AI 让中登的价值变大：一个反直觉的真相

行业变天 · 技术 · 2026-05-17

朋友圈又在说：「AI 来了，中登先失业。新人学东西快、体力还在，35 岁前赶紧润。」听起来挺顺耳——可惜方向是反的。

把过去 3 年公开数据拆开看：AI 在窄而封闭的任务上偏向新人，在宽而开放的任务上压倒性偏向中登。中登的判断力、失败嗅觉、系统观、组织流通力，在 AI 时代不是被替代，是被乘了一个系数。

两个轴先说清——后面整篇都在这两个轴上展开：

• 窄 ↔ 宽：任务的影响范围。窄 = 一段函数、一个 bug、一个 ticket，改完不出这一格；宽 = 跨模块、跨团队、改一处上下游都得跟着动的系统级动作。
• 封闭 ↔ 开放：任务的明确度。封闭 = spec / 需求 / SLA / 验收标准都已经定下来，照着做；开放 = 该不该做、做到什么程度收手、跟谁对齐、出事怎么 roll back，都没有标准答案。

四种组合：「窄+封闭」是按 spec 修明确 bug；「宽+封闭」是已知需求的系统设计；「窄+开放」是用新栈 prototype；「宽+开放」是项目要不要做、出事怎么交付。文末的象限图把这四类具体摆出来。

这篇拆这个反直觉的真相。

默认叙事：为什么听起来很有道理

「AI 让中登失业」这套话术能广泛传播，是因为它踩中了几个真问题：

• 写代码这一段确实被 AI 大幅替代。新人原本要 3 年才能写出的代码，现在 1 年就能产出。
• 中登工资是新人 2-3 倍，公司算 ROI 时盯着的就是这群人。
• 大厂裁员的统计样本上，35-45 岁占比的确在升高。

所以这个叙事看着自洽。但它把"AI 替代代码生产"等同于"AI 替代工程师"——这一步推理是错的。

代码生产从来只是工程师价值的一小部分。真正决定一个工程师值多少钱的，是其余那部分——而那部分恰恰是 AI 短期内做不了的。

真实数据：方向是反的

把过去 3 年公开的研究拼起来看：

先把图读对：两条曲线描述的是同一个工程师，不是两个不同的人。中登就是没离职的新人 + 五六年。AI 的红利不偏年龄、只偏任务结构——随经验积累，窄/封闭任务上的红利越来越少（隐性知识已经被压成 suggestion，你早就会了），宽/开放任务上的红利越来越大（你能调度它了）。AI 让有经验的人更值钱的真实机制，是它把每个工程师的 AI 红利结构从"窄占多数"扭转到"宽占多数"——而宽红利占工资大头。

下面的数据分两段读：

封闭、窄任务上，资历低的获益更多：

• Brynjolfsson, Li, Raymond 2023 (NBER)：客服场景，AI 整体提效 14%，但新员工/低绩效组 +34%、顶级员工 ≈ 0%。AI 把老员工的隐性知识压成了脚本，让新人用。
• Microsoft Copilot RCT (Peng et al. 2023)：HTTP server 编码任务，整体快 55.8%，经验少的程序员相对收益更大。
• GitHub Copilot 现场实验 (Cui et al. 2024)：PR 完成率提升约 26%，新人提升幅度更大。

而开放、模糊任务上，方向反过来：

• METR 2025 研究：经验丰富的开源 maintainer 在自己熟悉的代码库上用 AI，实测慢了 19%——而他们自我感觉快了 20%。但同一批人在不熟悉的领域用 AI 是显著加速的。
• Goldman Sachs 部署 Devin 一年：CIO 公开数据是混合工作流 ~20% 提效。所有公开访谈都强调，是 senior engineer 把 Devin 用出价值的，新人反而拖累 review 队列。
• 多家头部 AI Coding 工具的公开数据：top-decile 用户产出是中位数的 5-10 倍，几乎全是 staff+ 级别的工程师。

这两组数据放一起就能读出真正的分界线——不是"年龄"，是任务的封闭度。

任务象限：谁在 AI 时代赚谁的钱

象限 1：窄 + 封闭（客服话术、按 spec 写函数、修明确的 bug） 新人受益最大。AI 把老员工的隐性知识固化成 suggestion，新人照着抄就行。这一象限里，中登的相对优势真的在缩水。

象限 2：窄 + 开放（在不熟的栈里写一段功能、用没碰过的库 prototype） 新人收益略大于中登。但中登能更快判断 prototype 该不该往下做。短期持平偏新人，长期持平。

象限 3：宽 + 封闭（已知需求的系统设计、给定 SLA 的容量规划） 中登优势开始放大。AI 能给 10 个方案，但选哪个、为什么不选其他 9 个——需要的是中登脑子里那些"上次这么做炸过"的记忆。

象限 4：宽 + 开放（该不该做这件事、做到什么程度收手、怎么跟老板讲、出事怎么 roll back） 中登压倒性优势。AI 完全不知道你们公司组织怎么转、上下游谁会卡你、合规和安全谁会一票否决。这是中登过去十年用项目失败堆出来的资产，AI 没有数据可以学。

中登的工资为什么是新人 2-3 倍——就是因为象限 3、4 的判断价值远大于象限 1、2 的执行价值。AI 拉平的是象限 1、2，反而让象限 3、4 的稀缺性更显眼。

经验 × AI 的 4 个放大机制

为什么经验在开放任务上会被 AI 放大？4 个具体机制：

机制 1：问题选择 (taste)

