你的能力正在被重新定价：AI 时代程序员资产重估指南
关于 AI 和程序员，市面上有两种声音。
一种说：AI 什么都能写，程序员要完了。 另一种说：AI 只是工具，该写的代码还得人写。
这两种说法都太整齐了。真实世界从来不整齐。
过去两年，我看到的是一组更别扭、也更值得琢磨的画面：初级岗位的入口在收窄，AI 相关岗位的数量在暴涨，同一批人里，有人被压价，有人被加价。
这不是"失业"或"不失业"的二元问题。这是一次能力资产的重估。
一、两条曲线：入口在塌，存量在涨
先看美国的数据。
斯坦福数字经济实验室（Stanford Digital Economy Lab）用全美最大的薪酬软件数据做了一项研究：自生成式 AI 普及以来，22–25 岁、处于 AI 高暴露职业的年轻劳动者，就业相对下降了 13%。同一职业里的资深员工，以及低暴露职业的劳动者，就业保持稳定甚至继续增长。[1]
2026 年 8 月，这项研究更新了数据：年轻劳动者在 AI 高暴露职业中的就业，比"按同类人群趋势应有水平"低了 19%，而且缺口从 2025 年起持续扩大；调整主要通过减少招聘实现，而不是大规模裁员。研究同时强调：没有证据表明出现了全局性的失业潮。[2]
这两个数字要一起看。
- 13% → 19%，说明冲击在加深；
- "通过减少招聘实现"，说明存量还相对安全，入口先关了；
- "没有全局失业潮"，说明这不是经济衰退，是结构替换。
再看中国。
36 氪援引招聘平台数据：2026 年上半年，AI 新发岗位同比增长 789%，大约每 4 个新岗位里就有 1 个是 AI 岗。[3] 智联招聘的数据则显示，2026 年 1–5 月，人工智能应届职位数同比增长 28.4%。[4]
一边是"每 4 个岗位就有 1 个 AI 岗"，一边是"22 岁进不了门"。矛盾吗？
不矛盾。岗位在往上游迁移，而人还停在原地。
图 1：AI 高暴露职业中，年轻劳动者出现相对就业缺口，资深劳动者保持稳定。数据来源：Stanford Digital Economy Lab（2025、2026）。
二、为什么先塌的是入口
因为初级程序员的工作，本来就是"标准化任务的大礼包"。
写 CRUD、还原设计稿、对接口、补单测、写脚本、改配置——这些任务有清晰的输入输出，有大量公开样本，错了也容易发现。它们恰好是大模型最擅长的部分。
Anthropic 2026 年 1 月的经济指数报告给了一个侧写：2025 年 11 月，计算机与数学类任务（大多与编码相关）占 Claude.ai 对话的 34%，占一方 API 流量的 46%；在 Claude.ai 上，这个比例已从 2025 年 3 月的峰值 40% 回落，而 API 侧的自动化使用仍在上升。[5]
翻译一下：人在聊天框里"让 AI 帮忙写"，企业在 API 里"让 AI 直接写"。
入口岗位承担的，正是那些可以被直接写掉的任务。资深岗位承担的，是"决定写什么、写到什么程度、出了问题怎么办"——这些任务没有被标准化，也就没有被直接吸收。
马克思在《资本论》第一卷里用大量篇幅讨论机器如何排挤工人。后来经济学家提出"补偿理论"：新技术消灭旧岗位的同时，会创造新岗位，最终补偿回来。
这个理论在长周期里可能是对的。但它有一个要命的前提：补偿需要时间。 而时间落在具体的人身上，就是几个月甚至几年的失业、转行、降薪。
《庄子·养生主》里，庖丁解牛讲到最高境界：
臣以神遇而不以目视，官知止而神欲行。
刀顺着骨节的空隙走，不硬砍。眼睛看到的是"目视"的部分，手感接住的是"神遇"的部分。
AI 很强，但它强在"目视"——它看得见代码、文档、报错。它看不见的是：这个需求背后老板真正想要什么、这个改动会不会惹毛哪个客户、这个技术债现在还不能还、这个方案上线后谁来背锅。
"目视"的部分正在被自动化，"神遇"的部分在涨价。
三、能力资产重估矩阵
我把程序员的能力，按两个维度重新摆了一次：
- 横轴：标准化程度——这件事能不能被写成清晰的规则、是否有大量公开样本；
