当 AI 吞噬职业阶梯的中间层，入门级招聘正在萎缩。研究数据显示：资深开发者使用 AI 后速度降低 19%，初级工程师知识掌握度下降 17%——他们牺牲了学习，却什么也没换来。
这场演讲来自 QCon London。讲台上的人叫 Alasdair Allan，题目直白得有点残酷：《当 AI 吞噬中间层：缺失台阶的工程师成长路径》。
他的核心观察很简单：AI 正在消除职业阶梯每一级上的学习机会，同时又让开发者能完成超出自己经验水平的工作。
但代价是什么？
初级工程师不再花费数年阅读遗留代码库，也不会在凌晨 3 点爬起来调试生产事故。他们只会让 AI 智能体处理这些问题，然后要一份总结。
以前，正是那些「枯燥的杂活」在培养人的判断力——就像住院医师培训一样。现在，跳过这些杂活的人，也跳过了直觉的养成。
"人们并不是遭到解雇；他们从一开始就没有被雇用。"—— 25 岁以上员工的工作量并未减少，减少的是入门级岗位的招聘
写代码 → 读遗留代码库 → 凌晨修事故 → 积累模式识别 → 成为高级工程师
让 AI 写代码 → 让 AI 总结遗留代码 → 让 AI 处理事故 → 跳过中间层 → 直接监督
注：左侧是传统职业阶梯的学习链路，右侧是 AI 介入后的新链路。Allan 指出，右侧路径恰恰绕过了培养判断力的关键环节。
Allan 没有回避一个尴尬的事实：关于 AI 对开发效率的研究，结论的矛盾程度比任何一方愿意承认的都要高。
注：对比条为便于阅读非零起点。METR 实验中，开发者实际速度下降 19%，但主观自评提升 20%——自我感知与客观表现严重脱节。
几个关键数字单独看都很刺眼：METR 的随机对照试验发现，资深开发者用 AI 后速度降低 19%，却以为快了 20%；Anthropic 发现，初级工程师使用 AI 后知识掌握度下降 17%，速度没有任何提升。
他们牺牲了学习，却什么也没换来。
Allan 还提到一个更扎心的实测：在真实开源项目中，AI 生成的 15 个 PR 没有一个可以合并，尽管它们都通过了自动化测试。AI 能实现功能，却无法胜任工程技艺。
Anthropic 的工程师在 59% 的日常工作中使用 Claude，但只能完全委托约 20%。
这两者之间的差额——「生成与判断之间的空间」——Allan 说，这才是未来工作岗位存在的地方。AI 编写代码；人类判断它是否正确。
注：Anthropic 内部数据显示，约六成工作用到 AI，但真正能全权交给 AI 的只有两成。Allan 认为中间的 39% 是未来工程师的生存空间。
但他真正担忧的是另一个数字：现在 80% 到 90% 的工程问题都被提交给 AI，而不是同事。
当 AI 直接给出答案、却省略整个探索过程时，与导师一起艰难解决问题所带来的偶发学习机会就被绕过了。过去的发展通道是为「写代码的人」建立的，而监督 AI 系统的人，还没有自己的成长阶梯。
Allan 说，大多数工程工作其实都在「黑地」里：高负载下的遗留系统，所有人都同意该弃用，却没人有时间真正动手。
这些系统的规范可能从未编写过，或者因为数十年未被记录的决策而失去意义。业务规则被编码在各种条件中，而理解这些规则的人早已离开。
AI 智能体可以阅读代码、测试和文档，但它无法读取生产环境。
它无法查看多年的请求模式，也就无法理解哪些代码路径在真实负载下承担着关键作用——这恰恰是资深工程师的直觉所在：系统应该如何构建、复杂性藏在哪里、规模上去后哪里会出问题。
"能帮 AI 构建良好上下文的人，是那些通过多年实践在头脑里积累了上下文的人。"—— 而这条积累的通道，正在断裂
Allan 很诚实：我们目前处于诊断阶段，而不是解决方案阶段。
但他给出了四条可以立刻行动的建议：
最后，他给了一个诚实的预期管理：AI 是工具，不是老师。利用它跳过理解过程，就是在透支自己的未来。
坚持做「低效但培养人」的事，十年后才会还有高级开发者。
AI 编程工具正在让个体开发者更强、让整个行业更弱。当判断力的养成路径被效率逻辑打断，短期的生产力收益，会以长期的人才断层为代价。真正该被重构的不是代码，而是工程师的成长阶梯本身。
如果你是工程师：刻意保留「不借助 AI」的练习时间。如果你是技术管理者：为新人设计有导师的、结构化的学习轮岗。
把你的培养机制 写进团队文档 →