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。
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。
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。
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。
