AI 之后，工程师靠什么不被替代
最近面试，都会和候选人探讨一个问题：
AI 之后，工程师靠什么不被替代？
不是刁难，是真的想听对方怎么想。
答案五花八门。有人说”多学 AI 工具”，有人说”转全栈”，有人说”提高沟通能力”。
但我发现，越往深聊，越会绕回同一个地方——代码越来越容易生成，执行的门槛越来越低，你以为的壁垒正在被一个接一个打穿。
那真正的壁垒在哪？
先说乔布斯那节”没用”的书法课
1972 年，乔布斯从里德学院退学。没有课表的束缚，他开始旁听各种感兴趣的课。
其中一门，是书法课。
他学了衬线字体和无衬线字体，学了字母组合之间的间距变化，学了什么是伟大的字体排版。当时觉得完全没用，纯粹好奇才去的。
十年后，设计第一台 Macintosh，那些判断突然全回来了。Mac 成了第一台拥有美丽字体的电脑。
“None of this had even a hope of any practical application in my life. But ten years later, when we were designing the first Macintosh computer, it all came back to me.”
（当时我一点也没想到这些东西会有什么实际用处。可是十年之后，当我们在设计第一台 Macintosh 时，这些东西突然在我脑子里浮现出来。）
这个故事过去听起来像励志鸡汤。在 AI 之后再听，完全变了味道。
书法课教的不是字体技能，是美是怎么回事——一种关于好坏的判断标准。
AI 时代，这恰好是最难被替代的东西。
我想聊三个维度，都是这类东西。
一、判断力：知道什么是”好的”
AI 能 1 秒给你 100 个选项，但哪个更好，它其实不知道。
这不是谦虚，是事实。AI 的输出本质上是”平均好看”——训练数据里最常见的组合。它不会犯明显的错，也很少做出那个让你眼前一亮的”就是它”。
那个感觉从哪来？来自你自己。
你看过足够多好的架构，踩过足够多的坑，做过足够多次技术决策之后，判断力就慢慢刻进去了。你只需要看一眼就知道：这个设计不对，那个方案差点什么，就是这个了。
从”差不多能跑”到”就是它”，中间隔着的就是你的判断力。
判断力的培养没有捷径。是你读过的那些源码，踩过的那些线上事故，做过的那些架构评审，一次次之后刻在身体里的东西。不会立刻变现，但终究会变现。
还有更关键的一面：判断力不只是”选得准”，还是敢去选，敢负责。
AI 不承担后果，你承担。当 AI 能生成所有方案，你的价值就在于从中选出那个，并敢于为这个选择签上你的名字。
乔布斯书法课真正留下的，不是字体知识，是他心里那把关于”美是怎么回事”的尺子。工程师也需要这把尺子——关于”好的系统是什么样的”，关于”对的方案长什么样”。
二、做对的事情：方向比速度更重要
段永平有句话，我觉得在 AI 时代比过去任何时候都更成立：
比”把事情做对”更重要的，是”做对的事情”。
大部分工程师的失败，不是因为代码写得不好，而是因为把时间花在了不该做的事上。功能做完了，需求早就变了。系统优化了，但瓶颈根本不在这里。架构重构了，但产品方向已经转了。
这是一种特别隐蔽的浪费：你很努力，工作量很足，但方向是错的。
AI 出现之后，这个问题更严重了。因为 AI 非常擅长”把事情做对”——执行任务，生成方案，填充细节，快速产出。但它不会告诉你这件事值不值得做。
这就是为什么目标感对工程师越来越重要。
不是那种口号式的”对齐业务目标”，而是真正会问：这个 ticket 该不该存在？这个功能是在解决真实问题，还是在制造新的复杂度？这条技术债真的值得还吗，还是还了之后没有人感知到？
工程师里有两种人。一种人汇报说：三个需求，全部上线。另一种人说：我把第三个需求砍掉了，因为它解决的问题可以用另一种方式绕开，省了两周。
前者在把事情做对。后者在做对的事情。
AI 很会执行。但停下来问”这件事值不值得做”，只能是人。
而且越是 AI 让执行变得容易，这个问题就越重要。因为做错方向的成本，会以越来越快的速度积累。
三、杠杆：让 AI 成为自己的杠杆
前两个维度说的是”想清楚”，这个维度说的是”做到位”。
有了判断力，知道什么是好的。有了目标感，知道什么值得做。接下来就是：用 AI 把自己的时间和能力放大。
大部分工程师用 AI 的方式是：把它当助手，让自己做得更快。
这是对的，但只用了杠杆的一半。
杠杆的另一半是：用 AI 消灭那些本来就不该由你做的事。
每个工程师的日常里，都有大量重复的、机械的、低判断含量的工作——写样板代码、整理文档、处理格式、跑固定流程。这些事不是不重要，是不需要你来做。
算笔账：假如这类工作每天占你 2 小时，一年就是 500 小时。如果用 AI 把它们压缩到 20 分钟，你多出来的不只是时间，是精力和注意力——而这些才是真正稀缺的东西。
杠杆思维的核心不是”用 AI 做得更快”，而是**“用 AI 释放出来，去做 AI 做不了的事”**。
但杠杆要真正好使，有一个前提：你得理解 AI 的处境。
同样是让 AI 写一份技术方案，一种方式是”帮我写个方案”，另一种是”我们要解决 X 问题，约束条件是 A、B、C，上下文是这些，目标是让评审能通过，风格要简洁，重点突出权衡”。
结果天壤之别。
区别不在于 Prompt 技巧，在于你有没有把 AI 当成协作对象，推演它的处境：它不了解你的系统，不知道你们的约束，不清楚你的目标。你需要亲手为它搭好这些，它才能真正发挥出来。
对 AI 的同理心，让你拥有杠杆。
这种”推演对方处境”的能力，不只是用来用 AI 的。跟用户沟通是它，做 Code Review 是它，和产品对需求是它。同理心本身是工程师长期被低估的能力，只是现在有了一个新的战场。
不用提前想清楚
乔布斯在斯坦福演讲里说：
“You can’t connect the dots looking forward; you can only connect them looking backwards.”
（你没法提前把点连起来，只能事后回顾才发现它们连成了线。）
这三个能力有一个共同特征：不是靠刷课刷出来的，是靠一次次真实的决策和后果积累出来的。
判断力，是你做过一千次技术决策之后，自己长出来的东西。 做对的事情，是你踩过够多的弯路之后，才真正理解的取舍。 杠杆，是你真的把时间花在放大自己上，而不是替代自己上。
AI 出来之前，“会不会做”是壁垒。现在这个壁垒消失了。
但取而代之的，是一个更深的壁垒：你有没有积累出 AI 做不了的东西。
这些东西不会告诉你它有用。但攒够了，某一天你回头看，会发现它们早就连成了线。
那节书法课的道理，在 2026 年比 2005 年更成立。
如果这篇戳到了你，转发给同样在想这个问题的工程师朋友。关注我，下周继续。