AI最先消滅的,不是程序員,而是程序員新人

2026-06-28 | 來源: 鈦媒體APP | 轉到微信 | 有0人參與評論 | 字體: 放大縮小 | 收藏 | 打印

這比"AI 替代程序員"隱蔽得多。它不會表現為一場轟轟烈烈的失業，而是悄悄藏在招聘計劃裡少掉的幾個校招名額、HC 審批裡劃掉的一行 junior、部門負責人一句"先不招了，讓現有團隊用工具頂一頂"裡。每一步都很理性——可所有理性加在一起，就成了結構性的斷檔。

短期看，這是一筆劃算的買賣

得先承認：企業這麼做，不蠢，也不壞。

過去技術團隊擴張靠的是一套粗放邏輯：需求多了就加人，項目多了就擴組，老人帶新人，慢慢頂上來。這套打法天生低效——新人頭幾個月的產出，往往蓋不住帶教的成本；業務又變得快，人還沒帶出來，方向已經改了。AI 給了管理者一個舒服得多的選項：不擴編，先提效——資深的人拆任務、把關，中級的人用 AI 出初稿。溝通成本更低，交付更確定，管理半徑更小，還省下了培養新人那段漫長又不確定的投入。在降本增效的周期裡，這幾乎是最容易被簽字通過的方案。

數據也在往同一個方向走。美國勞工統計局的職位空缺與勞動力流動調查顯示，信息行業招聘熱度已明顯低於 2022 年高點。與此同時，多項招聘市場觀察都指向同一個現象：入門級技術崗位承壓更明顯。紐約聯儲關於近期畢業生的數據也顯示，計算機科學、計算機工程應屆生的失業率近年明顯抬升，已經不再低於全體應屆生的平均水平。

需要說明的是，按專業拆分的應屆就業數據樣本有限、年度波動也大，不宜把某一年的排名過度解讀成"讀計算機不如讀某某專業"。但放長看，趨勢是清楚的：過去"學 CS 就有確定性入場券"的時代，正在松動。

這背後的邏輯並不復雜：AI 是個放大器，不是替代品。它能放大一個人已有的判斷力，卻沒法憑空給一個人判斷力。一個資深工程師用 AI，能更快地寫代碼、查問題、驗證方案——因為他知道哪裡該信、哪裡該改；一個毫無工程經驗的新人用 AI，很可能只是更快地產出一堆連自己都講不清的代碼。於是企業自然傾向於：留住會判斷的人，再用 AI 去補執行力。

這正是這輪變化最冷的地方：AI 並不平均地托舉每個人。它先抬高那些已經會判斷的人，再擠掉那些本該靠幹活來練出判斷力的人。短期看，這叫效率提升；長期看，這叫訓練場消失。

一夜之間,3萬人被裁:4位程序員講述崩潰經歷

大廠程序員每天在幹嘛?多數人"假裝在上班"

程序員過勞猝死:死後仍收工作訊息官方認定工傷

資深工程師不是招來的，是熬出來的

行業裡有一個常被忽略的事實：資深工程師，不是從招聘網站上長出來的。

一個人從"能寫代碼"到"能在復雜系統裡做出可靠判斷"，中間隔著無數不體面的過程：看不懂祖傳代碼，被線上 bug 折磨到崩潰，被 review 打回去重寫，半夜爬起來回滾版本，在一次次事故復盤裡才明白"這裡為什麼不能圖快"。這些經歷很慢、很笨，也很難寫進效率報表，可工程能力恰恰就是這麼長出來的。

一個靠譜的工程師，值錢的從來不是"能不能寫出一個函數"，而是"他知道這個函數丟進系統之後會發生什麼"——邊界在哪，哪裡將來會變成技術債，哪個看似簡單的需求會把整個系統拖下水。這種判斷力，灌不進去，也生成不出來，它只來自真實的反饋。而過去，新人正是靠那些低階任務一點點攢下反饋的：寫錯了被 review，上線掛了被追責，代碼難維護被老項目反噬。

現在的問題是，AI 正在替新人把這些過程統統跳過。

Anthropic 的一項研究顯示，在學習陌生代碼庫的任務中，使用 AI 的一組測驗平均得分為 50%，手寫代碼的一組為 67%，差距最大的是調試題。真正拉開差距的，不是"用不用 AI"，而是怎麼用：把 AI 當概念討論對象的人，更容易保留理解；把它當代筆的人，則更容易繞過理解。

同樣一件事，對資深和新人，意味著完全不同的結果。資深的人無所謂，他腦子裡早有一套成熟的模型，知道 AI 寫的代碼哪裡可疑、什麼時候該推翻重來。新人沒有這套底子。他要是一上來就把 AI 當答案機器，就會很快嘗到一種虛假的成就感——需求做完了、PR 合並了——可讀懂系統、定位問題、為後果兜底這些真本事，根本沒跟著長出來。

於是供給端被兩頭收緊：一頭，企業減少初級招聘，新人越來越難擠進真實系統；另一頭，就算擠進來了，也可能靠著 AI 繞開最該經歷的磨練。這才是"人才負債"的真正含義——不是今天少招一個人，明天就少一個人寫代碼；而是今天少給一個新人真實的訓練機會，五年後就少一個能在關鍵時刻兜底的人。