没有公司愿意承担生产 Senior 的成本。

一个公司可以裁掉今天的 Junior，但它无法在五年后招聘一个从未被培养出来的 Senior。

这种担心还不能说已经被完全证实，但就业数据里已经出现值得警惕的信号。斯坦福数字经济实验室基于美国工资单数据发现，在受生成式 AI 影响最大的职业里，22 至 25 岁早期劳动者出现约 16% 的相对就业下降，同职业里更有经验的人则相对稳定——无法全部归因于 AI，但分化从 2024 年开始变得清晰。[8][9] 招聘端同向：美国资深岗位发布同比增长，中级和入门岗位下降，软件开发里资深职位已占 2026 年一季度发布量的 69.3%；[10][11] 大型科技公司新毕业生占比已不到 7%。[12][13]

中国的证据更像「门槛上移」：招聘总量未必立刻下降，但工资、学历和经验要求在提高。[14][15] 说白了：岗位未必立即消失，但同样的岗位更难进了。

反面证据必须一并看。耶鲁预算实验室比较 AI 暴露与非暴露职业，到目前为止没有发现显著的就业或实际工资冲击；[16] 丹麦行政数据配合大规模调查，也把 ChatGPT 发布两年后收入和工时的变化压在 2% 置信区间内——但同一批作者发现，工作内容已在大幅重组，技术变革会在总量数字之前先重塑工作本身。[17]所以更准确的说法是：目前能看到的，主要是工作内容重组和入口收缩，而不是已被证实的总量冲击。

人才链断裂也不是技术宿命。德国企业面板显示，在本就有成熟培训体系的企业里，持续采用 AI 与新学徒数量增加 14% 相关。[18] 同一种技术可以走向不同结果：制度把 AI 设计成训练工具，它能加速学习；只追求立即替代，它就会切断入口。真正的问题不是 AI 天生会不会培养人，而是谁愿意为培养人付费。

每一层抽象都被说成会切断人才培养，结果都没有 汇编让人不必再管寄存器分配，当时就有人担心程序员会失去对机器的理解；高级语言让人不必再管内存布局；框架让人不必再手写 HTTP 解析和状态机；Stack Overflow 让人不必再从第一性原理调试；开源让人不必再从零实现一个数据库。每一次，都有前辈说这一代人再也长不成真正的工程师了。

结果并没有。今天的 Senior 大多不会手写汇编，也没实现过 TCP 协议栈，但他们仍然是 Senior——因为 Senior 的定义跟着抽象层一起上移了。判断力没有消失，只是换了位置：从“能不能手写内存分配器”变成“能不能设计出正确的分布式一致性方案”。按这个逻辑，AI 只是下一层抽象；Junior 不再手写 CRUD，但会更早接触架构、需求建模和系统边界。那么前面三章担心的“认知闭环被拿走”，也许只是把当前这一层抽象误当成了能力的本质。

我觉得这次可能不同的三点：

1. 过去的抽象是确定性的，AI 不是。编译器不会把你的代码编译成一个看起来对、跑起来也对、却在某个边界条件下悄悄错掉的版本。你可以信任编译器而不必理解它，但你不能同样地信任模型。同一行源码，编译器无论何时都生成同一份二进制；同一个提示词，模型过几分钟再跑一遍，生成的代码往往已经完全不同。模型输出的是概率最大的下一个 token，不确定性是它的底层性质，不是使用方式的问题。

2. 过去的抽象替换的是执行，AI 替换的是判断本身。框架替你写了 HTTP 解析，但要不要用它、接口怎么设计、出问题怎么定位，仍然是你的事。Agent 却能一路做到方案、实现、部署和自查。

3. 过去每一层抽象都稳定了足够久，久到新人能在新的一层上重新长出经验。汇编到高级语言用了十几年，框架生态成熟也用了近十年。AI 这一层每几个月移动一次，人可能还没在新位置上站稳，位置就又变了。

过去的互联网公司像一座人才金字塔：顶部是少数负责人，下面是一批 Senior，再下面是更多 Mid-level 和大量 Junior。 AI 可能把这座金字塔变成一根针：

• 顶部是极少数掌握目标、上下文、客户、资源和责任的人；

• 中间是少量能够处理异常、验收结果和承担事故的人；

• 底部不再是大量新人，而是大量 Agent。

这并不是简单的“Senior 赢了，Junior 输了”。Senior 内部也会剧烈分化。 真正可能升值的，是少数上下文和责任所有者。他们知道业务真正要什么，理解系统之间的关系，拥有决策权、客户关系和事故责任，AI 能放大他们的作用。 大量普通实现型 Senior 则未必安全。他们虽然工作多年，但主要价值仍是完成明确需求、维护常规系统、排期、汇报、协调和信息传递。AI 不只会压缩编码，也会压缩任务拆分、状态同步、文档整理和项目汇总。一些过去因为人类沟通成本而存在的管理层，也可能和执行层一起变薄。

未来升值的不是 Senior 这个头衔，而是对稀缺上下文、真实结果和最终责任的所有权。

同时，也需要避免把“一个程序员管理十个 Agent”理解成简单的十倍生产率。GitHub 早期实验里，边界清晰的任务上 Copilot 让开发者快了约 55%；[19] 但 METR 在成熟开源仓库里的交叉实验中，当时的工具让有经验的开发者平均变慢 19%，而他们自己仍以为变快了。[20][21] 另一项研究更说明问题：自主 Agent 让提交量累计提高约 180%，到项目数量只剩约 50% 增益，到实际软件发布只剩约 30%。[22]一个人可以同时发起十份工作，不等于组织能稳定交付十倍结果。瓶颈会从写代码迁到任务定义、上下文、审查、集成、权限、发布，以及对商业结果和事故负责。DORA 也反复提示：AI 能提高吞吐量，但薄弱的测试与治理会被一并放大。[23]所以，未来组织可能确实需要更少的人，但被保留的人不只是“会写代码的人”，而是能够定义问题、验收结果和承担责任的人。

未来的组织未必是一座更小的金字塔，而可能是一根针：极少数人站在顶部，下面连接着大量 Agent。

我本身也是在互联网行业的一名 coder，自己也在互联网大厂里做过 Agent 项目，而且实际效果还不错，一些业务方也在用。 有一次，另一个业务负责人来问我：“你这个 Agent 看起来挺复杂，用了什么 Harness？脚手架用的什么？整体是怎么搭的？” 我当时愣了一下，只能很诚实地说：我也不知道。 我给 AI 的主要是需求文档和业务上下文。方案、代码，甚至很多部署过程，都是 AI 自己完成的。我做的事情更多是体验、验收、指出哪里不好，再让它继续修改。 这件事让我产生了一个很不舒服的问题： 如果这些东西大部分都是 AI 自己设计、自己实现、自己部署，那么这件事为什么一定要由我来做？换一个人，同样拿着需求文档跟 Agent 对话，真的会差很多吗？

