AI 吃掉的是任务,不是岗位

团队来了个新人，入职三个月。他每天都很忙，交付的东西也在往前走。

但上周复盘的时候，你说不出他这三个月学会了什么。

想了一会儿才明白：不是他学得慢，是原来新人靠它入门的那批活没了。写单测、改小 bug、补接口文档、把老代码里重复的一段抽出来——这些是两年前一个应届生入职头三个月的主要工作，也是他建立手感的方式。现在这些活，大部分在工具里过一遍就出来了。

这件事比「AI 会不会取代我」更值得看。因为它不是岗位层面的问题，是任务层面的问题——而我们对后者的观察，一直比对前者粗糙得多。

一、被重组的不是职业，是职业里的任务

这几年看过很多「AI 会不会取代程序员」的讨论，大部分都在职业这个粒度上打转。但真正在发生的事，粒度比职业小一层。

据上海科技大学在 2026 年世界人工智能大会上发布的一份报告（基于 7.43 亿条招聘数据），AI 不会完整淘汰某个职业，它重组的是岗位里的具体任务。翻译一下：不会有那么一天，一个职业被整体划掉；会有很多天，你的工作内容一点一点被换掉，直到某天你发现自己干的已经不是岗位名写的那件事了。

这个粒度差异很重要，因为它决定你怎么应对。

按职业思考，结论只能是两个：要不被取代，要不不被取代。这种问题没法行动，只能焦虑。按任务思考，你手上立刻多出一张清单——每一行是一件具体的事，每一件都可以单独判断：这件事现在能不能交出去，交出去之后我腾出来的时间该放到哪里。

我自己的判断是：把问题从「我这个职业安不安全」换成「我这周做的哪几件事可以被拿走」，是这两年最有用的一次视角切换。

二、先被吃掉的，是能被自动验收的任务

那哪些任务会先被拿走？我观察到的判据只有一条：这个任务的完成，能不能被自动判定。

写一个函数能不能通过测试，是有明确答案的。修一个 bug 能不能让那几条失败的用例变绿，是有明确答案的。把一段重复代码抽出来有没有破坏行为，是有明确答案的。反过来，「这个需求该不该做」「这个方案和业务目标冲不冲突」「这个取舍三个月后会不会变成债务」——这些没有自动判定器，只有人和时间能判。

这条判据有个很好的旁证，是代码能力评测本身的演化。SWE-bench 这个基准测试用的是真实开源仓库里的 issue 加对应的合并补丁，评分标准就是测试能不能通过。2023 年刚发布的时候，最好的模型只解出不到 2%。到 2026 年，公开榜单上的主流模型已经普遍在 80% 上下。

但同一批研究的另一组数字更值得看：换成更接近真实工程的长链条任务版本（SWE-bench Pro）之后，成绩掉到 41%–44%；而在完全没有公开过的私有测试集上，同一批模型的成绩还会再往下掉一截（比如有报告显示从 22.7% 掉到 17.8%）。

这两组数字放一起，说明的事情其实很朴素：能被定义清楚、能被自动判分的任务，被吃掉得最快；一旦任务需要跨越没见过的代码、模糊的约束和没人写下来的上下文，进度就慢下来。规模增长一直在发生，但能力的边界并没有跟着等比往前推。

所以第一个可做的动作很简单：把你这一周做的事列出来，每一条后面写一句——这件事完成得好不好，谁来判断，判断标准是什么。凡是能写成一句明确标准的，基本都在交接范围内。

三、市场砍掉的是学徒制，不是工程师

如果上面说的是「哪类任务」，那招聘数据说的就是「哪一层人被影响」。这一节的数据我得先说清来源，因为方向比数字更重要。

SignalFire 的《2026 State of Talent》报告给出了一组看起来矛盾的数字：12 家头部科技公司面向应届生和入门级的招聘，比 2019 年下降约 65%，早期创业公司下降约 76%；但同期这些公司的总招聘只降了约 25%，工程师岗位只降了约 11%——早期创业公司 2025 年招的工程师甚至比 2019 年还多 7%。

