最近和一个刚入行两年的前端朋友聊天他说了一句让我印象很深的话“以前我靠会写 React 能找到工作现在我让 AI 写 React我来改然后发现改比写更难。”这句话背后其实正是斯坦福大学一项关于 AI 与就业市场的研究所指向的结论AI 对入门级岗位的冲击不是从“取代你”开始的而是从“重新定义你的工作内容”开始的。这项研究最让我在意的不是“AI 会不会抢工作”这个老问题而是它把“抢”这个动作拆得很清楚AI 最先影响的不是体力劳动者也不是顶级专家而是夹在中间的、靠“熟练执行”吃饭的入门级知识工作者。换句话说冲击最大的群体恰恰是那些刚进入行业、正准备靠一套标准化技能立足的年轻人。这篇文章不打算制造焦虑也不想写“AI 来了所有人都要转型”这种正确的废话。我更想结合技术行业的实际变化拆一拆这件事为什么会发生、它在编程领域已经呈现出什么样子、对入门期的人到底意味着什么以及最关键的——现在开始给自己做一次“抗冲击能力评估”还来得及。1. 斯坦福这项研究真正的结论不是“AI 取代人类”而是“AI 吃掉了可标准化的部分”1.1 研究到底发现了什么斯坦福大学这轮关于 AI 与就业市场的讨论核心观点可以概括成一句话AI 对入门级岗位的冲击最大而不是对高级岗位冲击最大。这和我们过去十年的直觉不太一样。过去大家普遍认为越重复、越机械的工作越容易被自动化所以司机、流水线工人、收银员风险最高。但 AI 这一轮展现出来的能力结构完全不是这样。它更擅长的是处理信息、文本、代码、报表、数据整理这类“坐在电脑前就能完成”的知识型任务反而不擅长需要物理操作、现场判断和复杂人际互动的任务。于是出现了非常有意思的错位一个初级数据分析师做日报、周报、取数、清洗、基础可视化的能力很快会被 AI 工具覆盖但一个水电工上门判断管道问题、临时调整检修方案的工作AI 短期内反而替代不了。这不是说知识型工作一定比体力工作危险而是说AI 真正拿走的是“把规则明确的任务执行出来”这部分价值而这恰好是入门级岗位的核心构成。1.2 为什么是入门级岗位可标准化程度是核心解释变量入门级岗位之所以首当其冲不是因为它们没有技术含量而是因为它们非常符合“可标准化”的三个特征规则明确任务有标准流程、标准模板、标准输出格式。样本充足行业里积累了海量历史案例AI 可以从大量数据中学习“什么是对的”。反馈直接做得好不好很快能判断出来比如代码能不能跑通、报表是否对齐、文案是否合格。这三个特征合起来就是一条完整的“AI 可自动化链路”。而初级岗位恰好是这条链路上最密集的人群。以技术行业为例一个刚入职的工程师前半年到一年做的事情大概率是写 CRUD 接口、补单元测试、修小 bug、整理日志、写接口文档、处理配置问题。这些任务不是说没有价值但它们的共同点是——都可以被描述成“输入 输出 规则”。一旦能被这样描述AI 就可以参与进来而且会越来越熟练。这就是为什么斯坦福研究说“入门级岗位受冲击最大”。它真正想表达的不是“年轻人没用了”而是“年轻人手里那部分容易被标准化的工作价值正在快速归零”。1.3 这个结论的边界在哪里需要说明的是研究的结论是统计意义上的不是针对每一个具体岗位的判断。它的意思是从任务结构来看入门级岗位中“可被 AI 自动化的任务占比”显著高于高级岗位。这个结论有三个边界它不意味着所有入门级岗位都会消失而是意味着这些岗位的工作内容会被重新组合比如从“亲自执行”变成“指挥 AI 执行并审核结果”。它不意味着高级岗位就安全。高级岗位中同样有可标准化的部分只不过占比更低AI 更多是作为辅助工具而不是替代者。它不意味着入门级岗位的价值下降。恰恰相反入门级岗位仍然是企业培养人才的重要入口只是“入门”的定义变了过去入门看的是你会不会干活现在入门看的是你会不会用更高效的方式把活干完、干对。