“古法编程”这个词这几年流传开了：不靠 AI，一行行手写代码，自带一半自嘲、一半骄傲。配得上这个词的是一批具体的人，在没有 LLM 的年代独立构筑过完整软件的程序员。他们画过表结构，定过接口，扛过上线，出过半夜的告警。模块怎么切、数据放哪，这套手艺是踩着真实项目长出来的。
现在围绕这批人的判断是分裂的。看空的说他们被时代抛下了：AI 写代码又快又便宜，科技巨头的 CEO 们已经公开说要少招工程师。看多的说他们是压箱底的资产：AI 生成的代码总要有人看得懂、兜得住，全行业只剩这批人真正会从零构筑系统。
这笔账不只关乎这批人，每个要花钱做软件的人都在另一端。我的判断：短期，市场会用最粗糙的方式对待他们；长期，他们手里的判断力是 AI 时代软件业最值钱的东西，前提是身份要从“写代码的人”换成“对系统负责的人”。比他们自己的去向更棘手的，是下一批人从哪儿来，这个后面单独说。
AI 改变了什么，没改变什么
变化是实打实的：写代码正在变得近乎免费。Google 的新代码超过 30% 由 AI 生成，微软仓库里 20% 到 30% 是 AI 写的；Y Combinator 2025 年冬季那批公司里，四分之一团队的代码库 95% 是 AI 生成的。模型 API 还在打价格战，任何一家供应商报价单里“编码”这一项都撑不住了。撑不住才是正常的。
没变的是另外两段。一个系统的钱从来分三段：把它说清楚，把它做出来，让它活着。AI 把中间那段打了骨折，前后两段纹丝不动，甚至更贵。
Google 每年发的 DORA 报告是全球软件效能方面最权威的追踪研究。2024 年那期有个扎眼的数字：团队对 AI 工具的采用度每提高 25%，交付吞吐量下降 1.5%，交付稳定性下降 7.2%。2025 年那期更新了样本，90% 的开发者已经在工作中用 AI，它和交付不稳定性的相关性还在。
代码分析公司 GitClear 跑了几年代码仓库数据，上亿行变更记录。2024 年出了有记录以来第一次：提交里复制粘贴来的代码行数，超过了被重构的代码行数，克隆量五年涨了四倍。AI 让“再抄一份改改”比“把原来的抽象好”更省事，于是没人重构了。
Stack Overflow 今年的开发者调研有四万九千多人参加。84% 的人在用或打算用 AI 工具；不信任 AI 输出准确性的有 46%，信任的只有 33%，“高度信任”的 3%。排在第一位的烦恼不是 AI 不会写，是“写得差一点才对”，66% 的人选了这项。差一点才对是最贵的错：你得先看懂它，才知道它错在哪。
METR 做过一个随机对照试验，可能是最有意思的一个。16 名资深开源开发者做同样的真实任务，允许用 AI 的那组实际慢了 19%。事后让他们估自己的速度，平均认为自己快了 20%。感知和现实差出将近四十个百分点，而且慢的那些人恰恰是对自己代码库最熟的。
安全这边的账更老。纽约大学 2021 年就测过 Copilot，生成的程序里约 40% 含可被利用的安全缺陷；2025 年有人扫 GitHub 真实项目里的 Copilot 代码，Python 片段 29.5%、JavaScript 片段 24.2% 带安全弱点。四代模型过去，这个比例没消失。
事故更具体。去年 7 月，SaaStr 创始人 Jason Lemkin 用 Replit 的 AI agent 做产品，第九天，agent 在他明确要求冻结改动的情况下把生产数据库删了，然后自己编了假数据填进去，谎称已回滚。Fortune 和 The Register 都报了。
这些数据说的是同一件事：AI 让“写出能跑的代码”变得极其便宜，“做出对的软件”却一分没便宜。打字从来就不是软件工程的瓶颈，瓶颈一直是三个判断：系统该长什么样，数据该怎么组织，什么时候该说“不”。没独立构筑过软件的人，缺的不是手速，是验收的能力。看不出 AI 给的类定义错在哪，就只能全盘接受。AI 是放大器，放大你有的判断力，也放大你没有的。METR 那个“自以为快 20%、实际慢 19%”，就是这道缝的量化。
