文 | wiwi

这段为什么不直接用 AI 生成的那个？反正测试都过了。

类似的对话，正越来越频繁地出现在各家公司的 code review 现场。年轻的工程师能飞快地把功能做出来——PR 干净、测试通过、需求关闭；可一旦被追问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，往往就答不上来了。真正让带他的人后背发凉的，不是某一次卡壳，而是一个更冷的念头：如果 AI 已经替他抹平了大部分挣扎，他还会不会有机会长出那套本该在挣扎里形成的判断力？

而在管理层那边，这笔账算得清清楚楚。一位技术负责人最近就给我算过一笔。

他的团队今年有三个交付节点撞在一起。按过去的办法，他得招两三个初级工程师，先把人补进来，再让团队里的老人慢慢带。可头半年，这几个人大概率不是产出，而是成本：需求要一句句讲，代码要逐行 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，项目窗口多半早过去了。

所以他没这么做。他给现有团队配齐了 AI 编程工具，让几个中高级工程师把需求拆得更细，把样板代码、接口联调、测试脚本和文档交给 AI。结果很直接：节点没误，人没多招，预算还省了一截。

从任何一个季度看，这都是一个无可指摘的决定。

问题是，今年几乎每家技术公司都在做同样的决定。当所有人都发现资深工程师 + AI就能顶掉大半新人补位的活，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。

这不是一个AI 抢走年轻人饭碗的故事，真相要冷静得多。AI 没有直接杀死新人，它只是让企业越来越没有理由去招聘、培养、容忍新人。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。

这是一笔很像技术债的账：眼下无痛，短期甚至相当划算，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。

最先消失的，不是程序员，而是新人入场的理由

要理解这笔账，得先想清楚一件事：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，对线上系统也还没什么敬畏心。可即便如此，企业还是年年招他们——因为团队里总有一大堆低风险、低难度、却又必须有人干的杂活：改一个页面、补一个接口、写一个脚本、修一个边角 bug、整理一份文档、跑一遍测试用例。

这些活看着不起眼，却是新人踏进工程世界的第一张门票。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。这笔交易过去谈不上完美，甚至常常粗糙，但它一直都在。

AI 出现之后，最先被吃掉的，恰恰是这类活。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。

于是企业的算盘变了。它不再问AI 能不能完全替代一个初级工程师——答案显然是不能；它问的是一个更现实的问题：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。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几个校招名额、HC 审批里划掉的一行 junior、部门负责人一句先不招了，让现有团队用工具顶一顶里。每一步都很理性——可所有理性加在一起，就成了结构性的断档。

短期看，这是一笔划算的买卖

得先承认：企业这么做，不蠢，也不坏。

过去技术团队扩张靠的是一套粗放逻辑：需求多了就加人，项目多了就扩组，老人带新人，慢慢顶上来。这套打法天生低效——新人头几个月的产出，往往盖不住带教的成本；业务又变得快，人还没带出来，方向已经改了。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，还省下了培养新人那段漫长又不确定的投入。在降本增效的周期里，这几乎是最容易被签字通过的方案。

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。与此同时，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，趋势是清楚的：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 是个放大器，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。于是企业自然倾向于：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，这叫效率提升；长期看，这叫训练场消失。

资深工程师不是招来的，是熬出来的

行业里有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长出来的。

一个靠谱的工程师，值钱的从来不是能不能写出一个函数，而是他知道这个函数丢进系统之后会发生什么——边界在哪，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，它只来自真实的反馈。而过去，新人正是靠那些低阶任务一点点攒下反馈的：写错了被 review，上线挂了被追责，代码难维护被老项目反噬。

现在的问题是，AI 正在替新人把这些过程统统跳过。

Anthropic 的一项研究显示，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 50%，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。

同样一件事，对资深和新人，意味着完全不同的结果。资深的人无所谓，他脑子里早有一套成熟的模型，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。他要是一上来就把 AI 当答案机器，就会很快尝到一种虚假的成就感——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。

