AI抽掉新人台阶，初级岗位减30%后谁还抄书

那条被抽掉的台阶

“你先把这本书翻烂，再谈写代码。”

我认识的一个技术主管上周跟我聊起他带新人的方式，说了这句话。他桌上真放着一本翻烂了的《Java编程思想》，2008年的版本，书脊用透明胶缠了三圈。他说他入行那会儿，前半年就是抄书上的例子，抄到手指发酸，抄到某个下午突然明白“哦，原来接口是这么回事”。

现在他不这么带了。不是不想，是没机会。

The Atlantic 最近一篇报道里有个数字：2026年第三季度，初级软件工程师岗位同比减少30%。多家招聘平台的数据都指向同一个方向。与此同时，AI代码审查和系统设计岗位的需求在涨。

30%。这个数字放在任何行业都够吓人。但真正让我坐直的不是它，而是它和另一件事咬合的方式。

八小时，和一条消失的路

Anthropic 发布了 Claude 4.5 Opus。SWE-bench Verified 上 82.3%，首次实现连续 8 小时自主编程任务。

8小时。一个工作日。

你给它的不是“帮我写个函数”，是“把这个模块重构了，跑通测试，顺手把文档补上”。然后你去开会，回来它交了活。我第一反应是兴奋，第二反应是——那些本来该由新人干的活，现在归谁？

这就是那条被抽掉的台阶。

过去一个计算机专业毕业生进公司，前两年干的是什么？改bug、写测试、补文档、把老代码里的硬编码抽成配置。这些活不体面，但它们构成了一个训练场。你在改bug的过程中理解了系统怎么运转，在写测试的时候摸清了边界条件，在补文档时被迫想明白每个模块到底在干什么。

这些活现在恰好是AI最擅长的区间。 不是说AI干得比人好，是说这些活的特征——目标明确、可验证、不需要跨部门协调——正好落在当前模型的能力甜区里。

斯坦福HAI那份《2026年AI指数报告》里有个数据：达到GPT-4级别性能的推理成本，一年降了90%。成本降九成，意味着企业没有任何理由不用。用AI跑一遍代码审查，比你招三个新人来跑，便宜得不像话。

坦白说，我一开始觉得这是好事。新人不用再干脏活了，直接上手做设计、做架构，多好。

后来我想明白了：没有人是从架构开始学的。 你是从脏活里长出判断力的。你改过一百个bug，才知道哪种设计会制造bug。你补过五十份文档，才闻得出哪个接口设计是臭的。这些经验没法速成，只能靠时间堆。

台阶被抽掉之后，上面那层楼还在，但你怎么上去？

十亿席位，和没人问的那句话

微软那边也有动静。Copilot 拿到了 Windows 系统级 API 权限，可以跨应用执行任务，企业版部署席位破了10亿。

10亿。这个数字的意义不在于微软卖了多少钱，在于AI助手正在从“你打开的一个工具”变成“你住在里面的环境”。它不再是你去访问的网站，它是你操作系统的一部分。你写邮件它补全，你做表格它填数，你开会它记要。

两个事件放在一起看，图景就清楚了：一边是工具层在往上长，长到能自己干8小时的活；一边是环境层在往下渗，渗到你每一个操作步骤里。中间那层——人的训练场——在变薄。

但真正让我不安的不是这个。

是亚利桑那州那件事。The Guardian报道，因为干旱和水资源压力，当地暂停了新的大型AI数据中心审批。之前已经有居民抗议，说数据中心的冷却用水跟人抢水。

这条新闻在科技媒体上没激起什么水花。大家更关心Claude 4.5的benchmark，关心Copilot的席位增长。用水？那是环保版的事。

可策展人那句话一直在我脑子里转：AI把入门台阶抽走的同时，我们更该警惕的是没人再问“这滴水值不值”。

我琢磨了很久这句话到底在说什么。后来想通了——它在说两件事其实是同一件事。

当我们不再问“这个新人值不值得培养”，和当我们不再问“这滴水值不值得用来跑推理”，背后是同一套逻辑：效率叙事把所有的“值不值”都替换成了“快不快”。

招一个新人，培养两年，他才能独立干活——这笔账在Excel里算不过来。用Claude 4.5，8小时交付，成本一年降90%——这笔账漂亮得刺眼。

用一吨水冷却数据中心，换来的算力能服务十万个用户——这笔账在财报里是正数。至于那吨水从哪来、当地含水层还能撑几年——那是另一个部门的事。

我不是在说AI不该发展。我是在说，当所有决策都被压缩成投入产出比的时候，有些问题会自动消失。 不是被回答了，是没人再问了。

那个技术主管跟我说，他现在带新人，直接扔一个真实项目过去，让新人用AI辅助完成。效率确实高。但他发现一个问题：新人能交付，但说不清楚为什么这么设计。问他“如果流量涨十倍这个方案还成立吗”，答不上来。

“他们跳过了犯错的过程。”他说这话的时候把那本翻烂的书合上了。

我想通的一件事

写到这里我得承认，我之前的判断需要修正。我原来觉得AI替代初级岗位是个“过渡期问题”——阵痛几年，新岗位会出来，跟历史上每次技术革命一样。

现在我怀疑这个类比。工业革命替代的是体力，被替代的人可以转去做需要手眼协调的活。但这次替代的是学习路径本身。初级岗位不只是产出，它是培养皿。你把培养皿撤了，上面那层“高级岗位”从哪长出来？

斯坦福报告里还有一句话容易被忽略：AI相关岗位需求增长25%，但集中在高技能领域。翻译一下：顶上在扩，底下在缩。中间那截梯子，正在被抽走。

亚利桑那的水也一样。数据中心的算力需求是指数级的，水是线性的。你可以说“技术进步会降低单位算力耗水”，但那个“值不值”的问题——这片沙漠的地下水该不该用来跑模型——不会因为效率提升就自动有答案。

两个问题，一个结构：当效率成为唯一语言，那些不能用效率翻译的问题就失语了。

那个技术主管最后跟我说了句话，我觉得比任何报告都准。他说：“我不担心AI比我写得好。我担心的是，以后没人记得‘写得不好’是什么感觉了。”

不记得写得不好的感觉，就不知道什么叫写好。不问这滴水值不值，就不知道什么叫够。

这大概就是台阶被抽走之后，真正麻烦的地方。