这就是我感觉这里的护城河非常浅的原因。我并不觉得 Agent 工程师和几年前的 Prompt 工程师有什么本质区别。

做 Agent 的时候，我还有另一个更不舒服的感觉：互联网大厂对 AI 的痴迷，有时已经过头了。 正常该先找到钉子，再造锤子。可眼下很多项目反着来：先造锤子，再看谁都像钉子。我做 Agent，是场景先坏了；旁边不少人却是 Agent 先做好了，再劝业务来用——几乎是替别人重新定义工作。脱离业务的 Agent 就是空中楼阁：没有钉子，锤子再亮也没用。

前两年大家谈提示词工程师。当时需要写很长的 Prompt、设计角色、提供示例、拆解步骤、要求反思。今天，模型越来越强，很多事情只需要说一句“你看着办”甚至是“你悟一下”，它就大概知道你要什么。 一项对两万多个 LinkedIn 职位的分析，只找到 72 个 Prompt Engineer 岗位，占比不到 0.5%。提示词工程师从一开始就没有成为能够承接大规模就业的独立职业。[24]更重要的是，提示工程并不是“被所有人学会了”，而是越来越多需求被模型自身吸收。过去由人显式完成的意图识别、任务拆解、格式控制、路由和反思，已经逐步变成模型的默认能力。[25]

提示工程师的消失，不是因为人人都成了提示工程师，而是因为模型替所有人掌握了提示工程。

对今天的通用 Agent 工程、RAG 和工作流编排，也可能发生相似的事情。 可以把这个过程称为“脚手架吞噬效应”：

1. 模型暂时做不到某件事；

2. 人类用 Prompt、RAG、Agent 编排和 Harness 补足；

3. 围绕补偿方案形成岗位；

4. 模型或平台把补偿能力变成原生功能；

5. 原岗位被标准化、廉价化或者直接消失；

6. 人类继续移动到下一层模型暂时做不到的边界。

一项关于任务链的研究发现，当某个步骤被 AI 自动化以后，相邻步骤也更可能继续被 AI 接管，企业会有动力把孤立的自动化连成端到端流程，以减少人机交接和重复审查。[26]这意味着，今天搭建 AI 流水线的人，也可能是在搭建一条最终减少自身需求的流水线。

最直白的例子来自 OpenAI 自己。2026 年 7 月发布 GPT-5.6 时，官方披露旗舰模型 Sol 独立完成了同代最小模型 Luna 的后训练：研究员只给了一段「相当不完整」的提示，Sol 自行套用既有的训练配置、挑选 GPU、启动脚本并验证训练，省下的工作量约为两名研究员两周。[27]如果连训练模型这件事都开始由模型接手，今天开开心心为模型搭流水线的人，凭什么认为自己那一层高枕无忧呢？

AI 创造的一部分岗位，恰恰以消灭更多岗位为工作内容（包括他们自己）。如果一个岗位的全部价值来自当前模型还不够聪明，那么下一次模型升级就是它最大的职业风险。

AI 当然会创造工作：部署、评测、安全、审计、专有业务接入和基础设施都需要人。但要分清哪些是长期运行所必需，哪些只是模型尚未成熟时的施工劳动，哪些最终会被模型内化，哪些又只会集中在少数云厂商手里。Indeed 的数据显示，美国约 90% 的 AI 职位发布来自 1% 的招聘企业；[28] 增长是真的，却不是能普遍承接所有被替代者的新就业基本盘。世界经济论坛的调查里，77% 打算做技能升级，41% 打算在可自动化领域减人——[29] 它回答不了关键问题：新增岗位会不会落到被减掉的那批人手里。 所以我越来越觉得，很多 AI 应用岗位很像「施工期岗位」。基础设施没搭完、模型能力还不完整时，需要大量人铺管道、接流程、补缺陷；成熟之后，建设期的热闹未必变成长期就业。 这条路有点像土木和基建：建设阶段到处缺人，搭完以后稳态需要的人数完全是另一回事。我不会断言互联网一定完整重复这条轨迹，但计算机行业很可能正在经历自己的施工高峰。

一场“葵花宝典开源”式的军备竞赛

我有时候会想到一个很形象的网络段子：如果有人把武林里的《葵花宝典》开源了，会发生什么？ 你不自宫去练，别人练了以后就能轻易打败你；你自宫去练，所有人也都会跟着练。最后，大家并没有因此获得长期的相对优势，只是共同把竞争的最低门槛抬高了，或者通俗点说，这就是传统意义上的内卷，努力的结果不是为了让自己达到什么目标，而是让别人更加难达到这个目标。

开源的《葵花宝典》与 AI 时代的军备竞赛

AI Coding 很可能就是这样。不用就输速度，企业不做就输成本和迭代；所有人被迫加入竞赛。社会总产出当然因此提高了，但从相对位置看，它很像军备竞赛：工具和算力成本升高，产出升高，及格线升高，却很少有人能仅靠「会使用 AI」拿到长期超额收益。

AI 没有让每个人都长期领先，它只是把整个行业的及格线抬高了。

我和一些做大模型、做 AI 应用的朋友聊过，听到过一种很夸张、但也很值得警惕的情况：有的团队，AI 相关的算力和调用开支已经超过了人工开支。 这类事情已经不只是传闻。Uber CEO 说他们「一个季度就把全年的 AI 预算基本花完了」，并因此要「控制人员增长」；CTO 也承认 2026 年预算四个月耗尽，随后给每名员工的每款智能体编程工具设了每月 1500 美元上限。[30] 值得注意的不是这笔钱有多大，而是兑现方式：超支之后，公司选择的不是砍 AI，而是放慢招人。 我自己的体感也类似。大厂内部重度使用时，一个月的 API 费用有时能到我工资的一半甚至更多。但是公司不可能永远同时多付两份账单。如果 AI 能带来足够大的新收入，这笔钱当然可持续。但在国内互联网市场相对成熟、用户时间和付费能力都有限的情况下，很多投入首先是防御性的：

我不一定能因为用了 AI 多吃一块市场，但如果不用，原来的市场可能被别人吃掉。

于是成本这样传导：所有公司都要付模型、Token 和算力；市场不会因此同步扩大一倍；AI 先变成新增成本；生产率必须兑现为可计算的财务结果；最直接的办法，往往不是让所有人更轻松，而是让更少的人完成原来的工作。 因此，更准确地说，不是「AI 费用本身必然导致裁员」，而是：

当企业既要支付 AI 成本，又无法从一个饱和市场获得同比例的新收入时，生产率最终很可能被兑现为人力成本的下降。

AI 调用价格未来当然还会下降，但这未必消除替代压力——模型越便宜、越可靠，把工作从人转给模型的账越好算。 这就是我为什么把今天的 AI 应用繁荣称作「施工期繁荣」。现在到处招人、搭 Agent、买算力；这些投入最终必须回答：它们究竟创造了新市场，还是只让企业能用更少的人争夺原来那块市场？如果答案更多是后者，那么施工完成后的下一步，很可能就是互联网的大逃杀。