AI 写代码的速度提了 5-10 倍，"写什么"这一步的相对权重就被放大 5-10 倍。中登见过 10+ 个项目从立项到上线（或失败），知道哪些需求是真的、哪些是老板焦虑的副产物、哪些做了也没人用。新人没这套筛子——AI 让一个 prompt 就能产出一个 demo，但产出的是不是该做的事，新人答不上来。

机制 2：失败嗅觉 (smell test)

AI 生成的代码 80% 看着对、20% 是似是而非的错：

• 边界条件被 silently 吞掉
• 用了一个已经 deprecated 的 API
• 把并发 unsafe 的库当 thread-safe 用
• DB query 写得能 work 但跑全表

中登扫一眼就闻到味儿，因为这些坑过去十年都踩过。新人 review AI 的 PR 就是「看起来挺好」→ 直接 merge。生产事故的概率，新人主导组比中登主导组高一个量级。

机制 3：系统观 (system thinking)

AI 擅长局部最优——这个函数、这个查询、这个组件。它不擅长系统级 tradeoff——缓存放哪、边界画在哪、什么时候该重构而不是补丁。

中登脑子里有一张这个系统的"心智地图"：

• 这条链路最大瓶颈在哪
• 这次改动会扩散到哪几个团队
• 半年后回头看，这个抽象会变包袱还是变资产

这张地图 AI 拿不到——它只有当下的 codebase 快照，没有过去 3 年的决策历史和未来 6 个月的路线图。

机制 4：组织流通力 (delivery)

代码写完只是 30%。剩下 70%：对齐、review、灰度、监控、回滚、跟上下游讲清楚、跟老板汇报、出事写复盘。这 70% 才是把"代码"变成"产品"的关键，而 AI 在这部分几乎零帮助——反而因为代码产能膨胀，review、对齐、上线的瓶颈被放得更大。

中登在组织里跑了 10 年，知道哪个 reviewer 严哪个松、哪个团队碰它的接口要提前打招呼、出事 escalate 给谁会真解决问题。这些是新人三年长不出来的。

中登真正的风险不是 AI，是不用 AI

数据上看，AI 在拉大中登和新人的差距。但有一个前提：中登要真的用上 AI。

中登在 AI 上的最大风险不是被替代，是路径依赖——

• 「我习惯自己写」
• 「我看 AI 写的不顺眼，改它还不如自己写」
• 「我不信它，每行都要自己 review」

这种心态下，中登把 AI 当成"打字慢的新人"，体验当然差，最后弃用。但同时市场上的卷王中登已经在用 AI 把自己的产出 × 3 了。

公开和内部统计都指向同一个分布：用 AI 的中登和不用 AI 的中登，产能差距比新人和中登的差距还大。

给中登的 4 个具体动作

动作 1：把 AI 当杠杆，不是当对手

杠杆的本质是把你的优势放大。你的优势是判断，AI 的优势是执行——让 AI 执行你的判断，不是让 AI 替你判断。

具体说：

• 让 AI 写实现，你定 spec、定边界、定测试
• 让 AI 出 3 个方案，你选 1 个并解释为什么
• 让 AI 写 PR，你 review 时盯着 AI 最容易翻车的地方（边界、并发、deprecation、性能）

动作 2：把判断显式化

中登脑子里有大量隐性判断，写出来才能驱动 AI——也才能在团队里复用：

• 项目宪法（README + AGENTS.md）：这个系统的核心约束是什么、什么不能动、什么必须保留
• 决策日志：为什么选 A 不选 B、什么时候要重新评估
• 失败案例库：过去踩过的坑、AI 容易在哪里翻车

写一次，AI 用一年，新人 onboard 也用得上。

动作 3：把战线从"写代码"前移

AI 让代码产能溢出，瓶颈搬到了前面（要做什么、为什么做）和后面（review、上线、回滚）。

中登该把精力从「我自己写」撤出来，前移到：

• 需求拆解和优先级（让 AI 帮你画选择题，你做选择）
• 架构决策和组件边界
• review 标准和测试 gate
• 复盘和决策迭代

动作 4：把经验产品化、产品商业化

如果你已经积累了 10 年某个垂类的经验（电商、广告、金融、SRE、DBA、量化），这些经验在 AI 时代第一次有了变现路径：

• 写成 AGENTS.md / playbook / Claude Skill / Cursor rules
• 训练成内部专家 agent
• 包装成咨询 / 课程 / SaaS

这些都是过去因为「写文档没人看」而沉没的资产。AI 把它变成了可执行、可分发、可定价的产品。

中登的真正机会不是和新人比谁手快，而是把自己十年的经验变成可以 24 小时工作的 agent。

收尾

「AI 让中登失业」是个适合做短视频但不适合做决策的叙事。

把数据拆开看：

• 窄而封闭的任务——AI 偏向新人，这部分中登的相对优势在缩水
• 宽而开放的任务——AI 压倒性偏向中登，这部分占了中登工资的绝大部分
• 真正的风险不是 AI，是不用 AI 的中登

跟前几轮"行业变天"一样：表层的紧迫感是真的，但真正失业的从来不是有经验的人，是不愿意用新工具的人。

中登的差异化资产——judgment、smell test、system thinking、organizational fluency——AI 不仅没替代，还把每一项都乘了一个系数。

接下来 3 年，用得好 AI 的中登和不用 AI 的中登之间的差距，会比中登和新人之间的差距还大。这才是真正的分水岭。