这两年，程序员最常听到的一句话是：

AI 会写代码了。

但这句话，已经有点旧了。

更大的变化是：AI 不只是帮你补一行函数、写一个页面、修一个 bug。

它开始进入代码库，读项目、改文件、跑测试、提 Pull Request，像一个临时加入团队的开发者。

OpenAI 对 Codex 的介绍里，已经把它定义为 coding agent。它能写代码、理解陌生代码库、审查代码、调试问题，也能执行重构、测试、迁移这类重复开发任务。

GitHub Copilot 的 coding agent 也不只是聊天。GitHub 官方介绍里说，你可以把 issue 分配给 Copilot，它会在后台启动开发环境，分析代码库，提交 draft pull request，并留下 session logs，最后仍然需要人来 review。

这对程序员当然有影响。

但这件事不只影响程序员。

它还会让很多不懂代码的人，第一次有机会把自己的行业经验变成软件工具。

01 公司开始重新算岗位

先看企业端。

Google CEO Sundar Pichai 在 2024 年说过，Google 超过 25% 的新代码由 AI 生成，再由工程师审查和接受。

Microsoft CEO Satya Nadella 也在 2025 年提到，公司代码库里大约 20% 到 30% 的代码由 AI 写出。

这里不要理解成“AI 独立替代程序员”。

更准确的说法是：AI 先生成，人来审查，团队再决定能不能合并。

但公司会因此重新算账。

以前一个功能要三个人写两周，现在可能是一个人带着 AI 先做出版本，再让工程师重点看架构、安全、性能和边界条件。

岗位不一定马上消失，但岗位价值会变。

CBS News 在 2026 年报道过，Challenger, Gray & Christmas 的数据显示，当年截至报道时，美国已有接近 5 万个裁员公告与 AI 相关，约占同期总裁员公告的 17%。报道里也提醒，AI 对劳动力的影响未必只表现为裁员，更可能表现为招聘变慢，尤其是初级岗位更难进。

这点对程序员很直接。

以前新人进公司，可以从改样式、补接口、写测试、修小 bug 开始。

这些任务能练人，也能给新人入口。

现在 AI 最擅长的，恰好就是这类规则明确、范围清楚、结果容易验证的任务。

02 程序员以后不能只拼手速

AI 进了代码库以后，程序员要换打法。

第一，要懂业务。
AI 可以写代码，但它不知道这个功能为什么要做、谁会用、哪一步会影响收入、哪里出错会被客户投诉。能把业务问题翻译成工程方案的人，会比只会接单写代码的人更稳。

第二，要会审代码。
AI 写得快，也会错得快。权限漏洞、边界条件、脏数据、性能问题、并发问题，不会因为代码是 AI 写的就自动消失。以后“我会写”还不够，“我知道哪里会坏”更重要。

第三，要懂系统。
一个成熟程序员的价值，不在某个函数写得漂亮，而在他知道数据库、缓存、队列、日志、权限、测试、发布之间怎么互相影响。AI 可以改一个点，但系统责任还在人身上。

第四，要会带 AI 做项目。
不是丢一句“帮我写个系统”，然后等结果。而是会拆任务、给约束、让 AI 先读代码库、让它写测试、让它解释改动，再用自己的判断筛掉不可靠的部分。

03 不懂代码的人，也该认真看这件事

过去做一个内部工具，门槛很高。

你是门店老板，想做一个会员回访工具，要找开发。

你是财务，想做一个自动对账小工具，要等 IT 排期。

你是老师，想做一个学生练习反馈系统，要么买现成平台，要么放弃。

你是运营，想把表格、客服记录、订单数据串起来，最后多半还是靠 Excel 硬扛。

AI 编程把这里的门槛往下压了一截。

不是说你完全不用懂技术，就能做大型商业系统。

别这么想，容易踩坑。

这些东西以前不一定值得专门招开发。但如果你熟悉行业流程，又能把需求说清楚，AI 就能帮你做出第一版。

04 真实案例已经出现了

这不是想象。

Bubble 官方案例里，Formula Bot 创始人 David Bressler 并不是程序员。他有营销分析背景，熟悉 Excel 和数据场景。2023 年休陪产假时，他用 Bubble 做了一个 AI Excel 公式生成器的 MVP。后来 Formula Bot 扩展成 AI 数据分析工具，Bubble 案例称它已经达到 100 万用户。

