AI 中层挤压效应

U 型冲击结论（来源：Thoughtworks 约 2026 年初组织的多公司工程 VP offsite）：

• 资深工程师：AI 是既有技能的放大器。25 年经验让 Simon 能用高阶工程语言和 agent 高效协作、一眼判断"这个 bug 是一句 prompt 就能修的"vs"深不见底的"。经验越厚，放大倍数越大。
• 新人/实习生：AI 解决了 onboarding 成本。基准数字：实习生从"一个月后才能干活"变成"一周内产出有用工作"；Cloudflare 和 Shopify 因此各计划在 2025 年招 1000 名实习生。
• 中层（mid-career）最受挤压：还没积累出可被放大的深厚专长，而新人享受的 onboarding 红利他们已用不上——这是当前最大的开放问题人群。

给被挤压者的行动建议（Simon 个人观点）：

1. 主动用 AI 放大而非替代自己的学习——担心 skill atrophy 就有意识地 push back，把"能回答任何问题的东西"用于学新东西、接更有野心的项目。
2. 学习曲线 2-3 个月的技术如今几乎免费拿下（他因 ChatGPT 会 AppleScript 而用了两年半 AppleScript）→ 把野心阈值整体上调。
3. 唯一的通用技能是 roll with the changes（跟着变化滚动）。
4. 投资自己的 agency：AI 没有人类动机，永远无法替你决定"接下来什么值得做"——这是人不可被替代的部分。

配套的经验失效面：资深者也有作废的资产——多年积累的工期直觉全部失效（"这要两周，不值得做"的判断可能实际只要 20 分钟，因为耗时的 crufty 部分被 AI 覆盖了）。应对：不断把"觉得 AI 做不到"的任务扔给它——失败了是校准模型边界，成功了就是第一手的前沿能力发现。

代价提醒：并行开 4 个 agent 到上午 11 点就会脑力耗尽；重度使用者出现熬夜跑 agent、凌晨四点醒来查结果的赌博式上瘾行为。好的管理层应关注别为短期产出燃尽最好的员工。