ARTICLE · 1041767
月薪3W的AI开发岗,先别急着投
前几天刷招聘软件，看到一个岗位：AI开发专家，Java方向，月薪20到30K，一年13薪。
评论区里一堆传统行业的人在问：我不会写代码，是不是这辈子跟AI没关系了？还有人问：四十岁了，现在学编程还来得及吗？
问这些话的人里，有做工艺的，有做IE的，有车间主任，也有工厂老板。大家心里都憋着同一个焦虑：AI这波浪潮，好像全是给程序员准备的，我们这些干了二三十年实业的人，连门票都摸不到。
今天把这件事一次性讲透：所谓"AI开发"，根本不是一种人，而是四种人，干四种完全不同的活。看完你会发现，工厂里摸爬滚打出来的人，恰恰卡在最缺人的那个位置上。
一、第一种人：AI算法工程师，造发动机的
这类人干的事，叫训练大模型本身。
怎么让模型看懂图片、怎么让模型听懂人话、怎么让几千张显卡一起干活不翻车——这些是他们的课题。门槛是数学、统计学、深度学习的科班底子，博士硕士扎堆，大厂和研究机构的主战场。
打个比方：他们是造发动机的。
这种岗位跟绝大多数人确实没关系，不用焦虑，也不用凑这个热闹。全国真正在这一层的人，数量很少。
二、第二种人：传统程序员加AI，造车的
就是招聘平台上那种岗位：会写Java、Python这些正经代码，同时会用AI工具辅助编程，效率比以前高一大截。
他们是干什么的？开发业务系统、App、后台、数据库，把一个软件产品从零写到能用。AI对他们来说是超级助手：以前三天写完的模块，现在一天半。
打个比方：他们是用发动机造车的。
月薪两三万是这个市场的正常价格，但注意，这个价买的是两样东西：会写代码，加懂软件架构。一个在工厂干了二十年的人，如果没有代码基础，硬转这一类，相当于重新读一个专业，性价比很低。
三、第三种人：AI应用开发，开车送货的
这一类是这两年才大量出现的新物种，也叫智能体开发。
他们不写底层代码，而是在智能体搭建平台上，用自然语言加可视化的流程编排，把大模型的能力组装成一个能干活的应用：上传一段车缝视频，自动拆动作、算工时；输入款式信息，自动出报价单；拉取产量数据，自动生成日报。
打个比方：发动机有人造好了，车有人造好了，他们负责开车把货送到指定地点。
这件事的关键转折在于：以前你想让电脑干活，必须学会跟电脑说"代码"；现在你只要把活儿说清楚，AI能听懂人话。门槛从"会不会编程"变成了"懂不懂要解决的那件事"。
四、第四种人：AI产品经理和解决方案，决定送什么货、往哪送的
这类人基本不碰技术实现，他们干的是另一件事：判断AI该往哪儿用。
工厂里哪个环节最痛？测时慢、报价扯皮、产线瓶颈找不到、老师傅经验留不下来——哪些问题AI真能解决，哪些是伪需求？先做哪个、后做哪个？做完怎么验证效果？这些都需要既懂行业、又懂AI边界的人来定。
打个比方：他们决定送什么货、走哪条路线、几点之前必须到。
注意，这类岗位的核心能力不是技术，是行业经验。一个刚毕业的计算机高材生，站在车缝车间里，连"什么是GST""弯弧线为什么要分段车"都听不懂，他设计不出有用的方案，得有人带着在车间泡上一两年才能入门。
五、最缺人的位置，在第三和第四之间
把四种人摆在一起看，规律就出来了：
第一种造发动机，第二种造车，这两类人市场上有，但基本集中在互联网和科技公司；第三种开车的人正在大量涌现，因为工具越来越简单；第四种定路线的人最稀缺，稀缺到几乎断档。
为什么断档？
因为培养一个程序员，学校四年就够了；培养一个真正懂服装制造的人，要在车间里泡十年二十年。工序怎么排、工价怎么定工人才不闹、21%的宽放率是怎么来的、后袋工序为什么机器等人31秒——这些东西课本上没有，代码里也没有，只能靠现场喂出来。
现在的局面是：懂AI的人不懂工厂，懂工厂的人不敢碰AI。中间那道缝，就是机会。
技术与现场之间，需要有人搭桥
行业里给这个中间角色起了个名字，叫FDE，前沿部署工程师，最早是一家美国大数据公司提出来的：工程师不再坐在总部写产品，而是直接扎到客户现场，吃透现场的活儿，边发现问题边搭系统。本质上就是技术和现场之间的翻译官。
有招聘平台的研究数据显示，2023到2025年，这类岗位的需求增长了几十倍。我们国家人社部也已经启动了相关的先锋人才计划。这不是概念，是真实的人才缺口。
六、工厂里的老法师，手里握着别人抄不走的东西
可能有人会说：我既不会写代码，也不会搭智能体，算哪门子稀缺？
请注意一个事实：工具是一年比一年简单的。
两年前，让AI分析一段视频还需要写代码、调接口；现在，在平台上拖拽几下、把分析规则用大白话写清楚就能跑。技术门槛在持续往下掉，但"分析规则"本身越来越值钱——因为规则来自行业know-how。
有服装工厂做过实测：同一段开袋工序视频，资深IE人工分析出的标准工时是80秒，AI算出来81.3秒，67行动作代码逐项核对全部一致，偏差1.6%。这个结果为什么能信？不是因为AI神，是因为有人把几十年的动作编码体系、时值库、等级规则喂给了它，还做了人机对账。
没有这些家底，AI算出来的就是一堆废纸。
装在个人脑子里的本事，正在变成企业账上的数字资产
换句话说：会搭工具的人到处都是，全行业没几个。前者学三个月就能上手，后者的经验攒了三十年。
七、给传统行业人的三条实在建议
第一，别去硬卷第二种岗位。四十岁从零学Java，跟二十岁的科班生拼代码，是以己之短攻彼之长，胜算极低。
第二，从第三类切入，往第四类走。先用智能体平台把自己手头最重复的一件小事解决掉：一段视频的工时、一张报价单、一份日报。不用追求做大，跑通一个闭环，你就完成了从"看热闹的"到"动手的人"的跨越。
第三，把脑子里的经验当成产品来整理。判断工价的尺度、拆动作的套路、平衡产线的经验，过去只存在你脑子里，人走经验走；现在它们可以变成代码表、规则库、知识库，从个人本事变成企业资产。这个整理的过程，就是你建立壁垒的过程。
结尾
回到开头那个问题：不会写代码，是不是跟AI没关系了？
恰恰相反。
AI越普及，纯技术的部分越像水电煤，随用随取；真正决定成败的，是你知不知道该把它用在哪儿、用得对不对、结果值不值。这个"知道"，就是行业经验，是工厂里的老法师们安身立命的东西。
AI不会取代你，但率先用AI的你，会取代不用AI的你。技术解决"能不能做"，现场经验决定"做得对不对"。两样都占的人，就是下一个十年最值钱的那一批。
如果这篇文章对你有启发，欢迎转发给身边还在焦虑"要不要学编程"的同事。后续会继续分享服装制造业AI落地的真实案例和具体做法，关注不迷路。
注：文中引用的岗位增长数据来自公开行业研究报告，企业实测数据来自服装工厂真实项目验证，仅供参考。
