Mark Russinovich（Azure CTO）和 Scott Hanselman（微软资深开发者关系人物）在 4 月号的 Communications of the ACM 发了一篇观点文章，论点是软件组织当前采用 AI 的方式正在结构性地掏空初级开发者的 pipeline。他们引用的数据让这篇文章比通常的 AI-与-就业评论更难被打发。哈佛的一项研究发现，GPT-4 发布之后，22 到 25 岁人群在 AI 暴露岗位上的就业下降了大约 13%。他们引用的另一项研究把入门级开发者招聘从 2022 年起降低了 67%。MIT 在 2025 年初的认知研究显示，使用 ChatGPT 完成写作任务的成年人，相对没有辅助工作的对照组，大脑活动降低、记忆力变差——他们用"AI drag"来描述这种现象，意指还没有形成判断力的初级工程师在使用 LLM 时所受的负面影响。还有微软自家内部的：他们点名了 Project Societas，一个内部的 Office Agent 项目，七名兼职工程师在 10 周内产出了 11 万多行代码，号称 98% 由 AI 生成。
他们称之为"金字塔变窄假设"的机制，是这个论点最站得住的部分。初级开发者历史上是通过低风险的入门级工作来学习的——bug 修复、简单的功能实现、重构——而这些工作恰恰就是 AI 现在最擅长处理的。当金字塔的底部消失，培养下一代资深工程师的学徒路径也跟着消失。Russinovich 和 Hanselman 的框架是：AI 给资深工程师带来巨大的生产力提升，同时把"AI drag"压在还没有判断力去校验、整合和驳回 AI 输出的初级人员身上。两个效应朝相反方向叠加：资深生产力上升，初级职业养成放缓，而公司却为了短期的人员配置方案优化，代价是中期 pipeline。
他们提出的干预方案是从医学教育那借来的导师（preceptor）模式。把初级开发者和资深导师在真实产品团队中配对，把指导明确度量并按一等交付物来计酬，导师期一年或更长，并且要有明确的"用 AI 算作弊"的课，让初级人员展示自己在没有模型的情况下能理解底层工作。Russinovich 确认了微软正在内部试点这个。文章发表后讨论里诚实的反驳——Reddit 和 Register 论坛，加上 Charity Majors 一个犀利的观察——是对一般公司来说账可能算不过来。一个初级人员大约需要两年时间才能产出高效。一个 AI 编码助手让中级开发者今天的生产力大概多 30%。按季度财报跑的公司会可靠地选第二个。Majors 又加了一条：她见过的过去几年真的去招初级的每一个地方，主导和游说的都是资深工程师——意思是组织的默认激励和导师制需要的恰恰相反。
对开发者和工程经理来说，这是少数几篇 AI-与-就业的文章里数据足够丰富、可以据此行动而不是仅仅做做姿态的。值得在你自己组织内部认真问的问题：过去 12 个月里你招的人中有多少在中级以下、你现在有的那些初级人员在重 AI 的环境里实际在做什么具体任务、你的资深以任何形式被为指导付出补偿了吗、如果团队里没有初级会成长为资深，你的三年人员规划长什么样？诚实的警告是：底层就业数据有争议——一些劳动经济学家认为 GPT-4 之后的招聘下降更多反映的是 2023-2024 年更广的科技寒冬而不是 AI 特定影响，67% 这个数字也很依赖你怎么定义"入门级"。哈佛的研究控制了行业层面的效应但不完美。这篇文章对"有什么事在发生"是对的；具体的幅度，以及 AI 在因果上独自占多少份额，是认真的工作还没做完的部分。导师模式不管最悲观的数字成不成立，都是值得倡导的那种干预。