AI产品谁都能做，但谁来做判断？

最近见到一个有意思的现象：同一个团队里，同一个AI工具，三个不同的人试用后给出了三个截然不同的结论。

A说"太强了，再迭代一下就能上线"，B说"方向对了但产品还不成熟"，C说"这是在浪费大家时间"。

三个人都是靠谱的工程师，谁都没看错，只是他们站在不同的楼层看问题。

一、35岁不是终点，是拐点

每隔一段时间，“35岁被裁”就会冲上热搜。评论区一片哀嚎，好像到了这个年纪，代码生涯就自动进入倒计时。

我见过不少同行的真实经历。有人35岁确实被优化了，但转头拿了更好的offer；有人28岁就焦虑到不行，觉得35岁魔咒会落到自己头上。这两种人的区别，不是技术能力，而是对职业周期的理解。

一个观察

最近在Lobsters上看到一篇文章，标题很直白：《AI is removing the middle class of software engineering》。大意是，AI正在把软件工程师分成两极——能驾驭AI的人和被AI替代的人，中间那层"能写代码但缺乏判断力"的工程师，生存空间正在急剧压缩。

上周跟一个做技术管理的朋友吃饭，聊到一个让他头疼的事。

季度绩效评估，团队里有人用 AI 工具写了以前三倍量的代码，需求交付速度飞快。按传统标准，这绝对是高绩效。但他总觉得哪里不对。

"代码是写了挺多，但上线后 bug 也比以前多了。而且有些代码，他自己都说不清楚为什么这么写。"

这不是个案。当 AI 编码工具把"写代码"这件事的门槛拉到极低，传统的工程师绩效评估框架，基本上已经失效了。

以前的标准为什么不灵了

过去评估工程师，核心维度无非几个：代码质量、技术难度、问题排查能力、架构贡献。这些都建立在一个前提上——代码是人写的，写得好不好直接反映能力。

AI 改变了这个前提。

现在一个中级工程师借助 AI 工具，一天能产出以前三天的代码量。代码看着像模像样，命名规范、注释齐全、测试也有。但你仔细看，会发现有些实现绕了远路，有些边界条件没覆盖，有些设计决策——根本没有决策，AI 给了什么就用了什么。

产出的量上去了，但产出中"人"的含量变了。