- 纵轴：责任重量——做错了，后果由谁承担、代价有多大。
图 2：能力资产重估矩阵。越靠右下，越容易被替代；越靠左上，越容易获得溢价。
四个象限，对应四种命运。
右下：低责任、高标准化——贬值区。
写样板代码、做简单的页面还原、生成常见的 SQL、写基础单测。不是"没用了"，是"不值钱了"。这些能力会变成每个人的默认配置，就像今天没人会因为"会用搜索引擎"加薪。
右上：高责任、高标准化——工程化区。
SRE、安全、数据合规、支付、权限。事情本身有章法，但出错代价极大。AI 能帮你做，但不敢替你签字。这一层的价格稳，门槛在"可审计、可回滚、可追责"。
左下：低责任、低标准化——长尾服务区。
小工具、小脚本、小定制、行业里的零碎需求。单价不高，但需求真实、竞争分散。适合作为副业的第一站，不适合作为长期壁垒。
左上：高责任、低标准化——溢价区。
需求定义、架构权衡、跨团队协调、线上救火、行业 know-how、客户信任。这些事的共同点是：没有标准答案，但有人要为答案负责。
AI 越普及，这个象限越值钱。因为当"做出一个东西"变得便宜，"决定做什么、以及为做错负责"就变得昂贵。
四、三类正在升值的资产
1. 判断力：知道什么时候不该信 AI
Stack Overflow 2025 年的调查里有一个细节：资深开发者是"最不信任 AI"的群体——"高度信任"的比例只有 2.6%，"高度不信任"的比例达到 20%。[6]
这不是保守，这是被生产环境教育过。
新手看到 AI 生成的代码能跑，就认为它对了。资深的人会先问：边界条件呢？并发呢？权限呢？出了事怎么回滚？这不是"更懂语法"，是"更懂代价"。
判断力的本质，是对后果的敏感度。
2. 验证力：能把"看起来对"变成"确实对"
Veracode 2025 年的报告测试了 80 个编码任务、100 多个大模型：45% 的 AI 生成代码引入了 OWASP Top 10 漏洞，只有 55% 通过安全测试；而且这个安全表现，随着模型生成能力的提升，并没有明显改善。[7]
这意味着，AI 写得越多，测试、审查、安全、可观测性的价值越高。
未来最贵的一类工程师，可能不是"写得最多"的，而是"最能把别人写的东西验证到可以上线"的。
3. 整合力：能把 AI 接进真实的烂系统
Upwork 2026 年的报告里，编码类增长最快的技能是 AI 集成（+178%）和 AI 聊天机器人开发（+71%）；与此同时，全栈开发仍然是需求量第一的技能。[8]
这两句话要连起来读：企业不是要"从零做一个 AI 原生应用"，而是要"把 AI 塞进一个跑了十年的老系统"。老系统有历史数据、有权限、有奇怪的业务流程、有一堆不能碰的祖传代码。
模型负责"能"，整合的人负责"能用"。
整合力 = 领域知识 × 工程能力 × 沟通能力。 这三样，恰好都是 AI 最不擅长的。
《论语·为政》里说"君子不器"。原意是君子不应像器具那样只有单一用途。放在今天，可以做一个很朴素的解读：
不要让自己成为一个"只会被调用"的接口。 接口是标准化的，标准化就会被替代。要做那个决定"调用什么、怎么调用、出事找谁"的人。
五、三步完成你的能力重估
讲完道理，讲做法。下面这套方法，一个周末就能做完第一轮。
第一步：盘点——把工作拆成任务，不要按岗位描述
拿出过去 6 个月的日历和提交记录，列出你实际做过的 30 件事。不要写"负责 XX 系统开发"，要写成具体任务，例如：
- 把客户反馈整理成需求文档
- 给运营写一个批量导出脚本
- 排查一次线上超时
- 说服产品砍掉一个不合理的需求
- 给新人讲清楚这套权限模型
然后给每件事打两个分（1–5 分）：
- 标准化分：这件事有多少公开样本？规则能不能写清楚？
- 责任分：做错了，谁承担后果？代价有多大？
打完分，你会看到一个很残酷但很有用的分布：你花时间最多的事，未必是让你值钱的事。
第二步：定价——把"高责任 + 低标准"的任务挑出来
