Mark Russinovich (Azure के CTO) और Scott Hanselman (Microsoft के अनुभवी डेवलपर रिलेशन्स व्यक्ति) ने Communications of the ACM के अप्रैल अंक में एक राय लेख प्रकाशित किया जिसमें तर्क है कि सॉफ़्टवेयर संगठनों में AI को जिस तरह अपनाया जा रहा है वह जूनियर डेवलपर पाइपलाइन को संरचनात्मक रूप से खोखला कर रहा है। जो डेटा वे उद्धृत करते हैं वो इस लेख को सामान्य AI-और-रोज़गार टिप्पणी की तुलना में ख़ारिज करना कठिन बनाता है। एक हार्वर्ड अध्ययन ने पाया कि GPT-4 के विमोचन के बाद AI-एक्सपोज़्ड नौकरियों में 22 से 25 साल वालों का रोज़गार लगभग 13% गिरा। वे जिस अन्य शोध का संदर्भ देते हैं उसके अनुसार एंट्री-लेवल डेवलपर हायरिंग 2022 से 67% कम है। 2025 की शुरुआत में MIT के संज्ञानात्मक काम ने दिखाया कि लेखन कार्यों के लिए ChatGPT का उपयोग करने वाले वयस्कों की मस्तिष्क गतिविधि कम और बिना सहायता काम करने की तुलना में बदतर स्मृति थी — वो "AI drag" जो वे अभी तक उन्हें संचालित करने का निर्णय न रखने वाले जूनियर इंजीनियरों के लिए LLMs उपयोग करने के लिए गढ़ते हैं। और Microsoft के अंदर से, वे Project Societas का उल्लेख करते हैं, एक आंतरिक Office Agent प्रोजेक्ट जिसने 110,000+ लाइन कोड का उत्पादन किया जिसे 98% AI-जेनरेटेड बताया गया, सात अंशकालिक इंजीनियरों द्वारा 10 हफ़्तों में बनाया गया।

जिसे वे "संकीर्ण होते पिरामिड परिकल्पना" कहते हैं वह तंत्र तर्क का वो हिस्सा है जो टिकता है। जूनियर डेवलपर्स ऐतिहासिक रूप से कम-दांव वाले एंट्री-लेवल काम के माध्यम से सीखते हैं — बग फ़िक्स, सरल फ़ीचर कार्यान्वयन, रिफ़ैक्टरिंग — और वो काम बिल्कुल वही है जिसे AI अब सबसे अच्छा संभालता है। जब पिरामिड का तल ग़ायब हो जाता है, तो वो प्रशिक्षु पथ भी ग़ायब हो जाता है जो वरिष्ठ इंजीनियरों की अगली पीढ़ी पैदा करता था। Russinovich और Hanselman की फ़्रेमिंग है कि AI वरिष्ठ इंजीनियरों को बड़ी उत्पादकता बढ़त देती है जबकि उन जूनियर्स पर AI drag थोपती है जिनके पास अभी तक AI आउटपुट को सत्यापित, एकीकृत और ओवरराइड करने का निर्णय नहीं है। दोनों प्रभाव विपरीत दिशाओं में मिलते हैं: वरिष्ठ उत्पादकता बढ़ती है, जूनियर करियर निर्माण धीमा होता है, और कंपनी मध्यम-अवधि पाइपलाइन की क़ीमत पर अल्पकालिक स्टाफ़िंग समाधान के लिए अनुकूलित करती है।

उनका प्रस्तावित हस्तक्षेप मेडिकल शिक्षा से उधार लिया गया एक प्रिसेप्टर मॉडल है। जूनियर डेवलपर्स को असली उत्पाद टीमों के भीतर वरिष्ठ मेंटर्स के साथ जोड़ा जाता है, मेंटरशिप को प्रथम-श्रेणी डिलीवरेबल के रूप में मापा और मुआवज़ा दिया जाता है, प्रिसेप्टरशिप एक साल या अधिक चलती है, और स्पष्ट "AI धोखा है" कक्षाएँ हैं जहाँ जूनियर को मॉडल के बिना अंतर्निहित कार्य को समझने का प्रदर्शन करना होता है। Russinovich ने पुष्टि की कि Microsoft इसे आंतरिक रूप से पायलट कर रहा है। लेख के बाद चली चर्चा में ईमानदार पुशबैक — Reddit और Register फ़ोरम, साथ ही Charity Majors से एक तीखी टिप्पणी — यह है कि औसत कंपनी के लिए गणित काम नहीं कर सकती। एक जूनियर को उत्पादक बनने में लगभग दो साल लगते हैं। एक AI कोडिंग असिस्टेंट आज एक मिड-लेवल डेवलपर को शायद 30% अधिक उत्पादक बनाता है। तिमाही कमाई चक्रों पर चलने वाली कंपनियाँ विश्वसनीय रूप से दूसरा विकल्प चुनेंगी। Majors ने जोड़ा कि पिछले कुछ सालों में वो हर जगह जहाँ उन्होंने वास्तव में जूनियर्स को हायर होते देखा है, चार्ज वरिष्ठ इंजीनियरों ने आंतरिक रूप से लॉबी करते हुए लीड किया था — जिसका मतलब है कि डिफ़ॉल्ट संगठनात्मक प्रोत्साहन वो है जो प्रिसेप्टर मॉडल को चाहिए उसके विपरीत है।

बिल्डर्स और इंजीनियरिंग प्रबंधकों के लिए, यह उन कुछ AI-और-रोज़गार लेखों में से एक है जो डेटा-समृद्ध है ताकि इस पर कार्य किया जा सके न कि केवल इशारा किया जा सके। आपके अपने संगठन के अंदर गंभीरता से लेने योग्य प्रश्न हैं: पिछले 12 महीनों की आपकी कितनी हायर मिड-लेवल से नीचे थीं, आपके पास जो जूनियर हैं वे AI-भारी वातावरण में वास्तव में कौन से विशिष्ट कार्य कर रहे हैं, क्या आपके वरिष्ठों को मेंटरशिप प्रयास के लिए किसी भी रूप में मुआवज़ा दिया जाता है, और यदि टीम में कोई जूनियर वरिष्ठ नहीं बनता है तो आपका तीन साल का स्टाफ़िंग मॉडल कैसा दिखता है? ईमानदार चेतावनी यह है कि अंतर्निहित रोज़गार डेटा विवादित है — कुछ श्रम अर्थशास्त्री तर्क देते हैं कि GPT-4 के बाद की हायरिंग गिरावट AI विशेष रूप से की तुलना में 2023-2024 की व्यापक तकनीक मंदी को अधिक दर्शाती है, और 67% संख्या इस पर बहुत निर्भर है कि "एंट्री-लेवल" को कैसे परिभाषित किया जाता है। हार्वर्ड अध्ययन ने उद्योग-स्तरीय प्रभावों के लिए नियंत्रण किया लेकिन पूरी तरह नहीं। लेख इस बात में सही है कि कुछ हो रहा है; मात्रा और AI विशेष रूप से जो कारण-हिस्सा रखती है वो वो हिस्सा है जहाँ सावधान काम अभी तक नहीं हुआ है। प्रिसेप्टर मॉडल सही प्रकार का हस्तक्षेप है जिसके लिए तर्क करना है, चाहे सबसे निराशावादी संख्याएँ टिकें या नहीं।