六、公司正在“蒸馏”员工

前面讲的都是 AI 从外部提高员工的产出。但还有一条更安静的线同时在走：企业正在从内部把员工的经验抽出来。

最近在工作里，我越来越强烈地感觉到，公司做的已经不只是“给员工配一个 AI 工具”。

我们正在被要求进行更大规模、更细致的文档化：业务背景、系统结构、常见问题、操作流程、事故经验、判断规则，能写下来的尽量写下来，然后再把这些文档交给内部 Agent，让它能够回答问题、执行任务，甚至逐渐接手一部分原来需要人完成的工作。

文档化本身当然不是坏事。过去很多公司都吃过“知识只存在于某个人脑子里”的亏：人一离职，系统为什么这样设计、某个流程为什么不能改、某类故障应该怎么处理，也跟着一起消失。把知识沉淀下来，本来就是正常的工程建设。

但当文档化和 Agent 结合以后，它的意义开始发生变化。

过去，文档是为了让另一个人更快理解你的工作；现在，文档也在让模型更快学会你的工作。过去公司购买的是员工当前的劳动；现在公司还可以把员工的经验、操作方法和判断过程转化成一种能够长期留在组织里的模型能力。

我把这种过程叫作“蒸馏员工”。这里的“蒸馏”是一个关于劳动关系的比喻：

把原本附着在员工身上的人力资本，逐渐转化成企业可以复制、调用和长期保存的模型资本。

Meta 的案例把这件事展现得更加直接。Reuters 报道，Meta 曾计划在美国员工的工作电脑上采集鼠标移动、点击、键盘输入和部分屏幕快照，用真实的日常操作轨迹训练能够自主使用电脑的 AI Agent；在员工对隐私和控制权提出强烈异议后，公司又缩减了部分采集方案。[31][32] 同一时期，Meta 还进行了一轮围绕 AI 工作流的组织重构，裁减约 10% 的全球员工，并把约 7000 人转入与 AI 工作流相关的新项目。[33]

这两件事之间没有已经被证实的因果关系，我也不认为 Meta 是收集完数据就照着数据裁人。但它们并置在一起，确实揭示了一条非常现实的技术路径：

1. 员工完成工作；

2. 公司把流程写进文档，或者记录操作轨迹；

3. Agent 学会标准化流程；

4. 人类只处理模型暂时不会的异常；

5. 异常处理过程继续被记录和文档化；

6. 下一代 Agent 又覆盖更多异常；

7. 企业重新评估这条流程到底还需要多少人。

这也是我在自己的工作中能够感受到的变化。公司推动大规模文档化，表面上是在提高知识复用率，背后也在为 Agent 建立更完整的上下文。我们正在一边完成今天的任务，一边把“怎样完成这些任务”整理成机器可以学习的材料。

员工不仅在完成今天的工作，也可能在生产未来减少这个岗位所需要的训练数据。

过去，公司最担心的是员工离职以后把知识一起带走。未来，公司更理想的状态可能是：人离开了，但他的工作方法、操作流程和一部分判断仍然留在模型里。

当然，文档化不等于裁员，知识沉淀也可以降低协作成本、减少重复劳动，并帮助新人更快进入业务。但当它与前面提到的 AI 账单、生产率目标和组织压缩结合以后，它就不再只是一个中性的工程实践，而可能成为从“少数人加大量 Agent”走向现实的基础设施。

AI 一边从外部提高员工的生产率，企业也在从内部抽取员工的经验。前者减少完成工作所需的人数，后者降低知识继续依附于人的必要性。

AI 当然重要。不会使用 AI 的人，未来很可能直接失去竞争资格。 但“必须会”不等于“能够构成壁垒”。 今天会使用 AI，越来越像会使用搜索引擎、Office、Git 和 IDE：它是一张入场券，不是一条护城河。 更要命的是方向。模型越强，使用门槛反而越低：过去需要大量提示和复杂 Harness 才能做的事，后来一句自然语言就够了。普通使用者和所谓“AI 专家”之间的差距，会被模型本身不断压平。 这一点和大多数值钱的技能正好相反。一项能力之所以能长期变现，通常是因为它的门槛随时间上升——经验越久越难被追上。而 AI 使用的门槛正在随时间下降，每一次模型升级都在替所有人补齐差距。你今天靠熟练度建立的领先，下一个版本可能就自动消失了。

AI 不会成为大多数人的长期壁垒，它更像一个放大器。最终决定你价值的，是它在放大什么。

也有人觉得，程序员暂时还没被完全替代，是因为代码逻辑太复杂、注释太少——屎山才是眼下最大的护城河。这句话大部分是对的：Agent 在干净的新项目里进展很快，一进年头久、隐含约束多、和线上行为对不上的老系统就容易卡住。但屎山抬高的是切换成本，不是壁垒。护城河应当越守越深；屎山是企业迟早会出钱铲的负债——重构、重写、补文档，以及前面说的把经验蒸馏进 Agent，都是在挖这座山。山越高，铲掉它的预算往往越容易批。靠「别人看不懂」吃饭，和靠「会用 AI」吃饭一样，经不起下一轮工具进步。

如果 AI 放大的只是通用代码、公开资料、基础 Agent 串联和所有人都能访问的模型能力，那么这种优势很快会被复制。真正拉开差距的，是放大器底下那个被放大的东西。但当所有人和所有公司都拥有了相似的 AI 放大器以后，竞争并不会因此停止。它只会从“谁会使用 AI”，继续迁移到“谁能以更低成本获得客户、数据、现场和真实收入”。 这时，下一个问题就不再是 AI 能不能生产更多东西，而是：社会真的需要这么多新增产出吗？即使需要，它还需要多少人来生产？

八、更多产品、更少岗位：互联网不会变小，而会先变薄

这是最好的时代，也是最坏的时代。——狄更斯

谈到技术进步时，人们经常说：生产率提高会降低成本、创造更多需求，因此最后还会创造更多岗位。 这件事有时成立，但不是规律。 一个行业需要多少人，可以粗略理解为：

劳动需求量 ≈ 总产出需求 ÷ 人均生产率。

假设原来 100 名程序员生产 100 份软件产出。AI 让每个人的产出提高到原来的 5 倍，而市场需求只扩大到 2 倍，那么完成 200 份产出只需要 40 个人。 需求已经翻倍，岗位仍然减少了 60%。

产出翻倍，不代表岗位翻倍

所以我们至少要拆开四个常被混在一起的指标：

1. 1. 产品和服务的数量；

2. 2. 产业收入和真实付费需求；

3. 3. 企业和创业主体的数量；

4. 4. 完成这些产出所需要的人类工时。 它们完全可能朝不同方向变化。

美国农业是最直接的反例。1948 年至 2017 年，总产出接近增到原来三倍，农场就业却下降约 81%，就业占比从约 13% 降至约 2%。[34] 粮食变便宜，并没有让人把消费提高到十几倍。James Bessen 对纺织、钢铁和汽车两百年历史的研究说明：自动化早期压低价格、需求扩张，就业一度增长；市场饱和后，同样的自动化就开始压低就业。[35] Acemoglu 和 Restrepo 把机制拆成「替代效应」和「恢复效应」：机器接管旧任务会降低劳动需求，只有创造出足够多仍由人类具比较优势的新任务，需求才会恢复。[36]所以生产率提高是否增加就业，取决于需求扩张是否快于人均产出，以及新增需求是否仍需要大量人类劳动。 AI 的特殊风险是，它不只替代旧任务，还会继续追赶刚被创造出来的新任务。提示词、RAG、Agent 编排最初是围绕模型缺陷产生的人类工作，随后又可能被下一代模型吸收。