这个案例最有意思的地方，不是“不会代码也能创业”。

而是他先有一个非常具体的痛点：很多人不会写 Excel 公式。

他懂这个场景，所以他能判断产品要解决什么问题，用户输入什么，输出什么，哪里会卡住。

再看 Replit 的客户案例。

Replit 披露，英国 GP 医生 Dr. Fahim Hussain 没有编码经验，用 Replit Agent 在 4 天里做出一个医疗平台原型，包含医生预约、处方请求、订阅、健康数据、营养追踪、习惯记录等功能。传统开发报价是 7.5 万到 10 万英镑，Replit 案例中提到他的总成本约 175 英镑。

这个案例不能简单理解为“医疗系统以后不用程序员”。

医疗产品涉及隐私、合规、安全和责任，正式上线必须严肃处理。但它说明一个趋势：行业里最懂流程的人，可以先把想法做成能看的原型，再去找技术团队、合规团队、投资人或合作伙伴验证。

还有 Rokt 的案例。

Replit 披露，Rokt 在一次公司活动里，700 多名员工 24 小时内做出 135 个内部应用。里面不只有工程师，也包括非技术员工。Rokt 的一位 SVP 说，他没有工程背景，却用 iPad mini 在一天左右部署了一个带 OAuth 的端到端应用。

05 哪些行业最该先用

不是所有行业都适合一上来做 AI 编程。

我会先看三个条件。

第一，流程重复。
每天都有人在复制、粘贴、筛选、汇总、提醒、催办。这种场景最适合先做小工具。

第二，数据分散。
信息散在 Excel、飞书、企业微信、邮件、CRM、订单系统里，人每天靠手工对齐。这里很容易出效率工具。

第三，判断依赖行业经验。
比如客服分类、销售跟进、课程反馈、库存补货、合同初筛、门店排班。AI 可以帮你生成工具，但最懂规则的人，是行业里的人。

所以更适合先尝试的行业包括：门店零售、跨境电商、财务咨询、教育培训、房产中介、医疗健康管理、法律服务、企业培训、客服运营、内容运营、销售管理、供应链和小型制造。

06 不懂代码的人，需要具备什么思维

AI 降低的是编程语法门槛。

但没有降低判断门槛。

会这些思维的人，再加上产品思维，即使不懂代码，也能用 AI 做很多事。不会这些思维的人，就算懂一点代码，也容易做出一堆没人敢用的东西。

07 可以从一个小工具开始

如果你不是程序员，想试 AI 编程，我建议别从“大平台”开始。

先从一个每天都烦你的问题开始。

每天整理客户跟进记录太烦。

每周做销售周报太烦。

每次排课都要来回核对太烦。

门店库存快没了没人提醒太烦。

合同条款每次都要人工扫一遍太烦。

然后让 AI 帮你生成一个最小版本。

不要追求完美。

先让它能录入、能保存、能查询、能导出。

下一步再加登录、权限、提醒、统计、自动分类。

如果你的想法足够新颖，可以让AI帮你做判断是否有类似的软件，类似的平台，甚至可以让AI帮你做一本含金量很高的商业策划书。

08 程序员和非程序员，会在这里碰头

所以，今天这件事不能只写成“程序员危险了”。

太窄了。

更准确的判断是：

未来更吃香的人，可能不是单纯会写代码的人，也不是完全不懂技术却会喊需求的人。

而是能把业务、流程、数据、风险和 AI 工具连起来的人。

程序员要往上走，补业务、系统、审查和交付责任。

非程序员要往前走，学会提需求、画流程、验结果、守边界。

大学里正在学编程的学生，更要早点换训练方式。

不要只交作业。

拿一个真实项目，让 AI 帮你生成第一版，然后你去审它、改它、测它、解释它。面试时能讲清楚这个过程，比只说“我会 Java/Python/前端”更有说服力。

AI 进了代码库以后，写代码不再是少数人的孤岛。但能不能把代码变成可靠工具，仍然要看人的判断。