外观
04 困境:单点提效不等于整体提效
人人都在用 AI,每个人都觉得自己变快了,可整个团队交付的速度,好像没怎么变。
一个团队的一周
我们来推演一个很常见的场景。
一个产品团队:两个产品经理、一个设计师、四个开发、两个测试。公司给每个人都开通了 AI 工具,大家都用得很积极。
周一。 开发们发现,以前一天写完的功能,现在半天就写完了。每个人的代码产出差不多翻了一倍。
周二。 代码要合进主干,得有人评审。评审的还是那几个资深开发,他们自己也在写代码。待评审的列表,从五个涨到了十个。
周三。 测试同学收到的待测功能翻了一倍,可他们一天能走完的测试用例没多多少。有些功能在评审里等了两天,还没轮到测试。
周四。 产品经理发现,好几个功能做出来和自己想的不一样。不是 AI 写错了,是需求文档里本来就没写清楚。以前开发会过来问一句,现在 AI 不问,直接按自己的理解写完了。返工。
周五。 复盘会上,大家都说 AI 让自己快了不少。可这周真正上线的功能,和上个月差不多。
问题出在哪?写代码这一段确实变快了,但交付是一条流水线。 一条流水线的速度,取决于它最慢的那一段。写代码快了,堵点就移到了评审、测试和需求对齐上,而这几段,AI 在旧的分工结构里帮不上什么忙。
这不只是推演
研发效能公司 Faros AI 分析了一万多名开发者的数据,看到的几乎就是上面这一周Faros AI 2025:
AI 用得多的团队,合并的代码多了 98%,但代码评审的时间也多了 91%;放到整个公司层面,看不出 AI 带来了显著的效率提升。
谷歌的 DORA 团队调查了约五千名技术从业者,结论只有一句话DORA 2025:
AI 不会修好一个团队,它只会放大团队里已经存在的东西。
流程顺的团队,AI 让它更顺;流程堵的团队,AI 让它堵得更快。
赢家做对了什么
也有团队真的变快了。波士顿咨询的调查发现,从 AI 里拿到真实价值的企业有一个共同点:它们不是在每个环节各自用 AI,而是把工作流端到端地重新设计了一遍BCG 2026。
回到那个团队。如果不是十个人各自用 AI 加速自己那一段,而是让每个需求都由一个人加 AI 从头负责到尾:需求自己问清楚,验收标准自己写好,代码让 AI 写、让 AI 先验,最后自己验收上线。周二那条评审队列、周三那堆待测功能、周四那次返工,都不会再以同样的方式出现。
这就是第 2 章说的:不是给调度中心换一部更快的电话,而是把打车这件事重做一遍。
程序员的困境
企业卡在「按环节用 AI」,程序员个人也卡在同一个地方:按角色定位自己。
如果你只守着「写代码」这一段,AI 每进步一点,你守着的那一段就窄一点。
第 2 章说过,AI 原生对人的要求更高,而不是更低。这不是一句口号,招聘市场已经把它写进了招聘广告。
应届生:在执行层面,卷不过 AI
以前,一个计算机专业的毕业生是这样成长起来的:先写简单页面、修小 Bug、补测试用例,在一个个小任务里慢慢学会判断。可这些「练手的活」,恰恰是今天 AI 做得又快又好的部分。
于是你会看到这样的变化:
- 2025 年 4 月,Shopify 的 CEO 在内部信里要求:在申请更多人手之前,团队必须先证明这件事为什么不能用 AI 完成TechCrunch。
- 同年 2 月,Salesforce 的 CEO 在财报会上说,工程团队的效率提升了 30%,「今年我们不会再招新的工程师」The Register。
落到毕业生身上,就是纽约联储的这组数字:在美国 22–27 岁的近期本科毕业生里,计算机工程专业的失业率约 7.8%,计算机科学约 7.0%,在 74 个专业里分别排第 2 和第 4 高纽约联储。值得注意的是,找到工作的人薪资依然不错。难的不是待遇,是门槛。
普华永道的一句话说得很准PwC 2026:
AI 正在拿走一部分曾经充当「学徒期」的日常工作,同时让人在职业生涯更早的阶段,就需要判断力、领导力和适应力。
在执行层面,毕业生再怎么卷,也卷不过 AI。
资深程序员:有点像「老中医」
另一头,情况正好相反。
Indeed 统计了美国的招聘广告:2026 年第一季度,软件开发岗位里资深岗位(5 年以上经验)占 69.3%,入门级只占 4.5%,是所有行业里入门级占比最低的Indeed 2026。作为对比,全美所有行业的招聘里,资深岗位只占约 14%。
斯坦福的一项研究给出了更细的画面斯坦福 2026:从 2022 年底到 2026 年 6 月,22–25 岁年轻人的就业还低于起点,而每一个更年长的年龄段都在增长,35–40 岁增长了 11%。研究还发现,越是依赖「默会知识」(说不清、写不下来、只能靠经验积累)的工作,有经验的人就业增长得越快。
所以我常说,资深程序员现在有点像老中医,当然,是身体好的那种,越老越吃香。
要说清楚:这些数据说明的是经验的价值,不是年龄本身。企业不在乎你几岁,在乎的是:
- 你见过多少种问题,能一眼看出 AI 给的方案哪里不对;
- 你能覆盖多少个角色,需求、设计、代码、测试、上线都能判断;
- 你能不能做架构层面的取舍,知道哪些地方值得 AI 多花力气,哪些地方一步走错就很难回头。
这三样,恰好就是 AI 做不了、而 AI Native Builder 必须做的事。
新人的路在哪里
这不是说新人没有出路。连亚马逊云的 CEO 都公开反对「用 AI 替掉所有初级员工」:如果今天不招新人,十年后谁来成为资深The Register?
但新人的成长方式确实变了:不再是靠写够一万行代码熬成资深,而是要尽早学会判断。 什么是对的、怎么证明它对、错了怎么办,这正是这本小册第三部分要讲的东西。
困境的根源是同一个
企业的困境和程序员的困境,看起来是两件事,根源却是同一个:
AI 的能力已经能覆盖一整条流程,但人和组织还在按角色、按环节使用它。
企业按环节用 AI,所以整体效率上不去;程序员按角色定位自己,所以被 AI 挤压。
一边是 AI 的能力,一边是人的用法。两者放在一起,会得出什么结论?下一章。