当所有人都能生成代码的时候真正的壁垒变成了知道该生成什么和知道不该生成什么。先列几个你可能已经听说过的数字。Spotify的工程师99%每周都在用AI编程工具94%的人明确表示效率更高。Shopify的River Agent在30天里协同产生了3536个被合并的PR。OpenAI内部的Codex吃掉了公司99.8%的Token消耗。不是说这些数字不对。它们没问题甚至可以说低估了AI编程的渗透速度。但更值得关注的是这些数字背后一个正在发生的转变——当写代码这个动作本身不再稀缺时什么变得更稀缺了“判断和筛选是最珍贵的能力”Codex落地负责人Andrew Ambrosino的原话。他说写代码这件事已经不是你最需要操心的事了。代码可以生成原型可以量产。但判断和筛选——taste和curation——正在变成最难以替代的能力。这句话放进OpenAI自己的内部现状里就能理解为什么。公司里大约90%的人都在用Codex。不是90%的工程师是90%的人——包括设计师、产品经理、运营。设计师开始用它搞脚本验证交互逻辑产品经理拿它调接口看数据不只是工程师在用。当工具的覆盖面到了这种程度一个组织内部就会出现一个现象可能有90个完全没有协作的小团队在同时用AI尝试同一个功能的不同做法。90个方向同时跑代码都能生成。但哪个方向对哪个方案的投资回报比更高哪个原型背后埋着三个月后才能暴露的技术债这些问题不是AI能回答的。“taste和curation”——这本质上是工程判断力不是审美。“有东西跑起来≠问题已经想明白了”AI实现成本降到接近零之后另一个容易被忽视的陷阱是原型幻觉。过去一个想法从脑子里到屏幕上中间隔着写代码的时间差这个慢本身就是一道天然的过滤。你怎么也得想得差不多清楚了才舍得动手写。如今这个时间差没有了。你脑子里刚有个模糊方向AI已经把能跑的代码扔到你面前了。能跑这种反馈太即时、太有说服力容易让人跳过这玩意到底对不对这一步。Andrew说得直接原型不能替代一切。澄清模糊方向更适合用文档感受交互更适合用原型验证技术风险就先做实验。“有东西跑起来了不等于问题已经被想清楚了”。需求本身的错误不会因为AI写得更快而消失。相反实现速度越快错误的代价反而可能更大——返工也更快了。岗位边界在消融但专业能力不能丢OpenAI内部还出现了另一个趋势岗位边界模糊。设计师开始理解工程概念产品经理会动手写代码工程师要参与产品判断——每个人都在往相邻的领域渗透。这本身不坏。但Andrew特别提醒了一个反直觉的点不能因此宣布不要产品经理了都做Builder否则会丢掉产品专业领域多年积累的沉淀。开发者不需要变成全能选手但需要搞清楚三件事业务目标是什么、设计约束在哪、能给Agent派什么活并能评判产出的质量。这些都不是生成层面的能力是判断层面的能力。判断力是怎么被用出来的Anthropic的研究团队做过一项研究分析了约40万次Claude Code的Session数据。他们发现真正高效使用AI编程工具的人不是在让AI写代码而是在把任务拆成AI能理解的粒度分派下去然后验收结果。这个行为模式传统上对应的是资深工程师的工作方式——把大问题拆小把每一个小问题定义清楚安排给不同的人执行最后集成验证。只不过现在不同的人变成了不同的Agent窗口。这种模式的背景下有一些AI编程工具在设计上就倾向于引导式而非直给式的交互。飞算JavaAI在IDEA中的5步引导流程就是个比较典型的例子。它不是那种你输入一句需求我直接吐代码给你的一锤子买卖。而是把从需求到产出拆成了五个确认节点理解需求之后你得确认子任务拆得对不对才进入设计接口。接口设计完你得确认API命名和逻辑方向才进入表结构设计。表结构建好确认索引和约束合理才进入逻辑步骤。逻辑步骤可视化出来确认业务流程无误才进入代码生成。每一步都是一个人工判断的落点。AI负责生成候选方案人负责判断选哪个、改什么、确认下一步。这种设计思路跟先定义再执行的理念一致本质上是在让判断力有地方可用——而不是生成完代码之后面对一整坨输出连从哪里开始判断都不知道。未来缺的不是写代码的人“谁都可以生成代码不代表谁都可以发布。”这句话对AI编程的未来做了一个精准的切割。生成是动作发布是决策。AI把动作的门槛砸到了地板但决策的门槛反而被推高了——因为你的决策必须覆盖AI输出的全部边界。生成越容易判断越贵。这不是AI编程的副作用这是AI编程进入深水区之后的自然规律。能接受这个规律的团队才会真的把AI从加速器用成生产力系统。