有一个数字很适合制造焦虑：Snap CEO Evan Spiegel曾说，公司65%的新代码由AI生成。

很多人会顺着这个数字往下想：既然AI能写这么多代码，那是不是65%的程序员也快没用了？问题就在这里。代码占比不是岗位替代率，写代码也不是软件工程的全部。

NormalTech一篇文章把几个常被放进“AI裁员”叙事的案例、HBR高管调查、纽约WARN Act披露和美联储研究放在一起看，结论很克制：目前没有足够证据说明AI已经开始大规模取代软件工程师。

我更在意的是另一个问题：AI让代码生成变便宜以后，会不会让工程师整体需求崩塌？目前更像是岗位结构在变，而不是职业被一刀切掉。

很多“AI裁员”，更像AI washing

几个典型案例放在一起看，反而能看出叙事和现实之间的缝。

公司外界常见说法更接近的背景更稳妥的判断
BlockJack Dorsey称AI带来更小、更扁平的团队，裁员4000人疫情期员工扩张，之后面对财务压力；员工称AI带来的生产率提升有限更像成本收缩被包装成AI转型
Snap裁员信强调AI，并称65%新代码由AI生成激进投资者要求削减成本；裁员涉及AR等多个岗位AI写代码比例不能直接推出岗位替代比例
Intuit裁员3000人与Anthropic、OpenAI合作被媒体连在一起CEO公开否认裁员由AI导致，称削减管理层级和协调型岗位组织重组被外界简化成AI替代

这不是说这些公司没有用AI。它们当然在用。

但“用了AI”和“因为AI替代了工程师所以裁员”，中间差着一整条证据链。财务压力、投资人施压、产品线收缩、管理层级调整，都可能导致裁员。AI只是一个更顺耳的解释。

HBR对1000多名全球高管的调查也说明了这个差别。21%的高管称已经因为“预期AI”进行大规模裁员，另有39%做过低到中等规模的预防性裁员。可真正说自己已经因为实际AI落地而大规模裁员的，只有2%。

纽约WARN Act披露的数据更冷。2025年3月，纽约州在裁员通知里增加了AI裁员勾选项。首年160多家公司提交通知，没有一家勾选AI。到次年5月，也只有Nespresso一例。

这至少说明一件事：AI很适合写进裁员故事，但还没成为多数公司裁员文件里的硬原因。

对工程师来说，看到裁员新闻时不要只看标题里的AI。更该看公司是不是现金流吃紧、业务线收缩、投资人要求降本、管理层在重组。病因不同，应对也不同。

软件工程就业没崩，但招聘温度降了

裁员不是观察AI替代的最好信号。

如果企业真的因为AI提高了效率，第一步往往不是马上裁掉熟悉系统的人，而是少招人、延后招聘、提高入职门槛。老工程师手里有系统历史、业务上下文和事故记忆，裁掉他们不只省工资，也会损失组织知识。

美联储经济学家的研究给了一个更接近现实的图景：美国软件工程就业仍在增长。但在ChatGPT之后，相比没有AI的假设情境，每年增速约少3个百分点。

这个结论两边都不讨好。

它不支持“程序员已经被机器接管”。就业还在增长。它也不支持“完全没影响”。招聘确实变慢了，尤其是入门岗位和只做执行的岗位。

这里对两类人最直接。

对象变化更现实的动作
软件工程师，尤其是初级工程师只会把需求翻译成代码，价值更难被看见把AI当日常工具，同时补系统设计、调试、测试、代码审查和业务理解
技术管理者不能只用“AI生成多少代码”评估产能看交付周期、缺陷率、上线风险、维护成本，而不是只看代码行数

关注AI就业影响的行业读者，也要换一个观察口径。别只数哪家公司裁员时提了AI。更该看初级岗位是否减少、招聘周期是否变长、团队是否把AI接入测试和代码审查，以及企业是否真的愿意让自动化系统承担关键流程。

还有一个限制不能忽略。现有研究很难完整覆盖自由职业、创业和小团队外包。AI降低了做原型和小产品的门槛，一部分软件需求可能从公司雇佣流向项目制工作。这会让传统就业统计看起来更冷，但不等于需求消失。

AI压缩的是执行层，不是整条责任链

“AI写了多少代码”是一个传播性很强的数字，但它很容易误导。

2019年一篇基于微软6000名开发者数据的研究指出，开发者花在编码上的时间占比差异很大，从9%到61%不等。也就是说，不同岗位、不同团队里，“写代码”在工作里的比例本来就不一样。

软件开发更像一个三明治：决策、执行、交付。

AI最擅长压缩中间那层。它能生成函数，补测试，改接口，写样板代码，也能帮人更快读懂一段陌生代码。

但产品该不该做，系统边界怎么划，灰度怎么放，事故怎么定位，安全风险谁签字，这些还不是简单的文本生成问题。它们牵涉成本、责任和组织信任。

NBER一篇研究也提供了一个对照：在GitHub约10万名开发者样本中，AI代理让代码行数增加了8倍，但发布版本只增加约30%。写得更多，不等于交付同比例增加。

这就是我不太买账“AI写代码占比等于工程师可替代比例”的原因。代码行数不是产能本身。很多时候，少写一点、少引入一个错误依赖、少制造一次线上事故，才是更贵的能力。

接下来最该观察的变量很具体：

  • 企业是否持续减少初级工程师招聘，而不是只做一次性裁员；
  • AI工具是否从代码生成进入测试、审查、部署和运维；
  • 团队是否愿意把关键责任交给自动化系统；
  • 工程师绩效是否从“写了多少”转向“交付是否稳定、风险是否更低”。

只要责任链还在人这里，软件工程师就不会只按每小时产出多少行代码定价。

回到开头那个65%。它说明AI已经能吃掉一部分编码工作量，但还不能推出65%的工程师要被吃掉。真正被挤压的，是只把自己定义成“写代码的人”的那部分岗位价值。