AI正在抹去初级开发者的旧入场券，并创造一张新的

斯坦福HAI 2026 AI指数报告显示，自2024年以来，在深度接触生成式AI的企业中，22至25岁开发者的就业率下降近20%。Brynjolfsson、Chandar & Chen则测量出，自2022年底起，受影响最大的职业中就业相对下降了13%。与此同时，信息技术与创新基金会（ITIF）在2026年6月的研究得出相反结论：在AI采用最密集的企业中，初级员工招聘显著增加。同一个市场，两种相反的趋势。

这不是矛盾，这是一份诊断。

要点

• 斯坦福HAI 2026 AI指数报告显示，自2024年以来，在高度接触AI的企业中，22至25岁开发者就业率下降近20%；Brynjolfsson、Chandar & Chen测量出，自2022年底起，受影响最大的职业就业相对下降13%。
• 据ITIF（2026年6月），AI采用密集型企业的初级员工招聘显著增加——前提是这些初级员工懂得操控相关工具。
• 两项研究的分歧源于方法差异：斯坦福观察受影响的职业，ITIF观察积极推动AI应用的企业。
• 入场券没有消失，而是改变了性质。编写基础代码已不够用；编排AI代理并验证其输出，成为新的基本技能要求。
• 现有教育体系仍以旧入场券为标准。这才是真正的差距所在。

数据：斯坦福和Brynjolfsson测量了什么，又没测量什么

斯坦福HAI 2026 AI指数是目前关于AI经济影响最全面的调查之一。其方法是：识别任务可被现有模型替代的行业和职能，再追踪这些受影响区域的就业变化。初级开发者落入这一类别，因为他们最常见的任务——编写单一函数、修复简单错误、撰写文档、生成测试——正是GitHub Copilot、Cursor及同类工具如今几秒内就能完成的工作。

斯坦福HAI 2026记录的近20%的降幅与其他信号吻合。自2023年起，美国和欧洲主要招聘平台上的初级开发者职位发布明显减少。大型科技公司的招聘人员开始冻结入门级岗位，理由是工具让高级开发者能覆盖更广的工作范围。GitHub的数据显示，Copilot用户完成任务的速度平均快55%——换算成人力资源决策，就是同样的产出需要更少的人手。Brynjolfsson、Chandar & Chen的论文得出的数字不同，但方向一致：受AI影响的职业，初级就业确实在收缩。

这些研究没有直接测量的，是另一类企业的情况——那些不是用AI以更少的人维持原有产出，而是用AI将生产规模推向此前无法达到的水平的企业。

密集采用者的选择

这正是ITIF的切入点。2026年6月的报告不看受影响的职业，而是看那些将AI最深度整合进开发流程的企业——AI在这些企业不是外围辅助工具，而是软件生产的核心引擎。在这些企业中，初级员工的招聘明显增加。

原因在于，所需的人才画像变了，但并没有消失。这些企业不需要会写排序函数的人，而是需要能将问题分解为连贯提示、评估AI代理输出、判断模型何时在边缘案例上出现幻觉、并维护高速生成代码库可读性的人。这些技能初级人才可以掌握——前提是他们已经具备。

两项研究之间的表面矛盾，用一个简单区分就能解开：AI摧毁了现有的初级岗位，同时创造了不同的初级岗位。摧毁在所有受影响的企业中随处可见。创造只出现在主动驾驭技术而非被动承受的企业中。这是企业之间的分化，而非研究之间的矛盾。

这一逻辑在增强型单人创业者模式中同样适用：AI不是整体取代人类工作，而是将价值重新分配给懂得编排它的人。

入场券没有消失，只是变了形

过去二十年，初级开发者的入场券相对稳定：至少掌握一门编程语言、理解基础数据结构、能写出可读且经过测试的代码。这些技能打开大门，其余的在与高级开发者并肩工作中习得。

这张入场券改变了性质，而非价值。招聘企业不再需要会写代码的人——模型会做。他们需要的是能判断代码好坏、在代码看似合理却有误时纠正它、理解模型因缺乏业务上下文而看不到的东西、以及在项目推进速度快出十倍的情况下维护架构一致性的人。

这是一种监督技能，而非生产技能。它要求在将问题委托给模型之前，对问题本身有扎实的认知框架。换句话说，理论基础变得更重要，而不是更不重要——因为它使人能评估输出，而不只是生产输出。这不是职业的终结，而是职业向更高层次的迁移。

困难在于，这种迁移尚未体现在课程中。软件工程教育——学士、硕士、训练营——仍主要围绕代码生产组织。算法课程、调试练习、开发项目，都为旧入场券服务。新入场券，即编排AI代理的开发者，还没有标准课程。