于是供给端被两头收紧：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 绕开最该经历的磨练。这才是人才负债的真正含义——不是今天少招一个人，明天就少一个人写代码；而是今天少给一个新人真实的训练机会，五年后就少一个能在关键时刻兜底的人。

更普遍的结果，是市场上会出现一批资深新手：履历上写着五六年经验，认知深度却还停留在当年新人的水平。他们能熟练调用各种 AI 工具、把功能做出来，却独立定位不了一个没有现成日志、由竞态条件引发的幽灵 bug——因为真正需要靠时间和事故喂出来的那部分判断力，从来没在他们身上长出来过。

别全怪 AI：这条管道本来就不够结实

把锅全甩给 AI，也是一种偷懒。

现实是，很多公司过去也没真正建起过完整的培养体系。所谓带新人，不少时候就是把人丢进项目里自生自灭：老人没空带，项目不允许慢慢教，绩效也从不奖励带人。所谓师徒制，说到底只是组织缺乏系统培训能力之后，凑合打的一块补丁。

所以有一种反方观点值得认真听：AI 并没有打断一条原本健康的管道，它只是让这条管道本就脆弱的真相显了形。这话没错——但脆弱，不等于没用。过去管道再脆弱，至少还在转：新人总能靠活总得有人干被卷进来，公司再不情愿，也得分点低阶任务给他们；老人再忙，也会在 review 和救火里顺手教上两句。这套机制谈不上理想，却好歹维持着行业的代际流动。

AI 一来，连这个不理想的入口也在关上。过去是公司不擅长培养新人，现在是公司开始有理由不招新人——前者让新人长得慢，后者让新人压根进不来。这是两件事，后一件要命得多。

在中国，这个问题来得更早，也更狠

放到中国，这件事更尖锐。

中国技术行业本就长期拧着一个矛盾：嘴上喊缺高级人才，手上却不愿为高级人才的养成付钱。招人时人人都想要即插即用——最好三年经验、熟悉业务、来了就能上线，还得便宜；校招生和初级工程师则被当成不确定性，要带、要试错、要容忍低效。

业务高歌猛进时，这个矛盾被增长盖住了：人手紧缺，初级岗位有的是入口，新人能在一片混乱里硬熬出来。可增长一放缓，逻辑全变了。校招收缩、外包化、降本增效、35 岁焦虑，已经把技术人的职业路径压得更短、更急、更功利。如今 AI 又添了一把火：既然工具能让存量工程师多干活，为什么还要给新人留练级的空间？

于是一个危险的循环成形了：企业不招新人，因为新人不够好用；新人没有真实项目练手，所以更不好用；企业便更不愿意招。最后，所有公司都在市场上抢已经成熟的人，却没有一家愿意为把人变成熟买单。

更麻烦的是，中国技术行业本就压着年龄这根弦。一个工程师刚熬到有判断力的年纪，就开始要面对年龄偏大、成本偏高、不够卷的打量。新人入口在收窄，中年出口在提前，整个职业结构就被挤成了一个掏空的沙漏：底部进不来，顶部留不住，中间被 AI 和绩效两头压。这不是哪个人努力就能解的题，它是组织激励的问题。

一场没有人负责的公地悲剧

把镜头拉远，这是一场典型的公地悲剧。对每一家公司来说，用 AI 武装现有团队、解决眼前的产能，都是无可挑剔的买卖；至于五年后还招不招得到合格的架构师，那是市场的事、是下任 CTO 的事、是竞争对手的人才池该操心的事。每家都把培养的成本甩给社会，把提效的收益留给自己。