换个说法：没有哪个公司开过发布会说「我们不招新人了」。只是那个岗位需求没有发出来。工程师的需求还在，被拿走的是「还得手把手带几个月才能上生产」的那部分。

东北大学的研究者用招聘平台的数据验证了同一件事：ChatGPT 公开发布之后，初级软件岗位相对资深岗位下降了 14% 到 15%。他们特别指出，主要变化不是企业发明了新岗位名，而是原来那批欢迎应届生的岗位，悄悄抬高了经验要求。

斯坦福数字经济实验室的跟踪更直接：在高度暴露于 AI 的职业里，22 到 25 岁劳动者的就业水平，比暴露程度较低的同龄人低约 19%——这个缺口在 2025 年 7 月的数据里是 15%，一年后扩大到 19%。而经验更丰富的劳动者，没有出现可比的缺口。

还有一条很有意味的数据。据普华永道 2026 年一份扫描了逾十亿条招聘广告的报告，在 AI 高暴露的入门级岗位上，要求「判断力」「领导力」这类传统上属于资深能力的比例，是普通岗位的 7 倍。也就是说，门开得更小了，但门槛的台阶换成了另一种——以前进门靠熟练，现在进门就要带判断力。

这几组数据指向的结论不温柔，但它是可以用力的：缺口在入口，不在出口；被压缩的是学徒期，不是工程师这个身份。这对刚入行的人是坏消息，对已经走过学徒期的人是提醒——同样的一批任务被拿走了，你手上还剩下什么。

四、这周就能做的三件事

第一，列一张交接清单。挑三件你这周花时间最多、而且完成标准能写成一句话的事，试着把它们交出去——交给工具，或者交给流程。注意不是「用工具做得更快」，是真的让这件事不再占你的时间。判断标准是：交出去之后，你不需要再看每一份产出。

第二，把腾出来的时间投到没有判定器的那一头。判断需求该不该做、判断一个方案的长期代价、判断哪里会在三个月后炸——这些活没有测试帮你验，所以在很长一段时间里，它们是最不容易被替代的部分，也是最难被别人接手的部分。

第三，如果你是带人的，检查一下你团队的入门任务。学徒期的活被拿走了，不代表新人不需要成长路径，只代表那条路径得更早让人接触判断。让一个新人第三个月就去写一份带取舍的方案，可能比让他多写两百个接口更有用。

最后

回到那个新人。他其实不是没学到东西，是他学到的东西跟以前的版本不一样了——以前靠重复建立手感，现在得靠判断积累。这件事对谁都不轻松，只是发生的时间点不同。

「会不会被取代」这个问题，两年了我还是回答不了，也不打算回答。能回答的是另一个：我这周做的事里，哪几件已经可以交出去了，交出去以后我准备留下什么。

留个问题，评论区聊聊：

你手上哪件事，是这两年悄悄不需要你亲自做了的？把这件事找出来，你就能看清自己被拿走了什么、又被留下了什么。

数据来源：上海科技大学《AI 时代的中国劳动力市场》（基于 7.43 亿条招聘数据，2026 年世界人工智能大会发布；该结论经国内媒体转述，非直接读到的报告原文）；SignalFire《2026 State of Talent》（12 家头部科技公司及早期创业公司的入门级与工程岗招聘变化）；东北大学研究者（Modestino 等）2026 年 6 月 IZA 工作论文（基于 Lightcast 招聘数据统计初级软件岗位的相对变化）；斯坦福大学数字经济实验室「Canaries in the Coal Mine」研究 2026 年 8 月更新（22–25 岁劳动者在 AI 高暴露职业中的就业缺口）；普华永道《2026 全球 AI 就业风向标》（基于逾 10 亿条招聘广告，「7 倍」这一条经国内媒体转述）；SWE-bench 与 SWE-bench Pro 的公开榜单与相关论文（含 SWE-bench Verified 的成立背景与私有测试集成绩差异）。文中所有百分比均为公开口径，未作二次加工。