所以与其把这项研究读成一份“岗位消亡预测”不如把它读成一份“任务结构变化预警”。2. 技术行业已经先“疼”了编程是入门级岗位被冲击的最早样本2.1 AI 编程工具如何改变了初级开发者的工作内容技术行业几乎是这一轮 AI 冲击最早、最明显的试验场。Github Copilot、Cursor、通义灵码、Codeium 这类工具在短短一两年内把“写代码”这个行为的边际成本拉到了极低。以前一个初级开发者最常见的日常工作是什么接到一个需求在项目里找到对应模块写一个增删改查的接口跑通提交。这个过程如果熟练的话可能需要半天到一天。现在呢把需求描述清楚让 AI 生成一段代码复制进项目改改变量名、补补参数校验跑通提交。整个过程可能只需要一个小时而且其中真正需要“人”参与的部分已经不是写代码而是改代码、验证代码、处理异常边界。这意味着什么意味着企业过去需要招一个初级开发完成的“标准化产出”现在不需要等一个新手慢慢磨了AI 已经把产出速度提上来了剩下的瓶颈是“谁能快速判断这份产出对不对”。所以很多团队里已经出现了一个现象新入职的工程师不再像以前那样被安排去写一大堆重复代码而是被直接拉去参加需求讨论或者被安排去审核 AI 生成的代码。这对新人来说其实不是坏事但问题在于很多人还没准备好应对这种变化。他们学的是“如何写代码”但岗位要的是“如何判断代码该不该这么写”。2.2 从“写代码”到“定义问题、审查输出、兜底异常”我把 AI 对初级开发者工作方式的改变总结成一次角色迁移从前初级开发者的角色是“执行者”任务已经定义好细节已经想清楚你要做的是把代码写出来。 现在初级开发者的角色变成了“验收者”与“兜底者”AI 负责生成初稿你要负责确认输入是否正确、需求是否被准确理解、输出是否存在边界漏洞、异常情况下会不会出事故。“验收”这件事看起来比“写代码”轻松实际上更难。因为它需要你具备对系统整体的理解能力、对业务目标的理解能力、对异常场景的预判能力。也就是说AI 把“写代码”这个动作变便宜了但没有把“知道写什么”“知道写得对不对”“知道哪里会出错”变便宜。而这些能力恰恰是过去初级开发者要靠一两年时间在重复劳动中慢慢积累的。现在的问题是因为 AI 的存在企业不再愿意花一两年时间去培养一个初级开发者的“执行能力”了。企业会默认你已经掌握了基本执行能力直接要求你具备“定义问题和验收结果”的能力。这就像驾校刚刚兴起时学车的人学的还是“怎么换挡、怎么踩离合”但自动挡普及后驾校直接教你“怎么规划路线、怎么应对突发状况”。不是换挡不重要了而是它不再是核心价值了。2.3 从“AGI 时代的 CRUD 工程师”到初级岗位的价值重估网上有一个说法叫“AGI 时代的 CRUD 工程师”意思是那种只会写增删改查、只会调用现成框架、只会在已有模板上改改改的工程师未来会越来越没有竞争力。这个说法有些极端但它指出的方向是成立的越是“模板化”“套路化”“有大量历史样本可以参考”的编程任务AI 越擅长。但不是所有编程任务都是这样。系统架构设计、性能优化、故障排查、跨团队沟通、需求澄清、技术选型——这些任务的可标准化程度低AI 能辅助却很难独立完成。所以编程这个行业真正的变化不是“程序员要失业了”而是“初级程序员过去用来立身的技能现在立不住了”。如果一个初级开发者把时间花在“和 AI 协作完成重复任务 理解更高维度的系统问题”上他的价值增长曲线会比以前更陡峭。反过来如果他只把 AI 当成一个“可以帮你写完作业的搜索引擎”用完就完了那他的岗位确实会被 AI 挤压。这就引出了下一部分真正拉开差距的从来不是工具而是使用工具背后那个人的工作方式。3. 