Agent 越强，为什么我们还在招初级工程师？
AI 降低了执行成本，工程师需求还取决于人类认知资源、任务分布与需求增长。三个交互实验展示这些关系成立和反转的条件。
AI 降低了工程工作的执行成本，但企业需要多少工程师，还取决于有价值的任务需求，以及团队能够投入多少理解、判断和验收资源。
最近读了 Anthropic 发布的 《How employment is changing at Anthropic》。
其中有一个很引人关注的数据：Anthropic 的初级技术人员在技术招聘中的占比，从 2025 年初的 27% 下降到了 9%。
很多人看到这个数据，第一反应是：AI 已经足够强了，未来不再需要初级工程师。
但我读完之后，反而联想到了自己所在团队的一些现实。
我所在团队的资源无法与 Anthropic 相比，但从日常研发来看，AI 算力已经相对充裕。工程师普遍使用 Claude、GPT 等模型，Coding Agent 也已经深入研发流程。
但团队依旧缺少工程师，依旧在招聘初级开发者，甚至实习生。
这让我开始思考一个问题：
如果 AI 已经可以完成越来越多的工程工作，为什么我们依然需要更多的人？
我的想法：AI 时代的工程师需求，并不简单取决于 AI 替代了多少工作，而取决于一家企业能够将多少算力转化为真正有价值的成果。
而在这个过程中，人类的认知资源可能正在成为一种新的稀缺生产要素。
1. 算力可以扩张，但人类认知能力存在上限
Anthropic 的研究中还有两个很有意思的数据。
到 2026 年 8 月，员工使用的交互式 Agent 的总运行时长已经达到人类工作时长的约六倍。
但与此同时，交互式 Agent 会话约 80% 的墙钟时间处于等待人类输入的状态。
这两个指标的口径不同：运行时长不等于产出，等待人类输入的时间也不是算力浪费比例。
这看起来有些矛盾。
一方面，Agent 已经能够并行处理大量工作；另一方面，人类却越来越难以及时处理这些 Agent 产生的结果和请求。
仔细想想，这其实很符合我日常使用 Coding Agent 的体验。
我可以同时启动五个甚至十个 Agent，让它们分别开发功能、修复 Bug、编写测试、调研方案。
但我真的能同时理解十个任务吗？
当它们陆续提交结果、要求确认、遇到架构冲突或者需要判断业务边界时，我依旧需要逐个切换上下文。
模型的执行能力提升了，但我的理解、判断和注意力并没有同步增长。
这意味着，当算力足够充裕时，限制生产力的因素可能会从执行能力转移到人类认知能力。
这里有一个重要区别：
单个人类的认知能力存在上限，但一个组织拥有的人类认知资源并不是固定的。
组织可以通过招聘、任务分工、自动化验证和组织设计，增加整个团队能够同时处理的问题数量。
因此，在某些条件下，增加一名工程师的价值，可能不再主要来自他亲自写了多少代码，而是他能够让多少原本闲置、等待或无法有效利用的 AI 算力转化为可靠的产出。
我暂时把这种能力称为「认知杠杆」：
每投入一小时人类注意力，能够产生多少具有实际价值、经过可靠验收的工作成果。
再加一个 Agent，还能多交付多少？
只增加 Agent 数量，看看有效交付会不会一直增长。
固定：每个 Agent 每周提交 4 项任务，人工每周最多验收 20 项。
当前瓶颈：人工验收。
公式与假设
Agent 可提交 32 项，人工可验收 20 项，有效需求为 60 项 / 周。
假设每个 Agent 每周可提交 4 项可比任务，有价值的需求为每周 60 项。人工每周投入 10 小时，每项验收 30 分钟，即最多验收 20 项；每项交付均需人工验收。未计返工、上下文切换与 Agent 相互干扰。
这是稳态容量示意，结果可以是非整数。曲线不表示排队时间，也不推算 Anthropic 报告中的 80% 等待时间。