举个具体的：AI 给你一个能跑的表结构，不会告诉你数据量到第六百万行时哪个查询会雪崩；给你一组能跑的接口，不会告诉你两年后要加一种新结算方式时，当初哪层设计会让你全量重写。这些直觉原本靠完整踩过一遍项目攒出来，现在成了唯一能挡在 AI 输出和生产环境之间的东西。
短期：手艺在涨价，人在被裁
就业端的数据比情绪直接。
斯坦福数字经济实验室去年 8 月发了份研究，标题叫“煤矿里的金丝雀”：22 到 25 岁的年轻人在 AI 暴露度高的职业里，软件开发排在最前面，就业相对下滑了 13%。招聘平台 Indeed 上美国的软件岗位发布量比 2020 年初低了 36%，其中约一半下滑发生在 ChatGPT 出现之前，不能全算在 AI 头上，但趋势是叠加上去的。老板们的口径也摆在那儿：2024 年 12 月，Salesforce 的 CEO Benioff 说 2025 年不再招软件工程师，理由是 AI 带来的生产力提升；半年后，亚马逊 CEO Jassy 给全员发内部备忘录，原话是“我们会需要更少的人来做今天正在做的一些工作”。一个 SaaS 龙头，一个美国第二大私人雇主，说的不是情绪，是计划。
古法程序员在短期同样被挤压，而且有个难堪的错位：企业收缩时往往分不清“会构筑系统的”和“只会写代码的”，账面上看得见的只有薪资数字，而老师傅的数字最扎眼。所以短期可能是这样：手艺在涨价，拿手艺的人在被裁。两件事同时成立。市场重新定价需要时间，账单总是先到，认知后到。
入口在关
比裁员更长远的信号是：初级程序员可能正在断档。这次有数据。
Indeed 的研究部门今年 7 月发了份分析，标题叫“劳动力市场正在向资历倾斜”。全行业数据里软件开发是最极端的一个：2026 年一季度，软件开发类招聘里高级岗占 69.3%，入门岗只占 4.5%。作为对照，个人护理行业的入门岗占比 91.3%，一正一反，软件开发成了全美所有职业里最不欢迎新人的一个。时间轴拉长更清楚：2019 到 2025 年，科技行业中级岗占比掉了 7.7 个百分点，高级岗涨了 9 个百分点，涨的部分基本是从中级岗身上割出来的。今天没有中级，明天的 senior 从哪儿升？
学校那头对上了。纽约联储按专业统计的应届失业率：计算机科学 6.1%，计算机工程 7.5%。2021 年，计算机科学还是所有专业里失业率第二低的，4.8%。四年，从最好找工作的专业之一变成最难之一。
断档的机制很朴素：senior 是被 junior 时期的粗活喂出来的。改 bug、写增删改查、盯日志、维护没人想碰的旧模块，这些活枯燥，但手感和分寸感全从这里来。麻烦在于 AI 恰好先吃掉这批活，企业发现交给 agent 更便宜，就不招 junior 了。省下的是今年的工资，预支的是五年后的 senior 供给。Indeed 自己的经济学家在报告结尾写的也是这句：今天的入门级员工就是明天的资深骨干，现在砍掉初级招聘的完整影响，要过好几年才显现。他们还引了一项研究，在招聘低谷入行的人，工资损失能追着走十年，这叫疤痕效应。
行业里不是没人喊。AWS 的 CEO Garman 去年 8 月公开说，用 AI 取代初级开发者是“最蠢的想法”；GitHub 的 CEO Dohmke 说最聪明的公司会雇更多工程师，而不是更少。喊归喊，每家公司都觉得培养新人该由别人去做，个体的理性加起来就是集体的断档。
雇主这头也变了味。现在招聘要求应届生“入职第一天就能在更高层级上工作”，还得熟练用 AI，等于把培养成本踢出去，踢给学校，踢给个人。可手艺课堂给不了，只能从真实系统的真实麻烦里长出来。给 AI 生成的代码还债、接手没人敢动的遗留系统，这两件事确实磨手艺，比在温室里从零写干净代码更磨人。前提是先有一份工作，才有资格站到这些活儿面前。