过去的技术革命往往通过创造新的劳动任务吸收被替代者；AI 的特殊风险，是它会继续追赶那些刚刚被创造出来的新任务。

AI 完全可能带来更多创业公司——做产品的成本下降，几个人就能完成过去几十人的工作。但公司变多，不代表总就业变多：创业公司可以更多，平均人数可以更少；数字产品可以更多，付费需求未必同比；代码量可以爆炸，工资总额却可能下降。LinkedIn 已观察到，美国初创企业成立第一年的平均人数较 2021 年减少约 26%。[12:1]

创业民主化，不等于就业民主化。更多产品、更多公司和更少就业，可以在同一时期同时发生。

AI 确实创造了巨大的新增需求，但未必主要表现为传统互联网岗位，而更多流向 GPU、数据中心、电力储能、制冷机电、光模块、半导体设备和工业自动化。全球数据中心投资 2024 年接近 5000 亿美元，用电约 415 TWh，到 2030 年可能接近 945 TWh；[37] 中国 2025 年建成 42 个万卡级智算集群。[38] 这些数字涨的是资本开支和能源，不是净就业。Meta 相关报道也指出：大型数据中心建设期可以产生数千个岗位，投运后长期岗位可能只有百人量级。[39]

施工期岗位 vs 稳态岗位

这就形成了三重错位：

• 行业错位：被压缩的是程序员、产品、运营、客服和内容，增长的可能是电工、暖通、芯片设备和工业控制；

• 技能错位：前端开发者不能立刻变成高压电工或制冷运维；

• 时间错位：建设期岗位多，投产后稳态岗位少。

AI 可能是一场资本开支繁荣，而不一定是一场就业繁荣。

但「岗位减少」这个说法还不够准。未来的软件、代码、网站和 Agent 很可能不是变少，而是更多。真正减少的，是人、组织层级、职业入口，以及普通劳动者能够分到的收益。一名程序员可以同时让多个 Agent 工作，管理层也可以靠 AI 拆任务、同步进度、汇总信息——组织不是整体缩小，而是每一层都在变薄：

产品更多，从业者更少；组织更薄，职业入口更窄。

美国劳工统计局对 2024—2034 年的预测就体现了这种职业内部重组：“Computer Programmers”预计下降 6%，软件开发、测试和质量相关职业预计增长 15%。[40][41] 同一个行业里，「写代码」和「拥有并维护软件系统」正在变成两种不同的经济角色。

技术实现壁垒也会同步下降。过去需要一百名工程师和多年代码才能完成的东西，未来小团队很快就能复制。写出软件越来越容易，建立一家长期盈利的软件公司却可能越来越难——壁垒会从代码本身，迁到代码之外的地方，这一点第十一章会展开。

开放互联网的价值回流也在变薄

过去的循环是：用户搜索、点击网站，网站靠广告、订阅或交易养活内容。AI 答案引擎则可能变成：模型大量读取网站，用户直接得到综合答案，不再访问原始页面。 Pew 发现，Google 出现 AI 摘要时，用户点击传统结果的比例约 8%，没有摘要时约 15%；直接点摘要来源的只有约 1%。[42] Cloudflare 估计，2025 年 Google 大约每 14 次抓取带来一次访问，OpenAI 约需 1700 次；[43] 比例不能当全网精确值，但不对称很清楚：AI 消费开放内容的速度，远高于向生产者返还流量的速度。Google 则称 AI Overviews 在部分查询上增加了超过 10% 的搜索量——[44] 搜索更多，不等于独立网站获得更多点击和收入。 未来互联网可能拥有更多内容，却更少有人直接访问内容生产者；页面没消失，页面与用户、收入和社会影响力之间的连接却变弱了。

互联网不会首先变小，而会先变薄。应用层繁荣，劳动层收缩，利润层集中。

需求会出现饱和吗？ 本章开头那个“劳动需求量 ≈ 总产出需求 ÷ 人均生产率”的算式，结论完全取决于分子涨得有多快。我假设了软件需求的扩张追不上生产率，但这个假设值得推敲。

Jevons 效应说的就是这件事：煤炭利用效率提高之后，煤的消耗量不降反升。软件也可能如此——今天大量真实需求之所以没有被满足，恰恰因为定制软件太贵。当开发成本下降一个数量级，那些从来雇不起工程师的中小企业、地方政府、非营利组织和个人，可能第一次成为软件的买家。如果分子涨了十倍而人均产出只涨五倍，就业不但不会减少，反而会增加。

我拿美国农业当例子：人的胃口有物理上限，粮食需求必然饱和。软件有没有类似的上限？我觉得有大概率是有的——一个人一天只有 24 小时。消费互联网卖的是注意力，而注意力的总量是钉死的：再多的 App、视频和内容，也只能在同一批人的同一天里互相抢时间。国内互联网早就是存量市场，原因就在这儿——不是产品不够多，是时间已经打满了。

但这只挡住了一半。企业软件、垂直行业系统、政府和小微商户的需求，抢的不是用户的 24 小时，而是企业的预算：一个县城工厂的 MES、一家小店的进销存，从来不是因为没人想要才不存在，而是因为开发成本摊不平。这一块的天花板在哪儿，确实还没人知道。

所以这些需求的主要来源不在 C 端，在 B 端。而 24 小时锁死的那半边，恰好是国内绝大多数程序员所在的地方。

九、压力会沿着职业阶梯向下传导

不要问丧钟为谁而鸣，它就是为你而鸣。

很多人会觉得，大厂程序员失业只是互联网行业自己的问题。 我不这么认为。 当头部公司的岗位减少，一批有大厂经验的人会去中型互联网公司；中厂获得更资深的候选人以后，会提高招聘门槛；原来的中厂程序员继续向传统企业、外包和自由职业市场移动。压力会从上层一路向下传递。 历史上出现过类似的“职业降级”。2000 年后的美国劳动市场研究发现，当高技能认知任务的需求减弱，高学历劳动者开始进入过去由较低技能劳动者承担的岗位，较低技能劳动者又被继续向下挤压，一部分人最终退出劳动力市场。[45]这几乎就是我看到的传导链：

