过去几年，关于AI与就业的讨论，几乎一直被一种简单的替代逻辑所主导：既然AI可以写代码、做表格、整理资料和撰写文案，那么企业需要的人自然会越来越少。在这种叙事里，AI能力每提高一分，就意味着知识工作者的价值下降一分，最终的结果似乎只能是企业不断裁员，而人逐渐退出生产过程。
但吴恩达最近一系列公开表达，却指向了另一种更复杂的现实。
在《华盛顿邮报》“Building America”系列对谈中，吴恩达主要讨论了美国的AI竞争力、开放模型、基础设施和政策选择；在他随后关于AI工程师、前沿部署工程师以及企业AI转型的文章中，他又反复强调，市场正在出现对AI工程人才的强烈需求，特别是那些既能使用AI工具，又能理解客户需求、业务流程和组织约束的人。最近发布的OpenWorker，则进一步体现了他的判断：AI正在从回答问题的聊天工具，变成能够调用文件、邮件、日历和企业软件，直接参与完成工作的执行系统。
把这些观点放在一起，可以看到一个值得注意的变化：AI并没有简单地让所有人的价值一起下降，而是在重新划分工作的价值。越接近标准化执行的部分，越容易被压缩；越接近业务判断、系统设计和结果责任的部分，反而越稀缺。
一、买到AI能力，不等于拥有AI竞争力
过去两年，很多企业对AI的理解仍然停留在采购软件的阶段。给员工购买ChatGPT、Claude或Microsoft Copilot账号，在内部建设一个知识库，再要求各部门提交几个AI应用场景，似乎就算完成了AI转型。
这些工具当然能够提高效率，但问题在于，竞争对手也可以买到同样的模型和服务。当通用AI能力越来越容易获得，单纯拥有模型访问权限，就像企业购买了电脑、云服务器或办公软件一样，很难独立构成长期竞争优势。
真正困难的部分，是如何把通用模型接入企业自己的数据、权限、流程和决策机制。让AI修改一封邮件并不难，但让它理解什么客户值得优先跟进、哪些承诺可能带来合规风险、什么情况下必须由主管审批，就需要大量业务知识和组织经验。模型可以生成答案，却不知道一家企业内部那些没有写进制度、却真实影响业务运行的规则。
因此，企业AI转型的瓶颈往往不是模型不够聪明，而是没有人能够准确回答三个问题：公司真正值得用AI重构的业务是什么，AI应该进入流程的哪一个环节，以及出了问题之后谁来承担责任。
购买API只是获得了一种生产工具，能够围绕这种工具重新组织业务，才有可能形成竞争力。
二、软件岗位没有一起消失，而是开始明显分化
软件工程是目前受生成式AI影响最深的行业之一，也是观察就业变化最合适的样本。过去几年，AI编程工具已经从代码补全发展到可以阅读整个项目、修改多个文件、运行测试和处理部分开发任务。直觉上看，软件工程师应该是最先被大规模替代的一群人。
现实却没有这么简单。
美国劳工统计局预计，2024年至2034年，软件开发者岗位仍将增长约16%，新增超过26万个职位；与此同时，工作内容更偏向按照既定规格编写和修改代码的“计算机程序员”岗位，预计下降6%。Indeed对2026年招聘市场的分析也显示，软件开发职位虽然出现回升，但增长主要集中在高级岗位和AI相关岗位：2025年5月至2026年5月新增的软件开发招聘中，71%来自高级职位，37%来自名称中明确包含AI的职位。
这组数据比“AI会不会消灭程序员”更能说明问题。AI没有让软件行业中的所有人一起升值，也没有让所有人一起失业，而是在加速淘汰其中更容易标准化的部分，同时提高了对经验、架构能力和AI使用能力的要求。
吴恩达提到，目前市场对AI工程师的需求正在快速增长。这些人不只是调用模型API，还要理解提示、Agent工作流、评估体系、数据接口和生产环境，并能够借助Claude Code、Codex等AI编程工具完成真实产品。对于前沿部署工程师来说，技术能力之外，还需要进入客户组织，理解需求、确定优先级、解释复杂技术，并在客户提出不现实要求时作出判断。
这也意味着，AI自动化程度越高，企业越不需要只会按照明确要求完成一段代码的人，却越需要能够判断应该做什么、为什么要做，以及怎样让系统真正运行起来的人。
三、开发成本下降之后，被释放出来的是更多需求
用“杰文斯悖论”解释软件行业的变化，是一个有用的观察角度，但它更适合作为一种分析框架，而不是一条必然成立的定律。所谓杰文斯悖论，是指一种资源的使用效率提高、单位成本降低之后，其总消耗量有时不会减少，反而会因为应用范围扩大而增加。