真正拉开差距的不是“用不用 AI”而是工作方式的代差3.1 同一家公司里为什么冲击不是平均分配的斯坦福研究说的是统计学意义上的冲击。但在真实世界里你会发现一个很反直觉的现象同一家公司里同样面对 AI两个同岗位的初级员工未来的走向可能完全不同。一个人每天早上一来把需求丢给 AI让它生成初稿然后认真做 Code Review、补充测试、确认边界、理解为什么这样设计再和产品对齐需求里没有说清楚的细节。一个月下来他对业务的理解、对系统边界的感知、对异常场景的敏感度都会有明显的提升。另一个人也每天用 AI但用法是把 AI 当成“高级搜索工具”问一句“这段代码怎么写”然后把答案贴进项目里跑通就算完。他看起来也用了 AI也在探索新工具但他的工作方式没有变只是把“百度一下”换成了“AI 生成一下”他就没有真正进入“生产者”的角色。这两类人如果一起被评估谁更容易被淘汰显然不是第一类。第一类人的岗位也在“入门级”范围内但他已经开始承担一个更高价值的角色定义任务、审查结果、兜底异常。而第二类人本质上还在做“执行”只不过他的执行方式从“自己写”变成了“让 AI 写、自己提交”。也就是说AI 带来的冲击在组织内部不是均匀分布的。它最先冲击的是那些把 AI 当工具但拒绝改变工作方式的人它最先成就的是那些把 AI 当队友并借此快速进入更高认知层的人。3.2 AI 悖论越把 AI 当队友的人越难被替代我称之为“AI 悖论”你越把 AI 当成可以协作的队友你越不容易被 AI 替代你越把 AI 当成威胁然后回避它或者只把它当成一个查询工具你越容易暴露在被替代的位置上。为什么因为“替代”的核心不是“某个人会不会用某个工具”而是“某个人能承接的任务是什么”。如果你只能承接“执行任务”AI 比你快、比你便宜、比你稳定资本没有任何理由为你的执行力付高价。如果你能承接“定义任务、验证任务、兜住任务”AI 只是你的生产资料你反而会随着 AI 能力的提升而变得更值钱。因为当 AI 变得更强你能撬动的产出规模也变大了。这个逻辑在技术行业里已经表现得非常明显。一个能用 AI 把一堆代码任务高效完成、并且能在关键节点上准确判断“这里有问题”的工程师他的生产力可能是传统工程师的三到五倍。企业需要这样的角色不是因为他会写代码而是因为他在 AI 的加持下能够独立交付一个完整的结果。3.3 “会熟练使用 AI”这个目标本身就是个陷阱现在网上的课程里有大量“AI 使用技巧”“AI 提效教程”这本身没问题但如果你把“熟练使用 AI”当成核心目标就掉进了一个陷阱。因为“熟练使用 AI”是在追一个移动的靶子。今天你需要记住的提示词技巧半年后 AI 可能自己就优化了今天你需要手工完成的工作流编排明年可能就变成了默认能力。真正稳固的能力从来不是“AI 交互技巧”而是“在真实任务里做判断的能力”。所以我更愿意把 AI 工具的使用看作一个入口。它的价值不是让你变成一个“会用 AI 的人”而是让你有更多时间去做“以前只有更高阶的人才能做的事”。如果你把省下来的时间都用在了看更多教程、背更多技巧上而不是去理解业务、理解系统、理解用户、理解异常场景那 AI 对你的帮助就是有限的。一句话AI 改变的不是“你会不会干活”而是“你能不能在干活之外提出和验证问题”。4. 给入门期的人一套“抗冲击自检框架”4.1 四层模型标准化执行、定义问题、验收结果、兜底边界在斯坦福研究给我的启发之外我更想提供一个可以操作的框架。它未必严谨但对于那些正处于入门期、担心自己被 AI 冲击的人可以直接用来做一次自我评估。我把一个人的岗位能力拆成四层第一层标准化执行。任务已经被定义得很清楚你只需要按照既往模板和流程把它完成。第二层定义问题。任务本身是模糊的需要你从业务背景中提炼出“到底要解决什么问题”。第三层验收结果。