大厂缩编 → 大厂程序员进入中厂 → 中厂提高门槛 → 原中厂劳动者进入传统行业和外包 → 下游劳动者继续被挤压。

当一个 Senior 和一个 Junior 的价格差距缩小，公司几乎一定会选择 Senior。这会让 Junior 更难获得第一份工作，而第一份工作减少，又会进一步削弱未来 Senior 的供给。 采用自动化的头部公司本身甚至可能继续增长和招聘。法国制造企业的研究显示，采用机器人的企业提高了生产率并增加自身就业，但夺取对手份额后，行业总体就业仍可能下降。[46] 所以看几个头部 AI 公司招了多少人，不能代替看整个行业失去了多少岗位。 AI 对就业的冲击也不一定先表现为整齐的大规模失业，而可能是：应届岗位变少，三五年经验成为默认要求，Senior 开始申请过去属于 Junior 的工作，工资和职级下压——人还在岗，但已经低于原来的能力和收入。 就像这几个月一直在传的「某某大厂开始裁员了」，很多人问来问去到底是不是真的。就我看到的，眼下多数还停留在传闻和局部调整。但上面这些变化，未来两三年之内大概率会变得普遍——它们比裁员公告安静得多，也更难被统计到。

我的主观判断是：五年左右，白领的劳动需求可能收缩三成左右（注意是白领整体，不仅仅是程序员）。

劳动需求收缩指的是企业需要的白领工时比原本少三成，兑现方式通常很安静：空缺不再补人、初级招聘先冻、外包辅助先砍、在岗者扛更多事、真正的解雇只占很小一部分且常被包装成组织调整。

这个数可以摊开算。把白领工时按「模型能不能把整件事接走」分三层：

白领工时

占比

五年后人均产出

折算工时

纯数字执行（基础编码、客服、报表、文档）

50%（实测区间取中）

2 倍

0.25

必须有人签字担责

25%（剩余比例预估）

1.25 倍

0.20

要人到现场

25%（剩余比例预估）

不变

0.25

合计

100%

0.70

生产今天这么多产出只需要七成工时，也就是收缩三成。

麦肯锡全球研究院用完全不同的方法算到了同一个数：到 2030 年，美国经济中约 30% 的现有工时可以被自动化——没有生成式 AI 时这个估计是 21.5%，生成式 AI 把它推到了 29.5%。[47] 而且那是全经济口径，里面包含大量必须动手的体力工作；白领单独拿出来只会更高，同一份报告里商务法律和 STEM 专业人士被自动化的工时占比都是 30%，办公室支持和客服还要更高。

三层的占比有实测：Eloundou 等人给近千个职业逐任务打分，耗时能减半的占 47% 到 56%；[48] Anthropic 按真实对话统计，能完全交出去的占四成半到五成。[49]

不过这七成只是分母。第八章那个式子是「劳动需求 ≈ 总产出需求 ÷ 人均生产率」，上面这张表只算了分母，等于默认五年后社会需要的白领产出和今天一样多。分子一动，结论就跟着动：

• • 产出需求不变 → 劳动需求 0.70，收缩 30%；

• • 产出需求涨两成 → 0.84，收缩 16%；

• • 产出需求涨到 1.43 倍 → 1.00，一个岗位都不少。

所以准确的说法是「在产出需求不变的前提下收缩三成」，区间大致落在 0 到 30% 之间。前面 Jevons 那一节没有给出结论，这里同样没有：如果 B 端的天花板足够高，分子完全可能追上分母。我个人押它追不上——注意力总量是钉死的，企业预算的扩张速度大概率慢于人均产出。

技术冲击不能让所有人失业，但是能让所有人的就业条件恶化。

我身边越来越多人开始考公、考编，或者往国企、银行里跑。我完全理解。和互联网比，这些岗位制度保护更强、裁员更慢，也更容易给人稳定预期。 但我对「进入体制就获得永久铁饭碗」仍然怀疑。中国大规模国企下岗潮主要发生在上世纪90 年代末：1998 至 2001 年底累计约 2550 万下岗职工，到 2004 年约 2818 万。[50][51] 我不是说今天的公务员或国企一定会重复当年路径——制度、财政和社会保障都已不同。这个案例真正提醒的是：

所谓“铁饭碗”，从来都建立在特定的经济结构和制度安排上，而不是一条脱离生产力变化的自然规律。

银行就是现实例子。到 2026 年，大模型已嵌进研发、运营、风控和信贷，邮储银行披露单据智能识别替代率 90%、重复业务指导问答替代率 70%。[52] 政务侧也在推进智能问答、材料预审和辅助办理。[53] 少增编、合并转岗、先压缩外包、提高绩效、同样的人扛更多事。 所以我更愿意把国企、银行和公务员看成一条更高的堤坝，而不是没有风浪的世界。

体制可能改变寒气传导的速度，却未必能让一个岗位永远脱离生产率革命。

对个人而言，考公、进国企当然可以是合理的风险选择；但如果把全部安全感建立在「这个组织永远不会改变」上，可能仍然低估了这轮技术革命的深度。

十、一条完整的传导链

把前面九章串起来：这不是九个独立的问题，而是一条完整的传导链。

我真正想表达的，从来不是“AI 很强”“Junior 不写代码”“Agent 岗位不可靠”“以后蓝领更吃香”这几句互不相干的判断。它们其实是两条主线交织，再被第三条线加速，最后汇成一条从个人选择、企业成本，一直传导到整个白领社会的链条：

• 人才成长线：AI 接管 Junior 原本用于练习的任务，让新人更难形成独立能力，也让企业更不愿意承担培养成本；

• 劳动需求线：AI 提高人均产出，却没有让市场和收入同比扩大，企业最终会尝试通过少招人、压缩层级和裁员兑现生产率；

• 员工蒸馏线：企业把员工的业务知识、操作流程和异常处理经验文档化、数据化，再交给 Agent，进一步降低知识对具体员工的依赖。

这三条线最终在就业市场汇合：一边是未来的人才流量被切断，另一边是今天的人才存量被释放，而企业对现有员工经验的抽取又在加速这个过程。

AI 就业冲击的完整传导链

1. 
   

   模型越来越聪明。原来需要新人完成的低风险、重复性和局部性任务，AI 做得越来越快、越来越好。

2. 企业提高招聘门槛。既然 AI 已经能承担大量初级工作，企业就更倾向于招聘能够立即借助 AI 交付的少数新人，或者直接招聘 Senior。

3. Junior 被迫加入 AI 军备竞赛。不使用 AI，会在作业、实习和工作中直接输掉；使用 AI，又会把本来用于形成能力的过程继续交给模型。

4. 个人理性造成行业能力断层。每个新人都理性地走捷径，每家公司都理性地减少培养，结果是 Junior 更难获得工作，也更难在工作中成长为 Senior。

5. 企业开始消费旧时代积累的 Senior。少量有经验的人管理大量 Agent，短期效率提高，组织从金字塔逐渐变成针尖。

6. AI 使用从优势变成行业基准成本。每家公司都要付模型、Token、算力和平台费用，但所有公司一起使用 AI，并不会让总市场同步扩大。

7. 生产率必须被财务兑现。当企业无法靠 AI 获得足够的新收入，就很难长期同时维持原有人力和新增 AI 开支；最容易兑现的方式，是让更少的人完成原来的工作。

8. 员工经验开始被文档化和 Agent 化。业务流程、操作轨迹、事故经验和判断规则逐渐从个人知识变成组织可以保存、调用和复制的模型资产。

9. 裁员和岗位压缩释放出大量有经验劳动者。普通 Mid-level、实现型 Senior、中层和 Junior 同时承压。

10. 寒气开始向下传导。大厂员工进入中厂，中厂员工进入传统行业，资深人员申请过去属于新人的岗位，工资、职级和招聘门槛层层下压。

11. 最终冲击从程序员扩散到整个白领。前面那个“五年白领劳动需求收缩三成”的压力情景，指的就是这条链走完之后的样子——它不是从某个模型能力榜单上跳出来的数字，而是这十一步在多个条件同时成立时可能抵达的结果。 把它压缩成一句话，就是：