这就是“何去何从”里最没答案的部分：古法程序员自己的去向还能选，下一批古法程序员从哪儿来，眼下没人负责。
祛魅已经开始
MIT 有个叫 NANDA 的研究项目，访谈了 150 位企业高管、盘点了 300 个公开的 AI 部署试点，结论是 95% 的企业生成式 AI 项目没有产生可量化的经营影响。DORA 的稳定性数据、GitClear 的维护性数据，就是 2025 年抢着上 AI 编程的企业今年陆续收到的账单。学费交完了，课才开始。
课的内容不复杂：企业最终会明白，要买的是判断力，而且是叠上 AI 杠杆的判断力，一个人带一组 agent，干原来一个小队的活。溢价会回来，可能换个名字，挂在新岗位的招聘启事上。去年硅谷花几十亿美元重新端上桌的 FDE（前线部署工程师）就是这个方向：模型同质化之后，稀缺的是能把系统在企业环境里做出来、并让它活着的人。
三条路
手艺的变现路，观察下来就三条，不互斥。
最完整的走法是往系统走：做架构师、技术负责人，把手艺用在“系统该长什么样”上，执行交给 agent 群。愿意碰客户的往现场走，FDE 那个方向，把系统在客户的企业环境里做出来、让它活着，这活儿的稀缺度在涨。
还有一条不体面但越来越多的：专门给 AI 生成的代码还债，重构被 vibe coding 糊出来的系统，接手没人敢动的遗留系统。vibe coding 是 Karpathy 在 2025 年 2 月造的词，他是 OpenAI 创始团队出身、前特斯拉 AI 总监，意思是完全交给感觉、忘了代码的存在，这个词后来热到进了柯林斯词典的年度词。AI 生成的代码越多这种活越多，这个市场每年都会大一圈。
如果你是出钱做软件的那个人
这笔账的另一端是买单的人。
同一个需求，你会同时收到两份报价：一家三周五万，一家三个月三十万。便宜的那家未必是骗子，交付的东西当场能跑，演示也漂亮。差额买的是当场看不见的部分：数据怎么组织，权限怎么校验，第十八个月要接一条新的支付渠道时，改动会波及几层。这笔账没有标准答案，但下单之前至少得知道多出来的钱在买什么。
趋势就一条：代码在降价，判断力在涨价，买单买的是后面那个。叠加前面的断档，入口关了，五年后市面上会构筑系统的人只会更少，这个溢价的方向基本是定的。分辨对方有没有判断力，不用看简历年限，问两个问题就够：让他讲一个自己从零构筑、至今还在运行、还在改的系统，真做过的人细节多得讲不完；再问他们怎么验收 AI 生成的代码，看不过来的时候怎么办。谁在讲真实系统里的取舍，谁在背方法论，两分钟就能听出来。
也不是所有软件都值得配判断力。用一次就扔的脚本、内部试水的原型、验证想法的 demo，放心交给纯 AI，快就是好。要跑两年以上的系统、碰钱的、碰用户数据的，别在这省。标准就一条：这东西坏了、或者两年后要大改的时候，你损失多大。
写代码的读者看到这里，带走一句就够了：古法不是护身符，是责任范围。从“把代码写出来”变成“对这个系统负责”，AI 会让这件事更值钱，前提是真的担得起。出钱的读者也一样：AI 让会的人更贵、不会的人更便宜，你买的不是代码行数，是那个在关键时刻说“这里不能这么干”的人。
往深了看，两篇旧文接着这条线：《美团烧掉几亿买来的顺序：先数字化，再智能化》讲企业交 AI 学费的账怎么算；《FDE 在中国水土不服，但内核可以拆出来用》讲判断力溢价换个名字回来之后长什么样。
再顺手介绍我们的图解AI系列：每期用几张信息图讲透一个 AI 概念，写给不看技术的人。第一期讲 token，AI 的账单为什么按“字数”算，读完就明白代码为什么在降价、模型 API 的价格战在打什么；第二期讲上下文窗口，模型的记性是装出来的，每句话都在从头读。行业观察讲判断，图解AI讲概念，关注不迷路。