过去，企业里存在大量没有被满足的软件需求。一个部门可能希望建立内部客户管理工具，财务人员可能需要自动核对报表，运营团队可能希望把几个重复流程连接起来，但这些需求通常规模太小，无法排进正式开发计划。不是因为它们没有价值，而是因为传统软件开发需要产品经理、设计师和工程师共同投入，开发和维护成本超过了能够带来的收益。
AI编程正在改变这笔账。当原型可以在几天甚至几小时内完成，许多过去不值得开发的内部工具和细分应用，开始具备经济上的可行性。代码变得更便宜，不一定意味着企业需要的软件更少，也可能意味着过去被压抑的大量需求开始释放。
但需求一旦释放，新的瓶颈也随之出现。企业不再只是缺少写代码的人，而是缺少能够识别需求、梳理流程、连接数据并判断投入产出的人。AI可以快速生成十个版本，却不能代替企业决定哪一个问题最值得解决；它可以根据要求建立系统，却无法天然知道这个系统应该怎样嵌入组织，才能不增加新的风险和管理成本。
所以，执行成本下降之后，价值并没有消失，而是从执行环节向需求定义、系统设计和业务决策转移。
四、企业需要的不是更多提示词高手，而是能把AI接进业务的人
吴恩达参与的摩根士丹利AI Challenge Lab，很能说明企业AI落地需要什么。这个项目并不是让员工自由使用聊天机器人，而是把业务、技术和战略人员放在同一个团队中，围绕真实业务问题开展为期四周的项目，最终推进了八个具体AI用例。
这个案例的重要之处，不在于摩根士丹利使用了哪个模型，而在于它改变了技术与业务之间原有的协作方式。过去，业务部门提出需求，产品经理整理文档，再交给技术团队开发，每一次传递都会损失信息。AI让开发速度加快之后，这种漫长的层层转交反而会成为新的瓶颈。业务人员需要更加理解技术能够做到什么，工程师也需要更直接地理解业务结果，而不是只等待一份已经写好的需求文档。
吴恩达在谈到Agent工作流时也强调，AI能否完成真实任务，通常取决于任务是否足够明确，企业是否具备必要的数据管道，以及原有流程能否被描述成相对清晰的操作规范。换句话说，大模型能力只是其中一部分，数据、流程和组织上下文决定了它最终能不能工作。
这也是为什么，单纯掌握几个提示词技巧很难成为长期壁垒。随着模型越来越善于理解自然语言，提示词本身会逐渐变得简单，真正稀缺的是知道应该给AI什么背景、开放哪些数据、设置什么权限，以及如何评价结果是否正确的人。
五、不是人不会被替代，而是价值判断正在改变
当然，这并不意味着AI不会减少岗位，更不意味着每一个从业者都能自然地完成转型。标准化程度高、业务上下文较少、结果容易验证的工作，依然会受到直接冲击。基础代码编写、常规资料整理、格式化报告和简单文案，都可能由更少的人借助AI完成。
初级岗位也会面临一个现实问题：过去，很多人通过完成简单任务积累经验，逐渐形成对系统和业务的理解；当这些任务被AI接管后，企业会更倾向招聘能够直接承担复杂工作的高级人才，却减少培养新人的耐心。软件招聘向高级岗位倾斜，已经显示出这种趋势。
吴恩达认为，大学课程还没有及时适应AI编程带来的变化，结果是一方面企业很难找到真正懂AI的开发者，另一方面一些刚毕业的计算机专业学生却面临就业困难。问题不是计算机知识失去了价值，而是市场需要的能力已经从单纯编写代码，转向借助AI创建软件、理解系统和解决实际问题。
因此，AI时代真正危险的，不只是“不会使用AI”，而是一个人的价值长期停留在接收明确任务和完成标准操作上。会不会写提示词并不是决定性的分界线，能不能主动发现问题、组织资源并对结果负责，才是更重要的区别。
做AI时代的“业务架构师”
AI带来的并不是一次平均发生在所有人身上的效率提升，而是一场新的价值重估。当代码、文字和数据处理可以被快速生成，过去建立在操作熟练度和信息差上的部分优势会逐渐减弱；与此同时，行业经验、业务判断、系统思维和责任能力会变得更加重要。
这里所说的“懂业务”，也不只是熟悉几个行业术语，而是理解一家企业怎样赚钱，客户为什么付费，流程在哪些地方真正受阻，技术改变一个环节之后会不会给其他环节带来新的成本。能够把这些问题转化为AI可以执行的系统，同时又知道AI在哪些地方不能被信任，这样的人才会成为企业AI转型的关键。
所以，更准确的结论不是“AI不会替代人”，而是AI不会平均地替代所有人。它会压缩纯执行工作的空间，也会放大那些能够定义问题、组织系统和承担决策责任的人的产出。
当AI越来越会干活，人的价值就不再主要取决于能完成多少任务，而取决于能不能判断什么任务值得完成。代码和文字可以批量生成，但业务方向、取舍标准以及对最终结果的责任，仍然需要人来决定。也正因为如此，AI自动化程度越高，懂业务、会使用AI并且具有判断力的人，反而可能越来越贵。