AI 一边夺走新人形成能力的过程，一边减少企业对人类劳动的需求；企业又把员工的知识和操作过程文档化、数据化、Agent 化。前者切断未来的人才流量，后两者释放今天的人才存量，最终由资深劳动者向下竞争，把压力传到整个白领市场。

这会形成一个看起来很矛盾的局面：短期内，就业市场上可能充满找不到合适岗位的 Mid-level 和 Senior；长期来看，真正能够独立理解系统、处理异常并承担责任的 Senior 却可能越来越少。

短期过剩的是拥有 Senior 头衔的人，长期稀缺的是能够真正接管系统的 Senior。

不过，这是一个可能的情景，而不是一个已经被证实的趋势。 而无论这条链成立与否，有一个问题都躲不掉：当通用智能和纯数字产出越来越便宜时，我们到底还能把自己的价值建立在哪里？

十一、当智能越来越便宜，什么会重新变得稀缺？

我身边也有一些朋友使用 AI，但他们并不是做互联网，也不是写代码。 有人把 AI 用在教育和课程服务里，有人经营线下店铺，用 AI 分析报表、做营销、整理客户反馈。AI 可以帮他们完成大量电脑里的工作，但无法替他们真正进入现场。 模型可以分析一家店的经营数据，却不知道：

• 这条街早上和晚上的人流分别是什么人；

• 看起来很近的路口实际是否被围栏挡住；

• 隔壁商铺和物业是什么关系；

• 哪个供应商价格便宜却总是掉链子；

• 哪个员工在真正出事时靠不靠谱；

• 当地尚未公开的变化会不会影响未来经营。 这些信息往往没有被整理成文档，甚至没有被任何人完整表达出来。

AI 拿不到的，不只是数据，而是现场。

我越来越觉得，AI 时代真正强的壁垒不是“掌握一份模型不知道的资料”，因为静态资料迟早会被复制、购买或者吸收。 更强的壁垒是：

占据一个能够持续产生模型不知道的信息的位置。

一个线下生意、一套设备、一群真实客户、一条供应链，每天都会产生新的信息。你在现场观察，获得私有数据，作出判断，采取行动，再从真实结果中获得反馈。外部的人即使使用同一个模型，也没有同样的入口和闭环。 这种嵌入大致来自四个方面：

• 本地和私有数据：壁垒不是“有一份资料”，而是处在能够持续产生新资料的位置；

• 隐性经验：老师傅通过声音、气味、振动和温度判断设备问题，却未必能把判断过程完整写进文档；

• 人际关系和信任：客户为什么只愿意找你，供应商为什么愿意给你账期，员工为什么愿意在突发事件里留下来；

• 执行、权限和责任：模型可以告诉你怎么做，但最后仍需要有人到场、签字、付款、处理事故并承担后果。一直讲的「背锅是第一生产力」，大概才是真正永久的护城河——毕竟 AI 没办法替你坐牢。

这四条里，第二条最需要打个折扣。第六章那条「蒸馏」的线正好顶在这里：企业要抽的恰恰就是没被写下来的东西，Meta 采集鼠标轨迹和键盘输入，为的就是绕开「员工自己也说不清是怎么做的」这一关。所以隐性本身并不构成壁垒，能不能被采集才构成壁垒。区别在载体：

发生在屏幕里的隐性经验，迟早会被操作轨迹补上；发生在手上、耳朵里和现场的隐性经验，暂时还没有对应的采集入口。

一个资深运维扫一眼日志形态就知道哪里不对，和一个老师傅听一耳朵轴承声就知道哪里不对，看起来是同一种直觉，被抽走的难度完全不是一回事——前者的全部输入都在屏幕上，采集它只需要多装一个插件。

所以最强的壁垒不是一次性数据，而是持续现实闭环：

现实现场 → 私有数据 → 判断与行动 → 真实结果 → 反馈与新数据。

我不想简单地说“白领没有未来，蓝领一定安全”。标准化、重复性的体力劳动同样会被机器人和自动化设备替代。真正相对有韧性的，是上面四条占得多的那些工作：必须到场、环境非标准、依赖隐性经验、需要许可和认证、有人必须签字担责。 美国劳工统计局 2024—2034 年预测里，工业机械维修、电工、暖通制冷等现场岗位仍在增长，且多依赖学徒制与许可；[54][55][56] 自动化设备越多，安装校准和维护它们的人反而越重要。这些是美国数字，不能直接外推中国；风电、光伏增长率高，但绝对新增人数仍然有限——实体技能不是能无限吸收所有白领的避难所。[57] 中国机器人产业招聘里同样如此：涨的不只是算法，调试、机械结构和场景规划也在涨。[58]所以更准确的区分不是「白领和蓝领」，而是：

• 纯数字执行型工作：输入、过程和输出都在电脑中，模型更容易端到端闭环；

• 现实嵌入型工作：与地点、人员、设备、材料、许可、信任和责任纠缠，自动化速度更慢。 对程序员来说，更值得考虑的方向也许不是完全放弃软件，而是走到比特与原子的交界：嵌入式、工业控制、机器人部署、数据中心供电冷却、能源电网、医疗与半导体设备、物流自动化、OT 安全，以及具体行业的真实经营系统。 这类人的价值不是单纯「会写代码」或「会修机器」，而是能判断系统出问题时，究竟卡在代码、传感器、通信、电气、机械还是现场流程。

当智能变得廉价，把智能落实到现实世界的能力会变得昂贵。AI 时代最有价值的，不一定是最懂 AI 的人，而是能够带着 AI 进入一个模型原本进不去的现实世界的人。

没有人知道 AI 几年后——甚至几个月后——会变成什么样。因此个人能做的其实并不多。但我不认为答案是拒绝 AI。今天不用它，就像过去不用搜索引擎和 IDE 一样，多半只会让自己越来越吃力。

能做的，大概只是几件很朴素的事：保持学习，保持对变化的敏感；除了互联网编程，多接触其他行业，多看看那些真正和现实世界咬合的工作——现场、客户、设备、许可、责任，也就是前面说的现实嵌入。不是立刻转行，而是先让自己看得见下一步，和一条退路。

