最近跟几个做技术的朋友聊天，发现一个挺有意思的现象。大家都在用AI写代码，效率确实上去了，但人反而更累了。一个朋友说，他们组以前三个人干一个项目，现在一个人带两三个AI智能体干三四个项目，产出翻了几倍，加班时间一点没少。

这不是个例。

如果你去看那些最激进使用AI编程的公司，会发现一个反直觉的事实：AI写代码越快，公司招人越猛。Anthropic这家公司，70%到90%的代码是AI写的，CEO公开说AI可能在几个月内接管大部分编程工作，但公司同时挂着几十个软件工程岗位，有一个据说总包50多万美元。英伟达CEO黄仁勋说他们公司100%的人都用AI编程工具，然后补了一句话：一个年薪50万美元的工程师，如果没花掉25万美元的token，就像芯片设计师说“我打算用纸和笔”。

一边喊着“编程要消失了”，一边开着行业最高的薪水抢人。这不矛盾，这是杰文斯悖论在起作用。

先把这个悖论说清楚

1865年，一个叫杰文斯的英国经济学家发现了一件怪事：蒸汽机效率提高了，煤炭消耗量反而暴增。按理说，机器更省煤了，总用煤量应该下降才对。但现实是，效率提升让煤炭变得更便宜、更好用，结果就是各行各业都开始烧煤，总消耗量不降反升。

这个逻辑放到AI编程上，一模一样。

AI让写代码这件事变得极其便宜。以前一个人一天能写两百行有效代码就不错了，现在AI几分钟生成几百行。按照“便宜了就会少用”的直觉，软件公司应该裁员才对。但真实世界发生的事情是：代码便宜了，需要软件的地方就变多了。

GitLab的CEO最近写了一封公开信，核心观点就是这个。他说软件生产的成本正在“崩塌”，而成本崩塌之后，对软件的需求会“持续扩张”。这家公司一边裁员重组，一边押注AI智能体时代的开发平台，逻辑就是：以后软件会多到人类写不过来，需要机器来写，需要平台来管。

被抽掉的梯子

但杰文斯悖论有一个不那么美好的侧面：效率提升创造的总需求，和效率提升摧毁的具体岗位，往往不是同一批人。

现在最尴尬的是初级程序员。

过去一个刚毕业的人进公司，从写CRUD、改bug、搭简单页面开始，在重复劳动中慢慢理解代码结构、积累架构直觉。这个过程很慢，但它是通往高级工程师的必经之路。

现在这条路正在被抽掉。AI写CRUD比人快，改bug比人准，搭页面比人稳，而且不抱怨、不请假、不要求涨薪。一个朋友在长三角某制造企业做IT，他说了一句话我印象很深：“我们部门已经没有刚毕业的人了，而且也完全不再招了。”

《财经》杂志今年4月的一篇报道里，有个细节很扎心。一个互联网公司准备裁掉三分之二的研发人员，被裁的不只是初级，一个八年经验的技术骨干也在名单上。取代他的是一个会用Cursor的应届生，月薪八千到一万，加上AI工具，能干出老员工百分之八十的活。

这不是“AI淘汰程序员”的故事。这是“AI淘汰了程序员成长的第一级台阶”的故事。

华盛顿大学的教授Amy Ko说得很直接：没有那个在手动写代码中反复试错的过程，我们就没有办法培养出高级工程师和架构师。现在的行业在靠现有的资深人才撑着，同时“把培养未来资深工程师的投资推迟，转而购买算力”，她把这种策略称为“不可持续”。

但软件开发这个职业没有消失

如果只看上面的内容，可能会觉得结论是悲观的。但我看到的图景不是这样。

美国劳工统计局的数据显示，到2033年软件工程职位预计增长17%，新增约32.8万个岗位，增速远高于平均职位增长率。全球开发者数量从2010年的500万涨到了现在的2870万，预计2030年达到4500万。

