2026年9月14日，前 npm 联合创始人 Laurie Voss 发表长文《We are all Product Engineers now》，随后被 Simon Willison 引述并迅速引发热议。Voss 给出了一个极度激进的论断：手写代码的成本已经彻底崩溃，审查、修复和运维的成本归零也只是时间问题；当软件需求无限膨胀，工程师唯一的立足点只剩弄清用户想要什么、精确定义需求，以及打磨体验。
这个预言建立在两个前提上：AI 智能体能接管软件全生命周期，且软件总需求没有上限。但把目光从硅谷高管的远景拉回现实的工程数据，展现在眼前的不是生产力狂欢，而是一场局部提速与全局拥堵的剧烈冲突。
实验室的狂欢，撞上真实代码库的铁壁
看厂商的数据，AI 编码已经战无不胜。GitHub 对 202 名资深 Python 开发者进行的受控实验显示，使用 Copilot 的人在限定 API 任务中通过全部 10 项测试的概率高出 53.2%，PR 批准率提高 5%，代码可读性与可靠性评分也有小幅提升。埃森哲与 GitHub 的企业实测更可观：Copilot 用户提交的 PR 数量增加 8.69%，PR 合并率提高 15%，构建成功率更是暴增 84%。GitHub 甚至证明，只要优化代码审查智能体的提示词，就能在质量不减的前提下削减约 20% 的审查算力开销。
但只要把场景从干净的小任务挪进真实的遗留系统，神话就出现了裂缝。
机构 METR 在 2025 年初找来 16 名资深开源维护者，针对 246 个真实开源 Issue 做随机对照测试。结果令人瞠目：使用 AI 辅助的开发者耗时反而多出 19%。荒谬的是，受测者在做完任务后，主观上还坚信自己提速了 20%。到了 2025 年末，METR 的跟进实验显示新开发者提速约 4%、资深开发者提速约 18%，但数据的置信区间跨越了零点，在统计学上无法得出可靠结论。
这说明一个极其尴尬的事实：在处理琐碎代码片段时，AI 确实让人爽快；但在需要梳理上下文、定位隐蔽 bug 的生产环境里，审查模型生成出来的瑕疵代码，反而在消耗资深专家宝贵的时间。
生成成本归零，验证成本暴涨
DORA 历年的追踪调查揭开了更深层的机制问题。在 2024 年的报告中，AI 采纳率每提升 25%，代码评审速度确实加快了 3.1%，感知质量提高 3.4%，但组织的交付吞吐量却下降 1.5%，交付稳定性显著下降 7.2%。
到了 2025 年，DORA 观察到了一个危险的转折：高 AI 采纳率同时关联着更高的交付吞吐量与更高的系统不稳定性。
代码生成端变得一文不值，集成与验证的代价却迎来了暴击。
AI 就像一台超级排字机，把前端代码生产的阻力卸得一干二净。但软件研发从不是单向的文字录入，而是一个闭环系统。当下游缺乏足够健全的架构隔离与全自动化验证机制时，大量看似正确、实则脆弱的机器代码涌入主干，引发了灾难性的工程负熵。
许多企业管理层被 PR 数量和代码行数的虚假繁荣蒙蔽，却对飙升的 CI 算力开销、潜在的安全漏洞以及线上回滚视而不见。以代码行衡量产出，无异于以重量衡量飞机的性能。
- 风险.若只加速编写而不重构下游测试架构，AI 产出的代码量越大，工程团队承担的返工代价与系统故障风险就越高。
蒸发的梯子，与失落的下一代学徒
Voss 预言所有程序员都要变成关注业务与需求的产品工程师，市场也确实在抢购前线部署工程师（FDE）与应用 AI 工程师。但这个设想藏着一个致命盲区：资深专家的培养链路正在断裂。
《庄子·天道》中轮扁对齐桓公言：“得之于手而应于心，口不能言，有数存焉于其间。”软件工程中的架构美感、边界意识与防御性思维，向来不是看几本教科书就能顿悟的，而是工程师在初级阶段改过无数个报错、修过成百上千个底层工单，踩坑磨出来的肌肉记忆。
如今，这些低阶工单正被智能体迅速消化。初级岗位断崖式减少，高校与编程训练营却依然在不知疲倦地灌输基础语法，既不教客户需求挖掘，也不教智能体协同。
技术界正在制造一个自相矛盾的荒局：企业急需能穿透业务、驾驭智能体、具备顶级系统品味的产品工程师，却在用 AI 親手拆毁孵化这些专家的低阶学徒梯子。当底层编码的粗粝感消失，下一代能够审视复杂架构的资深工程师，又要从哪里长出来？