在谁都看不清终点的时候，比找准方向更重要的，是别把别的路先封死。

或者说，至少就我看到的那一块：互联网纯前后端 + 云业务，大概不适合再当成唯一的长期赌注了。

结语

我写这篇文章，不是因为我讨厌 AI。 恰恰相反，我是 AI Coding 的重度使用者，也真实享受它带来的效率。讽刺的是，连这篇文章本身，也是在 AI 协助下写出来的。正因为我每天都在使用它，我才越来越清楚地看到：它改变的不只是我们怎样写代码，也在改变什么样的人还能成为程序员，什么样的公司还需要大量员工，以及普通人靠什么在未来的劳动市场里建立自己的价值。 一年前这个时候，AI Coding 还很少被当成正经话题——即便已经有了 Claude Code 和 Gemini，我们大多仍把它当成解决零碎问题的工具，而不是能撑起企业级、上百万行代码的方案。 但不到一年，原来那种写法已经被叫做「古法编程」。很多公司开始要求提高 AI 代码率，减少人工手写。 这件事我现在想起来，仍然觉得不可思议。

我也时常觉得，现在编程没以前那么有意思了。当年柯洁输给 AlphaGo 之后说围棋好像没那么好玩了，我只当他有点输不起；可轮到 AI 真把你热爱的那一层过程拿走，体感就不一样了。过去那种一步一步搭积木、看它慢慢立起来的乐趣，现在经常变成：跟它说一句我想要什么，几分钟后东西就能跑，你甚至不必知道它是怎么搭起来的。对行业整体，这当然是好事——围棋引入 AI 之后也是；可落到每个人头上，至少对我来说，它有时会让我对这个行业和职业的热情淡掉了。

写到最后，我又想起开头那个学弟。 那天我其实什么也没劝他。不是因为我想开了，而是因为我没有立场——他把活交给 Agent，我也在把活交给 Agent；他省掉的是编译和排错的三天，我省掉的是方案、实现和部署的一整段过程。我甚至说不清我们两个人里，究竟谁更依赖它。 我唯一比较确定的是，他会长成一种和我不一样的工程师。他不会有我那些在头文件、编译参数和莫名其妙的报错里熬掉的夜晚；但他大概会更早地开始想，系统该怎么切、需求到底要什么、一个方案会从哪里塌。那是不是一条更好的成长路径，我不知道；那些被省掉的夜晚里，有多少东西是真正重要的，我也不知道。

我能做的只是把这个问题写下来，然后承认我没有答案。

参考资料引用链接

1. Judy Hanwen Shen & Alex Tamkin, How AI Impacts Skill Formation, 2026, arXiv:2601.20245。预印本，特定编程学习实验，不能外推为一切 AI 使用都会导致能力退化。↩︎

2. Lee et al., The Impact of Generative AI on Critical Thinking, CHI 2025。调查 319 名知识工作者与 936 个使用案例，属于自陈和相关性证据。↩︎

3. Erik Brynjolfsson, Danielle Li & Lindsey Raymond, Generative AI at Work, NBER Working Paper 31161。覆盖 5,179 名客服人员。↩︎

4. Ron Roberts & Niall Cullinane, 关于英国汽车工厂精益生产与学徒学习的研究，Work, Employment and Society 40(1), 2026。↩︎

5. Suproteem K. Sarkar, AI Agents and Higher-Order Work, SSRN 5713646, 2026。↩︎

6. Federal Aviation Administration, 关于自动化过度依赖的安全指导。航空案例用于机制类比，不是软件就业的直接证据。↩︎

7. NASA, 1980 年代以来关于驾驶舱自动化、技能流失和模式意识的人因研究。↩︎

8. Brynjolfsson, Chandar & Chen, Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence, Stanford Digital Economy Lab, 2025。↩︎

9. Stanford Digital Economy Lab, Canaries, Interest Rates, and Timing, 2026，对利率、疫情后招聘调整和时间识别的后续分析。↩︎

10. Indeed Hiring Lab, The Labor Market Is Tilting Toward Seniority, 23 July 2026。↩︎

11. Guillermo Gallacher, Indeed Hiring Lab, AI and Job Postings: From Destruction to Creation?, 8 July 2026。↩︎

12. LinkedIn Economic Graph, AI Labor Market Update, April 2026。↩︎↩︎

13. SignalFire, State of Talent Report 2025。私营平台数据，公开职业档案存在覆盖偏差。↩︎

14. 廖婉卿、郭云航、赵楠，《大语言模型对中国上市公司劳动需求的影响》，《财经研究》52(5), 2026，DOI: 10.16538/j.cnki.jfe.20260331.401。↩︎

15. Dandan Zhang, Measuring Occupational Exposure to AI Technologies in China and Its Impact on Labor Demand, 2025，研讨会工作论文，尚需正式发表版本核验。↩︎

16. Yale Budget Lab, AI Is Probably Not (Yet) the Reason for Labor Market Weakening, 7 May 2026；另见其持续更新的 Tracking the Impact of AI on the Labor Market。作者本人提示，职业"暴露度"指标并不等于"会被自动化"，若一半暴露职业扩张、一半收缩，平均效应也可能为零。↩︎

17. Anders Humlum & Emilie Vestergaard, Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI, NBER Working Paper 33777, 2025 年 5 月，2026 年 3 月修订（早期版本题为 Large Language Models, Small Labor Market Effects）。丹麦行政数据加两轮大规模调查，覆盖 11 个暴露职业、约 2.5 万名劳动者与 7,000 家用人单位。这是目前"AI 尚未造成可见总量冲击"最有力的证据之一，但它测量的是收入和工时，不排除入口结构和工作内容已经在变。↩︎

18. Samuel Muehlemann, AI Adoption and Firm-Provided Apprenticeship Training, Journal of Economic Behavior & Organization 238, 2025。↩︎

19. GitHub Research, Quantifying GitHub Copilot’s Impact on Developer Productivity and Happiness。厂商参与实验，任务边界较清晰。↩︎

20. METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 2025。↩︎

21. METR, 2026 年开发者生产率后续更新。工具代际变化很快，不应长期引用单一百分比作为固定效应。↩︎

22. Demirer, Musolff & Yang, Writing Code vs. Shipping Code, NBER Working Paper 35275, 2026。↩︎

23. Google Cloud DORA, 2024、2025 年 AI 辅助软件开发与交付研究报告。↩︎

24. Vu & Oppenlaender, Prompt Engineer: Analyzing Hard and Soft Skill Requirements in the AI Job Market, 2025。↩︎

25. OpenAI, GPT-5 产品与开发者文档，关于更强指令遵循、自动推理路由和工具调用能力的产品说明。↩︎

26. Chaining Tasks, Redefining Work, NBER Working Paper 34859, 2026。↩︎

27. OpenAI, GPT-5.6: Frontier Intelligence That Scales with Your Ambition，2026 年 7 月；The Decoder, OpenAI’s GPT-5.6 Sol Autonomously Post-Trained the Smaller Luna Model with a “Fairly Underspecified Prompt”。↩︎

