AI 不淘汰专家，只淘汰不懂 AI 的专家

AI 不会淘汰专家，但会淘汰不会用 AI 的专家 近期一种观点颇为流行——在 AI 编程时代，专业知识的价值已大幅缩水。只需会表达，AI 便能代写代码，技术懂不懂已无关紧要。事实果真如此吗？ 上周，Anthropic 发布了一项基于约 40 万段 Claude Code 会话、覆盖约 23.5 万用户的数据研究报告。时间跨度从 2025 年 10 月延续至 2026 年 4 月。这是我见过的最为扎实的 AI 编程行为数据。 研读之后，我的结论是：这场所谓的"颠覆"论调，可以休矣。 许多人眼中的 "AI 编程实现了编程民主化。" 此类说法近两年铺天盖地。各种叙事层出不穷：产品经理用自然语言构建完整应用，设计师独立搞定前端代码，财务人员自行编写自动化脚本。门槛？早已不复存在。 媒体热衷此故事。资本青睐此叙事。甚至诸多从业者也乐意相信——毕竟，谁不愿成为那个"被 AI 赋能"的幸运儿呢？ 然而，数据从不撒谎。 我所见的事实 该研究最核心的发现，深藏于"成功率"这一指标之中。 新手用户——我将其定义为刚接触 Claude Code、缺乏编程经验者——其任务验证成功率仅为 15%。请注意，这是经过验证的真实成功率，而非"感觉写出来了"。 而中级及专家用户呢？成功率在 28% 到 33% 之间。 差距整整一倍。 但更有趣的部分还在后头。 研究统计了一项名为"每条指令动作数"的指标——即你输入一段提示词后，AI 实际执行的操作步数。新手平均为 5 个动作。专家呢？高达 12 个。 同样是"帮我实现一个功能"，专家下达一条指令，AI 完成的工作量是新手两倍还多。 更令人扎心的是：新手平均每条提示词含 600 词，专家则达 3200 词。 新手不知如何描述问题。专家却能清晰交代上下文、边界条件及潜在风险。 并非 AI 听不懂新手的话。而是新手不知该说什么。🏠 一个医学式类比 我特别想用一则类比来阐明此事： AI 编程工具，更像是一台顶级听诊器。 拥有它，听诊效果确实优于无。但听诊器本身无法诊断。若使用者是实习生还是主任医师，诊断准确率天壤之别。 研究报告中有一组数据颇耐人寻味：非软件工程师用户与软件工程师用户，在代码生成会话中的成功率差距其实很小——29% 对 34%。 需注意这组数据的含义。并非"非工程师也能达到工程师水平"。而是"差距并未拉大"。 差距不大，是因为大家都在借助 AI。但这"差距不大"，是建立在双方均使用 AI 的前提下。 若都不使用 AI 呢？差距又将如何？ 研究还显示，增长最快的非软件职业是管理、销售、法律。这三个领域的人群，正成为 AI 编程工具最活跃的非技术用户群体。 他们在做什么？并非取代工程师，而是在自身业务场景中利用 AI 解决具体问题。 销售用 AI 生成数据脚本以排查客户流失。法律用 AI 提取合同条款。管理用 AI 分析团队绩效数据。 专业知识与 AI 工具是乘数关系，绝非替代关系。 那张隐藏的分工图谱 研究中还有一组数据，值得单独拎出探讨。 在所有会话中，人类负责决定"做什么"的比例高达 70%——这属于规划阶段。你要实现什么功能、解决何类问题、达成何种效果。 而 AI 负责决定"怎么做"的比例为 80%——这属于执行阶段。如何编写代码、如何组织逻辑、如何优化实现。 这便是 AI 编程工具的真实分工：人类出战略，AI 出战术。 问题来了：你认为一个不懂业务逻辑、不明技术边界、不知性能瓶颈的人，能在"做什么"这一环节做出优质决策吗？ 你当然可以让 AI 帮你写代码。但你得先告知 AI 写什么。 七个月内发生了什么 研究还追踪了一项有趣的数据：调试时间占比。 在研究周期伊始，用户花在调试上的时间占总会话时间的 33%。七个月后，这一数字降至 19%。 下降了一半。 但这一下降并非自然发生。原因在于：用户学会了提问。用户学会了如何描述问题。用户学会了如何判断 AI 生成的代码是否正确。 这是专业能力的成长，而非 AI 能力的提升。 同样的逻辑也体现在"任务价值"这一指标上：专家用户的任务价值比新手高出 25% 到 27%。 这个"任务价值"如何定义？我的理解是：完成的任务更复杂、解决的问题更有价值、产出的代码质量更高。 并非 AI 变强了。而是你更会用了。 放弃率中的秘密 还有一个数据点令我印象深刻：遭遇困难时的放弃率。 新手用户遇到障碍，选择放弃的比例为 19%。专家用户呢？仅为 5% 到 7%。 差距近三倍。 这并非 AI 的问题。AI 的表现始终稳定。 这是人的问题。 专家遇到 bug，会借助 AI 辅助排查，会更换关键词重试，会分解问题分步解决。新手遇到 bug，可能第一条错误信息就懵了，不知搜什么，不知问什么，最终选择"算了"。 专业知识的价值，不仅在于"知晓答案"，更在于"懂得如何寻找答案"。 你该如何思考 我撰写此文，并非要泼冷水。 AI 编程工具确实降低了门槛，这一点必须承认。一个完全不懂编程的人，借助这些工具确实能完成以往无法完成之事。 但"降低门槛"与"无需专业知识"是两码事。 门槛从 100 分降至 60 分，并不代表 0 分就能通关。你仍需具备及格线以上的知识储备，才能真正驾驭这些工具。 对于正在学习编程的朋友：AI 是你的加速器，而非替代品。你学习的每一行代码、理解的每一个概念，都在放大你使用 AI 的效果。 对于想转行的朋友：AI 降低了技术细节的学习压力，但不会降低你对业务逻辑的理解要求。选择一个你熟悉的领域，比追逐"什么火学什么"更为重要。 对于已是从业者的朋友：你的专业知识是 AI 的放大器。找到 AI 与你专业交叉的切入点，深挖下去。 最后说一句：研究还提及 Cursor 的 Auto-review 数据，4% 的操作被审查，7% 的对话触发打断。 AI 会犯错。这一点，技术圈内人士心知肚明。 但大众舆论尚未完全接受这一事实。 下一个问题是：你愿意将自己的职业发展，押注在一个明知会犯错的工具上，同时放弃学习那些能让你判断其对错的知识吗？ 这个问题没有标准答案。 但你应该认真思考。 Agent 观测站 · AI 行业深度观察 数据