AI对初级工程师的影响，难以单纯用“赋能”或“替代”概括。Anthropic招聘经理Felix Rieseberg提出“饥饿感胜过资历”，认为AI降低了技术实现的稀缺性，新人若能精准定位重要问题并借助AI快速验证原型，其影响力可超越传统经验积累。
图｜近期微软给六万员工发的自愿离职方案
Rieseberg建议初级工程师不应局限于分配任务，而应理解业务目标，主动提出关键想法并利用AI落地。例如，有资浅工程师仅用一个周末便完成Claude Code图形界面原型，并在八天后发布公开版本。这种高效原型不仅是技术演示，更是绕过组织资历壁垒、将个人判断可视化的沟通工具。
个人杠杆上升与入门机会收缩并存
尽管个体效能提升，但Anthropic内部数据显示，自2025年初以来，其技术部门初级员工占比从21%降至14%，初级技术招聘占比更从27%骤降至9%。这看似矛盾的现象实则同源：AI使“执行”变得廉价。一方面，新人可借助AI完成以往需多人协作的工作；另一方面，企业不再需要大量初级岗位来堆砌执行力。
图｜Anthropic入门级岗位减少情况（左为技术部门，右为非技术部门）
需注意，占比下降不代表绝对人数同比例减少。Anthropic技术招聘总量仍在增长，只是销售、财务等职能扩张更快。作为AI应用极深的样本，该数据虽不能代表全行业，但明确提示：“AI增强工程师能力”与“AI增加工程师岗位”并非同一命题。
图｜「Anthropic的就业情况正在发生怎样的变化」报告
工程师价值向决策与风控两端迁移
执行环节被重新定价后，工程能力并未贬值，而是向价值链两端转移。上游是“判断力”：识别真需求、选择最优方案、定义验证标准；下游是“控制力”：确保系统可靠、权限合规、结果可审及异常干预。Anthropic平台工程负责人Katelyn Lesse指出，AI接管编程越多，工程师越需解决“如何让其安全可控运行”的问题。
未来多智能体系统将带来基础设施、身份权限、安全隔离及监控急停等硬核工程挑战。这些问题不会因模型代码生成能力提升而消失，反而随智能体规模扩大愈发关键。AI压缩的是边界清晰的中间执行层，而在“决定做什么”和“确保可控”两端，人的责任不可替代。
这对资深工程师提出了更务实的要求：经验积累应体现在少走弯路、识别原型隐患及预判系统风险等决策能力上。对新人而言，动手验证门槛降低，但仅交付可运行代码已难证明核心价值。Anthropic招聘风向的转变也印证了这一点：自主性与判断力的权重正超越狭窄的技术专长。
图｜Netflix纪录片《失控的人工智能》
重构初级工程师的培养阶梯
要求新人具备判断力面临结构性难题：判断力源于真实问题、失败反馈与责任承担。若初级岗位被压缩，企业既提高了对新人判断力的要求，又增加了其获取经验的难度。“周末原型”能展示潜力，却无法替代维护真实系统、协调团队及长期负责所需的持续学习环境。
因此，企业需重新设计初级岗位本身，将其转型为“判断力学徒制”：让新人负责边界清晰的真实问题，审查AI输出，参与方案取舍并对结果负责。同时，招聘应避免唯作品论造成的筛选偏差，毕竟并非所有人都拥有充足的试错资源。
过去，“会写代码”是入场券；未来，它仅是基础能力。真正的差异在于发现问题、指挥AI及验证结果可信度的综合能力。对企业而言，不能止步于寻找现成人才。“饥饿感胜过资历”虽在部分场景成立，但饥饿感不会自动转化为判断力，它依然需要真实问题、持续反馈和承担责任的机会来滋养。当旧的职业阶梯松动，下一代资深工程师的成长路径亟待重塑。
图｜Claude任务复杂度与初级员工就业增长关系（虚线显示AI处理任务越复杂，该岗位初级员工增长越弱）