28. Indeed Hiring Lab, AI Adoption Is Accelerating but Concentrated, 16 January 2026。↩︎

29. World Economic Forum, The Future of Jobs Report 2025。属于雇主预期调查，不是已发生结果。↩︎

30. CEO 原话出自 Dara Khosrowshahi 与 Patrick O’Shaughnessy 的访谈：“We blew through our AI budget in a quarter, for the whole year essentially.” 见 Benzinga / Yahoo Finance，Uber CEO Dara Khosrowshahi Says Company ‘Blew’ Through Its Annual AI Budget In A Single Quarter，2026 年。CTO Praveen Neppalli Naga 于 2026 年 4 月向 The Information 披露全年预算在四个月内耗尽。消费上限见 Natalie Lung，Bloomberg，Uber Caps Employee Spending on AI Tools Like Claude Code to Manage Costs，2026 年 6 月 2 日，及 TechCrunch，Uber caps employee AI spending after blowing through budget in 4 months。补充数据：Uber 约 5,000 名工程师中 95% 每月使用 AI 工具，人均月成本 150—250 美元，重度使用者 500—2,000 美元。需要注意，Uber 未公开 AI 预算的绝对金额，"烧完全年预算"说明的是预算模型失准，而不是绝对支出规模；放慢招聘是公司自述的应对方式，不等于已发生裁员。↩︎

31. Katie Paul、Jeff Horwitz，Reuters，Meta to Start Capturing Employee Mouse Movements, Keystrokes for AI Training Data，2026 年 4 月 21 日。报道称 Meta 的 Model Capability Initiative 计划在部分工作应用中采集美国员工的鼠标移动、点击、键盘输入和部分屏幕快照，用于训练能够自主执行电脑任务的 AI Agent。Meta 表示这些数据不用于绩效评估。↩︎

32. Katie Paul，Reuters，Meta Scales Back Plan for Internal Mouse-Tracking Tech, Citing Staff Concerns，2026 年 6 月 2 日。Meta 在员工对隐私、网络流量和控制权提出异议后，允许暂停采集和申请豁免。该事件用于说明企业采集员工操作轨迹的技术方向与争议，不证明所有企业都会采取相同做法。↩︎

33. Reuters，Meta CEO Tells Employees He Does Not Expect More Company-Wide Layoffs This Year，2026 年 5 月 20 日。报道称 Meta 在组织重构中裁减约 10% 的全球员工，并把约 7000 人转入与 AI 工作流相关的新项目。该事实与员工数据采集发生在同一轮 AI 转型中，但不能据此认定数据采集直接导致裁员。↩︎

34. USDA Economic Research Service, Increases in Labor Quality Contributed to Growth in U.S. Agricultural Output, 2022。↩︎

35. James Bessen, Automation and Jobs: When Technology Boosts Employment, Economic Policy 34(100), 589–626, DOI: 10.1093/epolic/eiaa001。↩︎

36. Daron Acemoglu & Pascual Restrepo, Automation and New Tasks: How Technology Displaces and Reinstates Labor, NBER Working Paper 25684 / Journal of Economic Perspectives 33(2), 2019。↩︎

37. International Energy Agency, Energy and AI, 2025。↩︎

38. 数字中国建设峰会及相关官方材料，《算力发展的未来趋势》《人工智能与能源融合发展提速》，2026。↩︎

39. Meta, America’s Workforce Academy, 2026；Reuters, Meta Funds Skilled Trades Jobs Program, 8 June 2026。单一企业案例不能代表全部数据中心。↩︎

40. U.S. Bureau of Labor Statistics, Computer Programmers, Occupational Outlook Handbook, 2024—2034 预测。↩︎

41. U.S. Bureau of Labor Statistics, Software Developers, Quality Assurance Analysts, and Testers, 2024—2034 预测。↩︎

42. Pew Research Center, Google Users Are Less Likely to Click on Links When an AI Summary Appears, 22 July 2025。↩︎

43. Cloudflare, Content Independence Day, June 2025。其爬取/引荐比例不能当作全互联网精确值。↩︎

44. Google, AI Overviews Expansion Update, May 2025，平台官方披露。↩︎

45. Beaudry, Green & Sand, The Great Reversal in the Demand for Skill and Cognitive Tasks, NBER Working Paper 18901 / Journal of Labor Economics。↩︎

46. Acemoglu, Lelarge & Restrepo, Competing with Robots: Firm-Level Evidence from France, NBER Working Paper 26738, 2020。↩︎

47. McKinsey Global Institute, Generative AI and the Future of Work in America, 2023；另见 A New Future of Work: The Race to Deploy AI and Raise Skills in Europe and Beyond, 2024。中点采纳情景下，到 2030 年美国约 30%（精确值 29.5%）、欧洲约 27% 的现有工时可被自动化；没有生成式 AI 时美国的估计为 21.5%。分职业看，商务法律和 STEM 专业人士均升至约 30%，办公室支持和客服更高。属于咨询机构的潜力测算，不是已发生结果。↩︎

48. Tyna Eloundou, Sam Manning, Pamela Mishkin & Daniel Rock, GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models, Science 384(6702), 2024, 1306–1308。↩︎

49. Anthropic, Economic Index Report: Economic Primitives, 2026 年 1 月。↩︎

50. 国家统计局，《国有企业改革稳步推进》中的再就业与下岗职工统计：1998—2001 年底全国国有企业累计产生下岗职工约 2550 万人，其中 1700 多万人实现再就业。该历史背景与今天不同，仅用于说明制度性岗位也会随经济结构和改革目标变化。↩︎

51. 中国人大网，《关于国有资产监管和国有企业改革情况的报告》：1998—2004 年全国累计下岗职工约 2818 万人，其中约 1800 万人通过各种渠道实现再就业。↩︎

52. 数字中国建设峰会转载《经济日报》，《银行业加速智能化跃迁》，2026 年 7 月 13 日。文中披露邮储银行 370 余个大模型场景、运营中心单据智能识别替代率 90%、重复业务指导智能问答替代率 70% 等数据。银行自报应用效果不等于已经发生的净裁员。↩︎

53. 中央网信办、国家发展改革委，《政务领域人工智能大模型部署应用指引》，2025 年。文件将智能问答、辅助办理、材料审核、机关办公和辅助决策列为政务大模型应用方向；政策部署不等于公务员岗位将直接减少。↩︎

54. U.S. Bureau of Labor Statistics, Industrial Machinery Mechanics, Machinery Maintenance Workers, and Millwrights, 2024—2034 预测。↩︎

55. U.S. Bureau of Labor Statistics, Electricians, 2024—2034 预测。↩︎

56. U.S. Bureau of Labor Statistics, Heating, Air Conditioning, and Refrigeration Mechanics and Installers, 2024—2034 预测。↩︎

57. U.S. Bureau of Labor Statistics, 2024—2034 增长最快职业统计，涉及风电维修和光伏安装等岗位。↩︎

58. 《细分岗位多元 机器人产业人才需求升温》，2025，数字中国建设峰会转载《经济参考报》。平台招聘数据受低基数和产业热潮影响。↩︎

会议推荐

QCon 全球软件开发大会·2026（上海站）现已正式启动。本届大会聚焦 Harness AI 时代的工程实践，从「构建 AI」到「驾驭 AI」，围绕 AI Native 架构、Agent Runtime、AI Infra、Agent 安全与可观测、Loop Engineering、具身智能与世界模型等热门技术方向，邀请全球技术社区与产业一线实践者，共同分享 AI Native 时代最具价值的工程经验。

今日荐文

你也「在看」吗？