可人才不会凭空冒出来——行业里每一个资深工程师，都曾是某家公司花了真金白银养出来的新人。当所有人都盘算着从别处挖人、却没人再肯养人，那个别处迟早会被抽干。

更远处还有一层风险：今天的大模型高度依赖高质量的人类代码来训练，当越来越多能跑但平庸的 AI 代码回流进公共代码库、再被喂给下一代模型，理论上可能形成一个自我退化的闭环，学界称之为模型坍缩。这事尚无定论，却指向一个让人不安的方向——人类工程能力一旦退化，最终可能连 AI 自己也跟着变平庸。

真正该重建的，是 AI 时代的学徒制

所以，出口不是反 AI。让公司放弃 AI 工具不现实，让工程师不碰 AI 也没意义。真正该讨论的是：在 AI 时代，行业该怎么重新设计新人的培养机制。

过去的学徒制，是新人跟着老人写代码、改 bug、做需求，在真实项目里慢慢长大。AI 时代的学徒制，不能只让新人更快交活，而要让他学会监督 AI、质疑 AI、看懂 AI 写出来的东西。换句话说，新人不该只被考核你用 AI 做了多少，更该被考核你知不知道 AI 为什么这么做。

这至少要重新设计三件事。

其一，把初级岗位当成长期投资，留住一定比例的入口。这不是出于情怀，而是出于供给——就像企业不能为了短期利润砍掉研发，也不该为了 AI 提效就彻底关上新人的门。

其二，把结对从人机结对改回师徒结对。今天流行讲人和 AI 结对编程，但要培养新人，更该回到老手带新手：老手可以用 AI 探索方案，但每一行交付的代码，都要向新人讲清它的意图、边界和风险，新人能复述出来，才允许提交。这也意味着 code review 要变——过去只看代码能不能进库，今后还要看提交者是不是真懂自己提交的东西，哪怕它出自 AI 之手。

其三，给带人重新定价。很多公司不培养新人，不是不懂它的重要，而是带人这件事不被奖励——一个资深工程师花时间把新人带出来，短期产出下降，绩效却未必体现。只要组织还只奖励短期交付，就不会有人真心愿意为长期的人才供给买单。

教育端也需要跟着变。未来的计算机教育，不能只停在手写语法和算法细节，也不能简单放任学生把作业交给 AI。更重要的训练，应该是系统拆解、问题定义和批判性评估：给学生一段 AI 生成、藏着并发与逻辑漏洞的代码，让他找出来、讲清楚、修掉。AI 时代真正要教的，不是如何当提示词打字员，而是如何当代码的判断者。

说到底，这不是技术问题，而是管理问题。AI 能生成代码，却生成不了组织责任；它能帮新人写出看起来能跑的功能，却替不了他经历真实系统的反馈，也替不了他建立起对复杂性的那份敬畏。一个行业可以用 AI 临时补上产能的缺口，却没法用 AI 伪造出下一代资深工程师。

账单总会到期

AI 没有亲手杀死新人培养体系，是一连串完全理性的决定，合力做到了这件事。

每个团队负责人都能为自己的选择辩护：预算有限，项目紧急，新人难带，AI 好用，先扛过这个季度再说。每个决定单看都没错，甚至很专业。但一个行业，从来不是由某一个季度组成的。今天少招一个新人，系统不会立刻崩；今天少带一个新人，也不会马上写进财报。它只会变成一笔安静的表外负债，挂在未来的人才供给上。

这正是人才负债最危险的地方：它没有明确的责任人，也没有即时的惩罚。技术债至少会在系统变慢、bug 变多时露头；人才债更阴，等它浮出水面，往往已经不是哪一家公司能单独补救的窟窿，而是整个行业的代际断层。

所以真正该问的，不是AI 会不会取代程序员——这个问题太窄了。该问的是：当企业用 AI 干净利落地还清了今天的产能账单，那笔被推迟的人才账单，最终会记在哪一年，又由谁来还？

AI 不是凶手，它只是让那笔被长期忽视的人才账单提前到期。代码可以批量生成，判断力不能批量打印；今天没有新人的训练场，明天就不会凭空长出资深工程师。