AI 或同事交付了一个结果你能判断质量、发现错误、定义“好”的标准。第四层兜底边界。遇到异常、需求冲突、跨部门沟通、最终责任问题时你能接得住而不是需要别人来兜底。AI 对第一层的替代速度最快对第二层只有辅助作用对第三层能提供参考但无法替代人的判断对第四层几乎无能为力。这四层不是让你“放弃第一层”恰恰相反我的建议是用 AI 把第一层做到极致、把时间省下来然后拼命往第二、三、四层走。4.2 实操自检用一周的任务清单做一次评估具体怎么做我推荐一个非常简单、可以立刻执行的自我评估方法第一步列任务。 拿出一张纸或一个文档把你这周实际做的所有工作任务列出来不用分大小哪怕“回复邮件”“整理表格”也算。第二步分层级。 每一条任务问自己三个问题这个任务能不能用“明确指令 规则 示例”描述清楚如果能它属于第一层。这个任务是不是需要我先想清楚“为什么要做”“做到什么标准”如果是它至少属于第二层。这个任务 AI 给我一个初稿我能快速判断哪里不对吗如果能说明我有第三层的能力如果不能说明我还停在第一层。第三步算占比。 把属于第一层的任务时间加起来除以总工作时间。这个比例就是你的“可自动化敞口”。如果超过了 60%你需要警觉如果超过了 80%你的岗位确实很危险。第四步定行动。 无论敞口多大马上做两件事一是把第一层里最耗时的三项任务尝试写成能够让 AI 直接执行的指令二是挑一件没有标准答案的任务试着自己定义“做得好”的标准是什么。这里可以给你一个例子。假设你是一名初级运营每周都要做竞品动态汇总。以前的做法可能是自己打开几个网站一条条看、一条条抄进表格。现在你可以把这个任务结构化成这样任务生成竞品动态周报 输入竞品公众号文章、官网更新、社媒动态链接你整理成列表 指令提取每家竞品的新产品功能、价格变化、市场策略按固定模板输出 输出200字内的周报草稿含来源链接 验收条件信息准确、时效正确、无重复 兜底人工核对重点事件是否遗漏判断是否需要在邮件里补充风险提示这样做完之后你仍然在做“竞品动态汇总”这个任务但你已经从“搬运信息的人”变成了“设计信息流程、审核信息质量的人”。岗位没有变能力层级变了。4.3 发现安全区太小时下一步怎么走如果你做完自检发现自己的任务大部分都是第一层怎么办不需要恐慌但需要立刻开始调整。我给你三条建议一是不要急着离职先在自己的岗位上做“流程升级实验”。把重复任务结构化让 AI 执行然后你把省下来的时间用来学习业务背景搞清楚这些任务到底服务于什么目标。这个动作本身就会让你的主管看到你的变化。二是有意识地练习“验收”能力。每拿到 AI 产出不要只看“对不对”还要看“为什么对”“在什么情况下会不对”。这种思考习惯会慢慢帮你建立对结果的判断力。三是找一个足够具体、有完整闭环的任务从头到尾做一遍“定义问题—拆解步骤—执行—验收—复盘”。哪怕这个任务很小比如“优化一份周报模板”只要你走完了完整链路你就在往第三、第四层靠近。5. 哪些岗位安全、哪些岗位危险判断标准不是岗位名字5.1 容易被冲击与相对安全的岗位对比很多人喜欢问我做的岗位会不会被 AI 替代我的答案是岗位名字不重要任务结构才重要。同一个岗位在不同的公司、不同的团队、不同的工作模式下风险完全不同。从任务结构出发可以做一个粗略的对比更容易被 AI 冲击的任务特征相对更安全的任务特征输入输出明确规则固定输入模糊需要自己定义问题有大量历史样本可以参考样本少依赖现场判断标准模板、标准流程跨部门协作、利益权衡结果好坏可以快速判断结果需要长期观察才能验证纯信息处理不涉及物理世界需要物理在场、操作实物单个任务闭环责任边界清晰需要承担最终责任、处理异常具体到岗位层面以下岗位和任务风险更高初级数据分析师日报、周报、取数、建看板这些任务 AI 已经能做而且做得很快。