企业在等待教育跟上时做了什么

面对这一脱节，部分企业自行承担了培养工作。美国一些中型软件企业已重组内部入职计划，培训新员工的重点不再是编码，而是审计、纠正和编排模型输出。这类计划通常持续三到六个月，取代了过去的技术语言上手期。

Replit等以AI为中心的开发环境提供商，已发布其所谓”AI原生开发者”的技能框架，强调将复杂问题分解为可委托的子任务、管理模型输出的不确定性、记录架构决策——这些技能更接近技术项目经理，而非上一个时代的开发者。

这一趋势仍局限于头部科技企业。多数雇佣初级开发者的中小企业尚未重新定义招聘标准。他们沿用旧有的技能评估框架，发现候选人在AI工具上的表现低于预期——因为这些候选人根本没受过相关训练——于是过早得出结论：初级开发者已经没用了。这是诊断错误，代价是招聘失败。

日益自主的AI代理让监督技能更加关键：一个”乱来”且缺乏有效治理的代理，需要有人能在其造成高昂损失之前发现问题。

大学和训练营还没做到的事

初始教育落后了。这是可记录的事实，而非评判。自2023年以来，美国和欧洲主要大学的计算机科学学士课程大多加入了一两门生成式AI课程——如何使用API、如何微调模型、有时如何评估系统偏见。但这与学习如何在AI生成大部分代码、人类负责驾驭和决策的环境中工作，是两回事。

训练营的反应更快，但往往流于表面：在不变的课程里加一个”提示工程”模块。会向ChatGPT提问是有用的，但不足以在ITIF描述的市场中具备竞争力。

真正缺失的是结构性调整。培养一个能驾驭AI的开发者，需要教他在不写代码的情况下分解问题、测试自己未编写的输出、维护由不同工具生成组件的项目的系统一致性。这需要目前大多数项目中尚不存在的教学练习。少数举措正在涌现——麻省理工学院自2025年秋季开设”AI辅助软件工程”课程，明确整合了代理监督——但仍属例外。

短期风险是两类初级开发者之间的差距迅速拉大：一类来自已整合这些实践的培训环境，另一类以标准画像进入市场。在岗位减少但定义更明确的市场中，最初的几次招聘对职业轨迹至关重要。

问题的地理分布并不均匀

斯坦福和Brynjolfsson记录的降幅是汇总数据，地理现实更为细致。在美国，压缩集中在湾区、西雅图、纽约等主要科技中心，大型企业在这些地方采用工具最为积极。在次级市场，数字服务公司和科技咨询公司仍以较传统的画像招聘初级员工，通常是因为尚未过渡到最新工具。

欧洲的降幅较慢。监管、更长的采用周期以及更分散的软件市场结构减缓了压缩。但先行信号已经出现——招聘平台上初级职位减少、基础技术岗位的招聘周期延长——这表明差距只是时间问题。

新兴市场的情况又不相同。印度和越南有大量初级开发者为西方客户从事离岸工作，压力尤为明显。客户开始用AI自行生产原本外包的内容，订单随之减少。但部分本地企业迅速转向AI集成和监督服务——正是ITIF所说的新入场券——并开拓出新市场。这一转变正在发生，只是参差不齐。

未来十二个月的走向

初级软件开发市场正在分叉。类似2022年前的岗位将持续收缩——不会归零，但会大幅减少。符合新入场券的岗位则将增长，以不同的职位名称出现在那些还没有用AI词汇定义自身的企业中。

对教育机构而言，实际问题不难表述，却难以解决：如何将代理监督纳入课程，同时不牺牲恰恰支撑这种监督能力的理论基础？答案不能是用提示工程取代一切，而必须通过教学重组来实现——把AI视为所有技能的运作环境，而非一个额外的课题。

未来几个月，首批在重组课程中培养的学生将陆续进入市场。他们的就业轨迹将告诉我们研究尚无法测量的东西：新入场券是否真的能打开与旧入场券相同的大门，还是这场分叉实际上产生了两个互不流通的就业市场——一个驾驭AI，另一个承受AI。

来源

1. 斯坦福HAI 2026 AI指数 – 经济章节
2. Brynjolfsson, Chandar & Chen – 煤矿里的金丝雀（2025）
3. ITIF – 信息技术与创新基金会 — 关于初级就业与AI的报告，2026年6月
4. 斯坦福HAI — AI指数报告2026（斯坦福大学以人为本AI研究所）
5. GitHub — “AI对开发者生产力的影响”，内部报告，引用于斯坦福HAI 2026
6. Peng et al.（2023）– GitHub Copilot生产力研究（arXiv 2302.06590）
7. MIT AI Studio – 2025年秋季课程
8. arXiv 2605.01160 – 生产力-可靠性悖论：AI增强软件开发的规范驱动治理