5 月科技裁员冲到多年单月高点。Challenger 的数据里，AI 是企业解释裁员时最常提到的理由。

照这个叙事，程序员应该最危险。但 SignalFire 看招聘口径，结论反着来：2025 年，工程岗位是科技招聘里最抗跌的一类。公司招人少了，工程师占比却更高了。

这组数据不能证明“AI 不会影响程序员”。它只能说明一件更现实的事：企业没有停止购买工程能力，只是在重新定价工程师。

招聘账本比裁员话术更冷

SignalFire 追踪数百万员工的职业变化，覆盖 8000 多万家公司。它没有主要看裁员数据，因为被裁员工更新状态往往滞后；它看招聘，观察企业现在愿意把钱投到哪里。

几个关键数放在一起，反常点就很清楚：

口径变化说明
大型科技公司总招聘较 2019 年下降 25%科技公司整体确实收缩
大厂工程岗位招聘仅下降 11%工程岗跌得更少
工程师占大厂新招比例2019 年 46% → 2025 年 55%招得少了，但更偏工程
初创公司工程招聘较 2019 年多 7%创业公司仍在补工程产能

这里的“大厂”，是 SignalFire 定义的 12 家 Tech Majors：Alphabet、Meta、Apple、Amazon、Microsoft、Netflix、NVIDIA、Tesla、Uber、Airbnb、Block、Stripe。

这不是全行业就业统计。它更偏科技公司和创投视角，也不覆盖所有软件工作场景。结论要收住：目前能看到的是，科技公司招聘里，工程岗位比其他岗位更有韧性。

但这已经足够说明问题。企业嘴上说 AI 替人，账本上却更集中买工程能力。裁员理由里有技术变化，也有成本控制和叙事包装。不能把“公司提到 AI”直接等同于“AI 已经替掉这些人”。

AI 没让工程消失，它让强工程团队更贵

黄仁勋讲过一个很有意思的观察：NVIDIA 工程师用了 agentic AI 后更忙了。因为代码写得更快，人会不断产生下一个想法。

这句话有老板话术的味道，但和招聘数据能对上。

软件工程的瓶颈，从来不只是敲代码。需求拆解、系统设计、调试、上线、维护、取舍、和业务目标对齐，这些才是真成本。AI 能加速一部分工作，但加速之后，公司通常不会说“少做点”。它会说：那就多做点。

这就是杰文斯悖论的老故事。煤炭使用效率提高后，英国工业没有少烧煤，反而烧得更多。今天的软件工程不完全一样，但那条经济逻辑相似：当生产成本下降，需求可能被放大。

天下熙熙，皆为利来。公司不是突然更爱工程师，而是发现强工程团队配上 AI，产出杠杆更高。

所以工程师的位置变了。

过去，一部分工程岗位被当作执行成本：排需求、写功能、修 bug、补人力。现在，能把 AI 工具接进开发流程、能做架构判断、能把模糊需求落成系统的人，会更像产能放大器。

这对资深工程师是利好，但不是躺赢。AI 把低层重复劳动压薄，也把对判断力的要求抬高。只会完成明确任务的人，会被更便宜的工具和更强的同事一起挤压。

受影响最大的是新人、团队负责人和投资人

软件工程师最该看清的，不是“岗位会不会消失”这个大问题，而是自己的工作能不能穿过 AI 这层筛子。

对在职工程师，动作很具体：少把安全感放在单点编码速度上，多补系统设计、代码审查、调试能力、产品理解和 AI 工具链使用。能把 agent、代码生成、测试、部署串起来的人，会比只会交付一段代码的人更难替代。

对初级工程师，压力更硬。过去新人可以靠基础实现、重复任务、边做边学进入团队。现在这些任务更容易被 AI 和资深工程师吃掉。工程总需求强，不代表新人入口不会变窄。

对创业者和投资人，这组数据也有用。不要只听公司说“我们用 AI 提效，所以少招人”。要看两个更实的指标：工程招聘占比有没有上升，产品迭代速度有没有真的变快。只裁人、不增产，那不是 AI 杠杆，是费用表好看了一点。

接下来最该盯两个变量。

变量为什么重要读者该怎么用
初级工程岗位数量它决定行业入口有没有被压缩新人要更早展示完整项目能力，而不是只证明会写代码
工程团队产出质量它检验 AI 提效是真杠杆还是口号创业者和投资人要看交付速度、稳定性、留存，而不是只看裁员叙事

还有一个限制不能省。SignalFire 数据显示的是当前招聘偏好，不是长期安全证书。AI 工具还在进化，企业组织也会继续调整。今天工程岗抗跌，不代表每个工程师都抗跌。

开头那个反常点，到这里就不反常了：AI 没有让科技公司不需要工程师，它让公司更想要能把 AI 变成产出的工程师。

模型看着在替人，企业真正做的是筛人。筛掉低价值执行，留下能把工具变成结果的人。