筛选出"责任分 ≥ 4、标准化分 ≤ 3"的任务。这些就是你的溢价区。
接下来做一次翻译：把任务翻译成"客户能感知的结果"。
| 你做的事 | 客户感知的结果 | 可以怎么报价 |
|---|---|---|
| 排查线上超时 | 高峰期可用性从 99.5% 到 99.95% | 按可用性目标收维护费 |
| 整理客户反馈 | 需求返工率下降 30% | 按项目阶段收诊断费 |
| 给运营写脚本 | 每月节省 40 人时 | 按节省成本分成 |
| 说服产品砍需求 | 上线周期缩短两周 | 按交付周期收项目管理费 |
注意，这不是教你"包装"。这是教你用对方的语言描述价值。同样的工作，用"我写了 3000 行代码"描述，和用"我让你的团队每月少加 40 小时班"描述，收到的是两种报价。
第三步：证明——把能力变成可验证的证据
AI 时代，简历正在失效，因为"会什么"太容易被夸大，也太容易被工具补平。
有效的证据有三类：
- 可复现的作品：一个能点开、能跑、有真实用户的链接；
- 可对比的指标：上线前后的数据，口径写清楚；
- 可追溯的过程：决策记录、踩坑记录、复盘。它证明的不是"你会"，而是"你判断过"。
这也是为什么我建议每个程序员都维护一个"决策日志"：不是流水账，而是记录"当时有几个选项、为什么选这个、后来验证对不对"。
一年以后，这份日志比任何简历都值钱。
六、最后：用杠铃策略配置你的职业
塔勒布在《反脆弱》里提出"杠铃策略"：把大部分资源放在极安全的地方，把小部分资源放在极高波动的实验上，避开中间地带。
放到职业上：
- 80% 的精力，放在能提供稳定现金流、且能积累"责任资产"的主业上。不要为了追 AI 热点，把主业做烂。
- 20% 的精力，放在高波动的实验上：接一个从没做过的项目、做一个可能没人用的小产品、写一个垂直领域的系列文章。
中间地带最危险：既没有稳定现金流，也没有高赔率的可能。比如"下班后刷两小时 AI 资讯，但什么都不做"。
《周易·系辞下》说：
穷则变，变则通，通则久。
不是"变了就一定通"，而是"穷"的时候必须变。对很多人来说，"穷"不是没钱，是能力还在，但价格不涨了。
能力重估不是一次危机，它更像一次重新报价。
市场正在重新给每种能力贴标签。你能做的，不是阻止它贴，而是确保自己站在那张标签的左边——离后果更近，离标准答案更远。
参考资料
- Stanford SIEPR, Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence（2025）：siepr.stanford.edu/publication…
- Stanford Digital Economy Lab, Canaries in the Coal Mine?（2026-08 更新版）：digitaleconomy.stanford.edu/app/uploads…
- 36 氪，2026 年秋招，要求应届生人均「3 年工作经验」？：36kr.com/p/402502707…
- 中国经济网，互联网企业释放超 20 万岗位 "AI+"人才需求攀升（2026-07）：www.ce.cn/xwzx/gnsz/g…
- Anthropic, Economic Index report: Economic primitives（2026-01）：www.anthropic.com/research/an…
- Stack Overflow, 2025 Developer Survey — AI：survey.stackoverflow.co/2025/ai/
- Veracode, 2025 GenAI Code Security Report：www.veracode.com/press-relea…
- Upwork, In-Demand Skills 2026（2026-02）：www.upwork.com/press/relea…