2. 为什么初级工程师仍然有价值？
接下来，我可以尝试把工程工作按照所需能力划分为三个等级。
- A 类任务：需要高级工程师承担，例如核心架构设计、复杂系统决策、重大技术风险判断。
- B 类任务：需要中级及以上工程师承担，例如常规系统设计、跨模块开发、复杂问题定位。
- C 类任务：初级工程师能够独立完成和验收，例如边界明确的功能、标准化修改、具备清晰验收条件的任务。
这里的等级并不是根据代码量或者实现难度划分，而是根据一个人能否对结果承担独立判断和验收责任划分。
在 AI 出现以前，高级工程师同样需要编写大量普通业务代码。
现在，AI 降低了这些任务的实现成本，但没有消除理解需求、验证结果、处理异常所需要的人类认知资源。
假设一位高级工程师每周要花十几个小时处理 C 类任务。
如果这些工作能够由一位初级工程师借助 Agent 独立完成，高级工程师只需要提供少量指导，那么释放出来的时间就可以投入那些只有他才能解决的 A 类任务。
从企业整体来看，这名初级工程师创造的价值，实际上包括两个部分：
一是他直接完成的工作；二是他释放出来的高级工程师产能。
让高级工程师持续处理低认知门槛的任务，可能是一种昂贵的资源错配。
当然，这个推论有一个前提：初级工程师必须有能力独立完成并验收这类任务，而且指导成本不能高到抵消他带来的收益。
如果 Agent 已经能够自动完成并可靠验证全部 C 类任务，那么继续为这些任务招聘初级工程师，就可能没有经济优势。
因此，AI 并不天然利好或利空初级岗位。它改变的是不同层级工作之间的分界线，以及不同人员的边际价值。
委派任务，能释放多少高级工程师时间？
委派后需要花多少时间指导和把关？拖动滑块，看看还能释放多少时间。
固定：同一批任务自己做，每周需要 12 小时。
释放了时间，可投入其他工作。
公式与假设
12 小时原投入 − 5 小时指导、复核与返工 = 7 小时。
假设初级工程师借助 Agent 完成并验收了同一批任务，指导、复核与返工均由高级工程师承担，且三项时间互不重复。
只衡量高级工程师时间的变化，不等于团队总工时节省或招聘回报。薪酬、初级工程师投入、算力成本与释放时间的用途均未计入。
3. 人均生产力提高，不代表企业用人需求必然下降
我还想到一个很有意思的类比。
过去大家都在赛跑，后来我获得了一辆可以喷射起步的 Roadster。
我当然比以前快得多。
但如果竞争对手也获得了一辆 Roadster，我们之间的竞争并不会因此消失。相反，整个比赛的速度和标准都被重新定义了。
AI 对软件行业可能也是如此。
假设工程师的生产力变为原来的三倍，那么完成原本同样数量的工作，理论上确实只需要过去三分之一的人力。
但这里隐含了一个假设：
企业需要完成的工作总量是固定的。
现实中，企业可能还有尚未满足的需求。
一家企业总有很多尚未完成的需求：新的产品方向、过去成本太高而放弃的功能、技术债务、质量改进、用户体验优化，以及还没有被探索的市场机会。
AI 降低了解决问题的成本，也让一部分过去不值得投入的工作变得有经济价值。
如果企业可以持续将这些能力转化为市场竞争力，那么它需要完成的有效任务数量就可能快速增长。
用一个简化的关系表示：
所需人数 ≈ 有价值的任务需求量 ÷ 人均有效生产力
如果人均生产力变为原来的三倍，任务需求只变为原来的两倍，那么所需人员可能减少。
但如果任务需求变为原来的五倍，企业反而可能需要更多的人。
所以我不太认同「AI 提高了多少效率，就会减少多少工程师」这种线性推论。
尤其对于仍处于高速增长阶段、还有大量市场机会可以探索的企业，AI 可能同时带来更高的人均生产力和更多的人力需求。
不过，问题本身虽然可以近似认为无穷无尽，真正具有经济价值的问题却不是无限的。
