AI Dev时代：初级工程师的黄昏，年轻人的黎明

最近这段时间，硅谷的裁员潮空前密集，国内也有不少相关消息。很多人把它当成AI替代人工的一个恐慌，组里不少同事日常工作也不乏慌张焦虑。

这轮冲击首当其冲的，是初级工程师。

从我自己的体验来看，AI 已经可以把绝大部分初级工程师的日常工作完全接管掉。最近 HR 经常找我聊面试题改版和新的人才能力模型，核心就一个问题：在 AI 时代，面试流程到底该怎么改才能找到真正适应新工作流的人。

执行力，不再是我们要的东西

过去的面试，本质上大部分考的是执行力——说白了，就是这个人入职之后能不能马上上手干活。但今天，至少对初级软件工程师这个岗位来说，执行力反而成了最不重要的东西。硅谷现在纯执行力岗位的工程师 HC，已经下降了将近 30%。

这是个挺残酷的数字。不管你是已经入职的初级工程师，还是刚毕业的学生，尤其是在互联网行业，你要面对的局面都比过去复杂得多。

所以在我们组织内部，新的能力模型和面试题，都在尽量压低执行力类问题的比重。像 JD 里那句最常见的“精通 C++”“精通 Java”，可能就是第一个该被删掉的。我们想考的，不再是你“会什么”、掌握了多少初级知识，而是你是否具备 learn to do/be 的能力——能不能极快地学习，能不能借着 AI 这根杠杆，去撬动那些原本很复杂的问题。

这里得说清楚一点：执行力本身还是重要的，不重要的是那种“靠你一个人埋头敲出来的执行力”。AI 把执行力变成了一种可以被撬动的东西，而你要做的，是学会怎么去撬它。

对初级工程师，这是双面的

坏的一面很直接：过去那种“保护期”没了。过往一个新人进来，通常有一两年时间可以只做简单的事，由老人带着慢慢成长。但现在公司内部会很自然地算一笔账——与其花力气教一个初级工程师，不如直接让 AI 来做，后者往往更快。于是初级工程师在“被培养”这件事上，天然会受到比以前更冷的对待。

但好的一面，可能比坏的一面更重要：初级和高级之间的界线正在变得模糊。组织真正在意的，只剩下一个直观的点——这个人能解决的，是简单问题，还是复杂问题？那些纯靠时间和经验熬出来的高级 title，反而会在这一波冲击里掉得最快、最惨。

所以我甚至觉得，在今天这个语境下，“初级工程师”这个定义本身就不该存在了。他们更应该被叫做“年轻人”，或者“刚进职场的人”。而这群人会出现非常剧烈的分化：足够有想法、又足够适应 AI 的那一批，可能进职场没多久就能展现出解决复杂问题的能力，不再需要老老实实熬三五年、七八年；运气好的话，半年到一年，就成了公司里负责重大方向的核心。

说到底，AI 不是来替代谁的，它是一根杠杆，撬动的是被放大了无数倍的执行力。

于是路就分成了两条。一条是守旧的：在一个问题上，继续用传统的经验积累往前走，进步是线性的。另一条是用 AI 的：多线程地管理任务，自然地向 AI 工具借力，在很短的时间里啃下一个很复杂的问题。且幸运的是——后面这条路，对时间和经验的硬性要求并不高，它更多取决于天赋，以及你愿意在这件事上投入多少。

我们想要一台“灵魂探测器”

也正因为这样，我后来跟朋友开玩笑说，现在真的很难出一套配得上 AI 时代的面试题。我们最想要的，其实是一台“灵魂探测器”：它不关心你聪不聪明、会不会某个具体技能，只想知道两件事——你在这个岗位上，愿不愿意、能不能做出足够正确的判断；以及你能不能借着 AI 的杠杆，真的推动出有影响力的产出。

所以回到年轻人身上：AI 时代对他们其实是更友好的，因为它提供了一种“跳跃式成长”的机会。一部分资深的人，过去积累的经验和知识，在新时代直接失效了——就像打字员退场那样，旧的职业在消失，新的职业在接入。而每一个新兴的方向，给的往往都是年轻人最大的机会。

组织正在“胶囊化”

组织这一端，我们也观察到一个很明显的变化，尤其是在那些 AI 原生的公司（openai， anthropic 等）里：整个组织正在“胶囊化”。

大家不再按传统的任务分配来搭建组织、衡量绩效，而是从“任务驱动”转向“问题驱动”。怎么理解？就是你要能在自己的位置上发现一个问题，帮团队或公司把它解决掉，并且走完一个完整的闭环——从提出问题，到解决问题，再到证明它确实被解决了、带来了哪些收益。我们把这样一个单元叫做“胶囊”。

这个胶囊可以是人和人，也可以是人和智能体。它的好处是，衡量一个人/团队的产出会变得极其直接，直接到可以对应上他给整个公司带来的收益。一旦这种衡量方式成立，它会反过来冲击公司很多既有的制度——绩效、招聘、协作方式，可能都要重写。这大概率在大公司也会发生，但近期还会是一个过渡阶段。说实话，我挺期待它最后在传统互联网大厂落地会怎样。

高级工程师：全员架构师化

最后说说高级工程师。我和很多朋友讨论下来，结论是四个字：全员架构师化。

只有成为一个有架构师思维、能做架构决断的人，才能在这个行业里继续走下去。

这里有个值得想的问题：大模型发展到今天，在绝大多数编码任务上，AI 的执行力已经远远超过人类工程师了，这基本是行业共识。可为什么互联网行业并没有因此出现超过一半的裁员，工作方式也没有天翻地覆？

关键就在判断力。今天的模型，我们仍然叫它“大语言模型”——它的全部信息和决策，都来自你喂给它的文字。这里天然有两个缺口：第一，它拿不到信息的全貌；第二，就算拿到了，它给出的任何方案、任何选项，最终还是需要一个人来拍板。换句话说，哪怕模型质量已经足够高，一个任务的两端始终离不开人：一端，由你来发起；另一端，由你在关键节点上做决策。

而这，恰恰就是一个架构师的日常。所以接下来，越来越多的人会以架构师的姿态去工作：你接到的不再是“把这个按钮从白色改成红色”这种小任务，而是一个笼统的命题，然后由你来完成从产品设计、开发实现到测试验证的整体落地。你要能说清楚自己到底在解决一个什么问题，也要能证明这个问题已经被解决。这是一种更广义的架构师。

这一篇就先写到这。AI 时代里，工程师的位置正在被重新排列——对靠时间换 title 的人，这是坏消息；对愿意学、敢判断、会借力的年轻人，这反而是最好的时候。最近学习和感触都挺多的，有空慢慢写。

本文由 AI 辅助完成，写作方式：上下班开车途中和 AI 口述观点与想法，AI 整理后，人工全文校对润色。