AI 写的代码「看起来都对」,这才是最贵的坑

上周一个朋友跟我炫耀他们团队的新流程。

一个需求文档丢给 AI，半小时后，后端接口、前端页面、单元测试全齐了。他说这话的时候，语气里带着那种「我们已经上车了」的优越感——团队少了三分之一的人，交付速度还快了一倍。

我只问了一句：

「你怎么知道它是对的？」

他愣了两秒，说：「这不是有测试吗。」

这两秒的沉默，比后面半小时的对话都值钱。因为它暴露了一个正在发生、但大多数团队还没反应过来的变化：

AI 把「生产」变得极其便宜，同时把「验证」变得极其昂贵。

一、AI 把「生产」变便宜，把「验证」变贵

先看过去的成本结构。

写代码很贵——要人、要时间、要经验，一个中等功能三个人干两周是常态。验证相对便宜——照着需求文档点一遍，出了问题再修，测试长期被视为「必要但不核心」的环节，甚至是成本项。

所以过去几十年，行业重心一直压在生产端：谁能更快写出更多代码，谁就赢。测试岗的位置也就一直在下游，被叫做「QA」，负责在最后一道关卡拦一下。

AI 把整个结构掀翻了。生成一段代码、一份文档、一张原型图的边际成本正在趋近于零，而验证它对不对的成本，反而在飙升。原因有三个，都很具体：

1. 产量爆炸，审查跟不上。以前一天 200 行代码，可以慢慢 review。现在一天 2000 行，而且都「看起来挺规范」——命名规范、注释齐全、结构工整，人眼根本看不过来。最危险的不是代码变多了，是代码变「像样」了。

2. AI 的错误很自信。它从不说「我不确定」，它用同样流畅、同样笃定的语气，给出一个边界条件全错的实现。这类错误比语法错误危险得多——语法错误编译器会拦，逻辑错误骗过的不是编译器，是人的判断力。

3. 需求的模糊性没有被解决。AI 能把需求写得很漂亮、很结构化，但需求本身有没有想清楚、业务边界在哪、异常路径怎么走、数据一致性谁来保证——这些从来不是「写」的问题，是「想」的问题。写可以外包，想不能。

所以，新的行业事实只有一句话：

会生产的人不再稀缺，能判断的人开始稀缺。

二、什么在被压平，什么在被放大

AI 正在同时做两件相反的事。

它在压平执行类能力。写作、翻译、画图、写代码、做表格、剪视频——这些技能的门槛在迅速消失。一个刚入行的新人，借助 AI 就能产出过去需要三年经验才写得出的东西。靠「我会写」「我会做」立身的人，会越来越难受，因为你的手艺正在变成公共品。

它在放大判断类能力。有三样东西，AI 用得越猛，反而越值钱：

1. 定义问题的能力——把一个模糊的诉求，翻译成可验证、可衡量的标准；

2. 判断真假的能力——在一堆「看起来都对」的方案里，找出哪个真的对；

3. 承担后果的能力——系统上线了，出事了，总得有人负责。

有意思的地方来了：这三样，恰好是测试岗每天在干的事。

测试这份工作的本质，从来不是「点按钮」。它是：把需求翻译成可验证的判据，在别人觉得没问题的地方找出问题，成为质量最后的守门人。你做的不就是这三件事吗？只是过去它们被埋在流程里，没有被这样命名过。

行业的瓶颈正在从生产端挪到验证端。位置优势，回到了测试这边。

三、测试人的三个机会

这不是安慰话，是三条能落地的路。

机会一：从执行者，升级成质量设计者。

「我一天点 300 个用例」，这个价值正在被工具吃掉——自动化早就在吃，AI 在加速吃。真正稀缺的是另一种能力：你能定义「什么才算对」。一个需求过来，你能指出它缺少异常路径、缺少并发场景、缺少数据边界——这是设计能力，不是执行能力。前者可以外包给工具，后者目前不行。

机会二：把脏活交给 AI，把自己腾出来。

用例生成、脚本编写、日志分析、Bug 复现环境搭建、测试数据构造——这些重复度高的活儿，是 AI 当前最适合接管的领域。会用的人，效率能到别人的三到五倍。

更重要的是这件事有正反馈：你越早把 AI 调教成「团队里最听话的实习生」，就越有时间去做上面那件真正值钱的事。省下来的时间投在哪儿，决定了三年后你在哪儿。

机会三：成为 AI 产出的「验收官」。

这是最新、也最容易被忽略的机会。

当团队开始用 AI 生成代码、生成文案、生成测试用例、甚至生成 BI 报表，就必然需要一个角色：给 AI 的产出定标准、做抽检、建立「这份产出能不能上线」的判据。谁来定义什么算合格？谁来抽检？谁来判断幻觉和真实的边界？

这个角色现在还没有正式名字，但需求已经真实存在。谁先接住，谁就在下一轮的岗位定义里占了位置。

四、本周就能做的三件事

不用等公司给机会，这三件事一周内就能做完。

1. 挑一个你每周都在重复的测试任务，让 AI 试一次。用例生成、数据构造、接口脚本，任选一个。重点不是它做得多好，而是你要亲眼看到它错在哪——只有见过它犯错的人，才有资格谈怎么验收它。

2. 下次你说「这个需求有问题」时，把依据写下来。缺了什么、风险在哪、什么情况下会出事。口头判断值钱，但能被复用的、写下来的判断标准更值钱。

3. 每周留 1 小时，专门「验收」AI 的输出。把它当成刚入职的实习生：交付快、态度好，但从不在你没检查的地方主动汇报风险。带它，而不是怕它。

写在最后

AI 时代最大的错觉，是「工具会替代人」。

更接近真相的说法是：工具替代的是执行，放大的是判断。

至于谁替代谁，取决于一件事——你站在生产端，还是验证端。

测试人恰好一直站在验证端。这不是安慰，是位置优势。

真正需要担心的，从来不是 AI 会不会用测试工具——

而是我们会不会把自己，活成了一个工具。

有共鸣的话，点个「在看」；也欢迎留言聊聊：你的团队里，AI 已经替谁干了活？