初级前端/后端开发基础 CRUD、简单接口联调、模板页面制作。基础翻译与文案通用领域的翻译、标准营销文案、产品说明书初稿。初级客服与运营FAQ 回复、标准投诉处理、日常内容搬运。初级测试用例执行、基础回归测试、问题记录。相对更安全的岗位和任务包括需要现场操作的岗位比如硬件运维、弱电实施、设备调试。需要强信任关系的岗位比如大客户销售、商务谈判、团队管理。需要复杂非标决策的岗位比如架构设计、技术选型、产品规划。需要承担最终责任的岗位比如审计签字、合规审核、安全评估。需要深度理解“人”的岗位比如用户研究、需求洞察、组织发展。但这里我必须强调这个分类是动态的。今天的“安全区”不代表五年之后还安全。判断的标准永远不是“我的岗位叫什么”而是“我每天花多少时间在可标准化任务上”。5.2 判断一个岗位长期价值的三个信号如果你正在求职或者正在考虑要不要在现在的岗位上继续深耕可以用下面三个信号来判断这个岗位的长期价值信号一这个岗位是不是越来越接近“生产者”。 一个岗位如果只是“信息的搬运工”——把 A 处的信息搬到 B 处、把上游的成果整理成下游需要的格式那它的价值很容易被 AI 压缩。如果这个岗位能让你直接参与“产生判断、形成方案、影响决策”的过程它就更有韧性。信号二这个岗位有没有“验收权”。 验收权是指你能不能决定“这份产出是否达到标准”“这个方案是否可以交付”。有验收权的岗位哪怕头衔是“初级”其实已经承担了更高层级的职责没有验收权、只负责“执行完提交”的岗位风险更大。信号三这个岗位学习的对象是人还是教程。 如果一个岗位主要靠“踩坑经验”积累能力并且这些经验很难被写成结构化文本那它就是相对安全的。如果一个岗位的成长路径主要是“学会教材第几章、掌握某个框架的 API”那一旦这些知识被训练进 AI 模型你的积累就会被快速抹平。5.3 比“AI 会不会替代我”更该关注的问题组织如何消化 AI还有一个角度是很多个人视角容易忽略的那就是组织层面。斯坦福研究讨论的是 AI 对劳动力市场的整体冲击但 AI 要真正改变就业结构中间还隔着一个关键变量组织的吸收速度。一个公司引入 AI 工具、重新设计流程、调整岗位分工需要时间也需要管理成本。在这个过程中最先受影响的一定是“任务标准化程度最高”的岗位而不是“岗位名称最基础”的岗位。所以作为一个处在入门期的人真正值得关心的问题有两个我所在的组织有没有开始把 AI 融入日常流程如果还没有你能不能成为那个推动局部流程升级的人我所在的组织如果开始用 AI 提效我是被优化掉的那个人还是被留下来承担“AI 产出质量把关”的那个人这两个问题的答案很大程度上取决于你现在展现出来的能力层次而不是你入职时的学历和技能清单。结尾斯坦福研究的结论放到技术行业里看其实不是一个“狼来了”的故事而是一个“岗位结构正在被重写”的信号。AI 冲击最大的不是高级岗位因为高级岗位的核心价值从来不是执行AI 冲击最大的也不是纯体力岗位因为那些任务还没有被高效数字化。它最先冲击的就是入门级知识岗位里“可标准化执行”的那部分。但“可标准化执行”只是入门级岗位的一部分不是全部。如果你刚入行学历不高、经验不多、技能还在积累你不需要因为这篇研究而恐慌。你需要做的是把 AI 当成一个帮手把重复任务快速交付掉然后把省下来的时间用在“理解业务、定义问题、验收结果、兜底异常”这些 AI 替代不了的事情上。如果你现在还在做一份充满重复劳动的工作不要急着抱怨更不要急着逃。先试着把最耗时的那项重复任务写成一份 AI 能看懂的指令然后自己做一遍审核。这个动作重复几十次之后你会发现自己已经悄悄换了一个角色——从“被 AI 冲击的人”变成了“给 AI 分配任务并验收结果的人”。这才是在入门级岗位被冲击的大趋势下普通人最值得走的一条路。