悖论的关键在于：“写代码”这件事在贬值，“决定写什么代码、判断代码能不能用、为代码负责”这件事在剧烈升值。

Anthropic花50多万招的那个人，不是在招一个打字快的。他们在招一个人来判断AI生成的代码架构对不对、安全边界在哪里、什么该部署什么该回滚。Claude Code的创造者Boris Cherny说他几个月没手写过一行代码了，但他团队现在招人偏好“通才”而非“专才”，因为当AI处理了实现细节之后，传统的编程专业分工变得不那么重要了，稀缺的是判断力。

国内的情况也类似。中国软件行业协会的秘书长在工信部发布会上说，单纯的编码执行能力权重在下降，需求理解、架构设计、质量和安全控制的能力要求在上升，“既懂软件又懂行业知识的人才更为紧缺”。

一个更难看的真相

杰文斯悖论用在AI编程上，有一个很多人不愿意面对的含义：效率提升创造的总需求增长，未必能等量地变成就业岗位。

GitLab的CEO说软件需求会爆发，这大概率是对的。但他同时在做的事情是裁员和重组。软件变多了，不等于写软件的人变多了。一个人带十个AI智能体，产出可能顶过去二十个人，那另外十九个人去哪里？

英伟达在GTC上喊出“100%的人都用AI编程工具”，黄仁勋的逻辑是：会用AI的工程师价值更高。这话没错。但“会用AI的工程师价值更高”和“工程师的总数会变多”是两件事。前者说的是个体的相对价值，后者说的是行业的总量。这两件事在短期甚至中期内，完全可能背离。

更麻烦的是技能形成的问题。如果AI把初级岗位的“练习场”填平了，那十年后我们从哪里找资深架构师？Amy Ko说的“不可持续”就是这个意思。行业在用存量人才支撑AI驱动的开发，但没有在制造增量人才。这不是一个可以靠市场自动纠正的问题。

预测判断

AI软件确实到了杰文斯悖论时刻。代码会变得极其便宜，软件的总量会爆炸，这个趋势已经很难逆转了。

但“软件总量爆炸”不等于“软件工程师的黄金时代”。它更可能是一个分化剧烈的时代：少数能驾驭AI、能做架构判断、能理解业务深层需求的人，价值会被放大到前所未有的程度；而大量可被标准化、可被AI独立完成的工作，会像蒸汽机时代的体力活一样被重新定价。

对于个人来说，最危险的策略是继续用“写代码快不快、多不多”来衡量自己的价值。这个维度上你永远赢不了AI。稍微安全一点的策略是往上游走：理解业务、做判断、担责任、协调人和AI的协作。但这些位置的数量，比“写代码”的位置少得多。

杰文斯悖论告诉我们效率提升不省资源。它没有告诉我们的是，效率提升创造的那些新用途，到底需要多少人、需要什么样的人。

这个问题的答案，现在还没写出来。

-end-

如果觉得内容对您有帮助的话，不妨关注一下？👇

想要了解更多的企业AI知识，请点赞+关注+关注AI知识库:

真正致命的问题往往不在“对错”里，而在以下这三个追问中：

1. 你是在用AI放大现有的优越性，还是在用它弥补自己最致命的短板？大多数企业会把AI用在自己最强的部门，让强者更强；但木桶的容量由最短的那块板决定。

2. 当AI的建议与你的直觉相悖，且无法解释逻辑时，你信它还是信自己？这不仅是决策问题，也是权力问题——你敢不敢授权给一个你无法完全理解的东西。

3. 五年后，你的企业最不可替代的东西是什么？

如果答案不是“某种人的特质、某种关系的信任、某种审美的判断”，那么当算力成本趋近于零时，你的存在理由是什么。

免责声明：本号所载内容为原创或整理于互联网公开资料，版权归原作者所有。文章仅供读者学习交流，不作任何商业用途。因部分内容无法确认真正来源，如有标错来源或涉及作品版权问题烦请告知，将及时处理，谢谢！