增长能否持续，最终还取决于市场需求、产品价值和企业将产能转化为收入的能力。
而且，Anthropic 本身就是一个反例：它在快速扩张的同时，初级技术招聘占比依然下降。
所以，增长并不能单独决定招聘需求。
我还需要考虑另一个因素：新增工作究竟分布在哪些能力层级？
效率提高，为什么人数还可能增加？
效率已经提高到 3 倍。如果需求继续增长，需要的人会变多吗？
固定：人均有效生产力为原来的 3 倍。
效率增长更快，所需人力减少。
公式与假设
2 ÷ 3 ≈ 66.7%；原来每 100 人对应约 66.7 人。
假设工作量可比，质量标准不变，生产力已包含理解、验证与协作成本，并且人员能力与任务需求匹配。倍数表示变为原来的多少倍，不是增加了多少倍。
只表示总体所需人力的比例，未区分 A / B / C 任务、资历、预算与市场约束，也未计入人数取整和培养价值。不是招聘预测。
4. 一家公司可能存在动态的最优工程师配置
继续前面的 A、B、C 分类。
假设一家企业有三种不同等级的工程师，每个等级的人能够借助 AI 处理不同范围的任务。
那么企业真正需要优化的，就不只是工程师总人数，而是：
高级、中级、初级工程师分别应该招聘多少人，才能使整个组织的产出最大化？
这其实是一个动态最优化问题。
需要同时考虑：
- 不同难度、不同价值的任务分别有多少。
- 不同资历的工程师处理这些任务需要消耗多少认知资源。
- AI 可以替代多少执行工作，又需要多少人工监督。
- 人员薪酬、模型算力、沟通与协作的成本。
- 初级人员的培养成本，以及他们未来晋升所带来的价值。
随着模型能力提升，这些变量都会发生变化。
一部分 B 类任务可能降低为 C 类任务，一部分 C 类任务可能完全交给 Agent 自动完成。
但与此同时，企业也可能因为 AI 获得了新的能力，开始处理过去无法开展的更复杂的 A 类任务。
所以最优人员结构不是固定的。
一家公司的合理配置可能是大量高级工程师搭配少量初级工程师；另一家公司则可能更适合少量架构负责人，搭配一批能够独立管理标准化 Agent 任务的初中级工程师。
这取决于业务模式、任务分布、验证能力和增长速度。
还有一个很容易被忽略的问题：如果企业只追求当前的最优配置，把初级岗位不断压缩，那么几年之后，高级工程师从哪里来？
培养未来的人才，本身也是一项有长期回报的投资。
5. 从算力求解成本，重新理解人的价值
沿着这个方向继续思考，我还有一个更抽象的想法。
我能否把每个工程问题理解成一个需要消耗资源才能被解决的任务？
例如，一个问题需要多少模型推理、多少次工具调用、多少轮搜索、多少次重试，才能以足够高的概率获得正确结果？
如果只是重复尝试解决问题，我通常倾向于增加 AI 算力。
但人类认知资源可以改变整个求解过程。
一名高级工程师可能只需要半小时，就能将复杂的问题拆分成几个边界清晰的子问题，再定义出明确的验收标准。
原本需要 Agent 不断试错的工作，可能因此减少尝试次数。
反过来，如果问题有可靠的自动验证器，人类又可以不必逐行理解模型的全部实现，只需要审查验证依据和关键风险。
因此，一个问题不存在脱离工具、验证条件和人类参与方式的唯一「算力求解成本」。
更合理的理解是：模型算力与人类认知资源共同构成了一条求解成本的权衡曲线。
有些问题增加算力就能改善结果；有些问题则需要人的判断、真实世界反馈，或者一套更可靠的验证机制。
这也让我觉得，未来一家 AI Native 企业的核心竞争力，可能越来越取决于它能否高效组合这些资源。
我更关心的是，企业能否用更少的人类注意力，更可靠地将 Agent 的工作转化为有经济价值的结果。
6. 企业是否也存在一个最适人口密度？
还有一个很有意思的联想，来自种群生态学。
生物学中有一个概念叫阿利效应（Allee effect）。
