夜雨聆风这两年有一个特别流行的说法：AI 都会写代码了，程序员是不是快没用了？
这个说法有冲击力，也很符合媒体叙事。一个 CEO 宣布裁员，说我们现在用 AI，团队要更小、更扁平；一个产品负责人说，新代码里有多少多少比例是 AI 写的；社交媒体上再来几张截图，一个人一晚上做出一个 App。你看，故事闭环了：AI 会写代码，所以写代码的人要失业。
但这正是问题所在。这个故事太顺了，顺到像一个错误模型。
咱们先给这个问题换个问法：软件工程师的工作，到底是不是“把代码打进电脑里”？
如果是，那 AI 的确危险。因为现在的 AI 写代码已经非常强，尤其是在明确任务、局部修改、生成样板、补测试、解释代码这些环节，能力提升很快。但如果软件工程不是打字，而是把一个模糊需求变成可靠系统，那结论就完全不同了。
NormalTech 这篇文章提出了一个很好的模型，叫“decide-execute-deliver sandwich”，我们可以翻译成“决策-执行-交付三明治”。
中间那层是执行，也就是写代码、改代码、生成实现。AI 最擅长压缩的就是这一层。过去你要写三小时，现在可能十分钟生成一个版本。过去你要查 API，现在它直接给你补出来。这是实实在在的生产力提升。
但软件工程还有两端。
第一端是决定做什么。用户真正要什么？这个功能该不该做？现有系统能不能承受？它和业务目标是什么关系？监管、成本、维护、团队协作、历史包袱，哪个才是关键约束？这些不是“生成代码”的问题，而是定义问题的问题。
第二端是交付以后谁负责。代码能跑，不等于能上线；能上线，不等于能长期维护；测试通过，不等于没有安全、隐私、性能、边界条件和组织责任。一个系统出了事，客户不会找 AI 对话框负责，老板也不会把事故报告写给模型看。
所以真正的结构是：AI 让执行层变薄，但决策层和交付层仍然很厚。甚至在很多情况下，因为 AI 生成代码太容易，决策和验证反而更重要。
这里有个反直觉点：AI 写的代码越多，人类工程师越不能只会写代码。
这不是说工程师要退回手工劳动，拒绝工具。恰恰相反，高手会大量使用 AI。但高手用 AI 的方式，不是“vibe coding”，不是闭着眼睛让它一路生成，然后祈祷能跑。高手是在做“agentic engineering”：让 AI 当强力执行者，自己保持控制权、判断权和责任权。
普通人会问：AI 能不能把这个功能写出来？
高手会问：这个功能该不该存在？它改了哪个系统假设？如果 AI 写错了，我怎么发现？如果今天看起来没错，三个月后谁维护？这个变更会不会让业务、用户和团队都背上新债？
你看，问题的颗粒度完全不一样。
文章里还有一个有意思的数据：研究发现，AI agent 可以让代码行数大幅增加，但发布量的提升远没有那么夸张。这说明什么？说明“写出来”和“交付出去”之间有一条很宽的河。AI 可以帮你造船，但它不能替你决定去哪，也不能替你对沉船负责。
这也解释了为什么很多“AI 导致大裁员”的故事，仔细看都有点像 AI washing。公司本来就有财务压力、本来就要削管理层、本来就要重组业务，但对外说“我们因为 AI 更高效了”，听起来更现代、更有股价想象力。AI 成了一个漂亮的解释框，而不是实际因果。
这不是说 AI 对就业没有影响。它当然有影响，而且影响会很深。纯粹执行型、只会接 ticket 写代码的人，议价能力会下降。初级岗位会变难，因为过去很多“练手”的执行任务会被 AI 吃掉。职业路径会重构，有些人会突然发现，自己过去引以为傲的技能变成了默认配置。
但这跟“软件工程师消失”不是一回事。
更可能发生的是另一种局面：软件变便宜了，于是世界要更多软件。过去不值得开发的内部工具，现在值得了；过去一个小公司请不起工程师，现在可以用 AI 加一个懂业务的人做出第一版；过去很多行业只有 Excel 和人工流程，现在会被小软件、小 agent、小自动化渗透。
经济学上有个说法，叫需求弹性。东西变便宜以后，需求可能不是减少，而是爆炸。农业机械化以后，人不会吃一百倍的饭，所以农业劳动力下降；但软件不一样。人类对软件的需求，远远没有到头。每个行业、每个部门、每个小流程，都可以被重新软件化一遍。
所以未来稀缺的不是“会不会写一段代码”，而是三种能力的组合：懂领域，懂系统，懂 AI 协作。
懂领域，才能知道什么问题值得解决；懂系统，才能知道一个改动会牵动哪里；懂 AI 协作，才能把执行层交给机器，同时不丢掉判断和责任。
这就是软件工程师的新位置：不是打字员，而是认知起重机操作员。机器负责重物，人负责方向、边界和安全。