简单来说，当一个种群数量过少时，个体可能因为难以合作、寻找配偶或获得群体保护而难以增长。增加同类数量，可能改善个体的生存或繁殖条件。
但当种群数量过多时，资源竞争又会限制增长。这属于高密度下的负制约，与低密度下的阿利效应是两种不同的机制。
在同时存在低密度阿利效应和高密度负制约的条件下，种群的人均净增长率可能在中间某个区间最高。
这让我想到，工程师团队是否也存在类似的现象？
这里的「人口密度」只是类比，我讨论的是给定业务范围与协作方式下的团队规模。
当团队只有几个人时，即使拥有大量 AI 算力，也可能因为缺少足够的领域负责人，无法充分利用 Agent 的执行能力。
随着团队扩大，合理分工开始出现。不同工程师能够独立管理各自领域的 Agent，让原本受限于个人认知能力的工作得以并行开展。
但如果团队继续扩大，组织协调、代码集成、沟通和决策的成本又可能逐渐超过新增人员带来的收益。
这与经济学中的规模经济和规模不经济有着相似的逻辑。
不过，人均有效产出最高的规模，未必是企业净收益最高的规模。要判断后者，还需要考虑总产出、人员与算力成本，以及新增产出是否有真实需求。
因此，一家企业对工程师的需求，可能不仅取决于有多少工作需要完成，也取决于它当前处于什么样的组织规模，以及增加一个人究竟能够带来多少边际价值。
Anthropic 减少初级技术岗位的招聘占比，是否部分反映了它当前的组织规模和分工结构？我尚没有足够数据判断。
但这提供了一个值得研究的假说：
企业的最优工程师人数，以及不同资历工程师的最佳比例，可能都随着 AI 能力、任务需求和当前组织规模动态变化。
更有意思的是，AI 本身也在不断移动这个最优区间。
它既可以让更少的人组成一个高效团队，也可能让企业以更低的协调成本管理更大的团队。
所以，也许我真正应该研究的不是「AI 会减少多少工程师」，而是「AI 正在如何改变不同规模团队的最优组织结构」。
最后
回到最初的问题。
Anthropic 减少了初级技术岗位的招聘比例，而我所在团队仍然在招初级工程师。
这两件事并不一定矛盾。
不同企业有不同的任务分布、增长阶段、AI 自动化程度和组织能力。
对于一家公司来说，AI 可能已经替代了大量适合初级员工承担的工作；对于另一家公司来说，AI 则可能让更多初级工程师具备了独立承担任务的能力，从而帮助企业扩张产能。
我不认为可以因此简单地判断初级工程师将消失，也不应该乐观地认为 AI 一定创造更多岗位。
AI 降低了执行的成本，但没有自动消除理解、判断、验证和组织协调的成本。
未来企业真正需要思考的，也许不只是「AI 能够替代多少工程师」，而是：
当算力越来越充裕时，企业应该如何配置有限的人类认知资源，才能创造最大的价值？
这可能比预测某个级别的工程师是否会消失，更值得研究。
参考资料：
- Anthropic, How employment is changing at Anthropic, 2026-10-16
https://www.anthropic.com/research/employment-at-anthropic - Daron Acemoglu & Pascual Restrepo, Automation and New Tasks: How Technology Displaces and Reinstates Labor, 2019
https://www.aeaweb.org/articles?id=10.1257/jep.33.2.3 - P. A. Stephens, W. J. Sutherland & R. P. Freckleton, What Is the Allee Effect?, Oikos 87(1): 185–190, 1999
https://doi.org/10.2307/3547011