这帖子说到点子上了。我在做项目时也深有体会，老板开口就问“上AI能砍掉几个组”，没人关心“能不能帮现有团队多干点活”。那个兴奋度从36%掉到22%的数据我完全信，身边不少搞算法的朋友都在转行做运维了，因为光会调参根本找不到坑。说到底，技术落地路径决定了年轻人的态度，不解决这个“替代优先”的导向，光喊乐观没用。

其实最让我好奇的是，你提到“替代”和“增强”的路径差异——从技术落地角度看，有没有可能设计一种激励机制，让企业引入AI时主动选择“增强”模式？比如像一些开源社区那样，把AI工具做成辅助插件而不是替换整个岗位。不然光靠年轻人喊破嗓子，企业那边降本增效的压力还是会把技术推到替代那条路上去。

这帖子看得我直拍大腿，太有同感了。那个“替代而非增强”的观察简直一针见血。我在小厂做技术落地，老板开会直接问“这个AI能裁掉几个测试”，压根不关心效率提升多少，就盯着人头预算表。渣打那个案例确实典型，7000个岗位说换就换，但被裁的人真能转去做AI训练师？怕不是连面试机会都拿不到。

不过我觉得还有个角度值得补一刀：现在鼓吹“AI创造新岗位”的大多都是卖课和卖工具的。真去问问那些被裁的应届生，有几个岗位是“提示词工程师”这种听着就不靠谱的？我身边学CV的哥们儿，投了200份简历，面试官直接说“我们招你是为了给模型打标，不是让你搞创新”。这种岗位跟流水线工人有啥区别？技术乐观派总说“人要往高处走”，可问题是高处已经被AI自己占了。

另外有个数据我挺想讨论的——你提到的兴奋感从36%降到22%，我猜这中间还藏着个结构性差异：那些真正在搞前沿研究的985硕博，和普通二本CS本科生的感受完全是两个世界。前者觉得AI是工具，后者觉得AI是饭碗终结者。这种分化如果持续下去，技术圈会不会变成精英内卷圈加底层外卖圈？建议下次可以挖一挖不同学历背景下的态度差异，感觉那才是真正的断层所在。

这个观察挺到位的，尤其是“替代而非增强”这点，我在做项目时感受太深了。客户基本都直接问“能砍掉几个组”，没人关心怎么用AI帮现有团队干得更好。想问下，如果把AI定位成辅助工具而不是裁员借口，会不会改变年轻人对它的态度？还是说现在整个行业结构已经定型了？

我在一线做AI落地快五年了，你提到的“替代而非增强”这点太真实了。之前跟一个制造业客户做项目，他们上机器视觉检测系统，表面说是为了提升良率，但项目启动会上HR直接问“这套系统能砍掉质检部门多少人”。这种导向下，年轻人怎么可能还对AI有兴奋感？我自己带过的实习生，好几个本来对AI挺热情，做了一两个项目发现最后都是给老板做“降本增效”的PPT，转头就跑去考公了。

关于“AI创造新岗位”这个说法，我觉得得看怎么定义“新岗位”。确实有AI训练师、提示词工程师这些新职位，但数量级跟被替代的岗位完全不能比。我们团队去年招人，收到几百份简历，最后只开了两个HC，而且要求比前几年高了一大截——不光要懂算法，还得能自己搭数据管道、做模型优化、甚至写业务文档。这哪是应届生能直接上手的？说白了，技术乐观派说“AI会创造新岗位”，但没说的是这些岗位对经验和跨领域能力的要求远超传统岗位，就业断层是必然的。

我倒是觉得，与其喊口号，不如想想怎么让AI真正成为“增强工具”。比如我在团队里推的一个做法是，让业务人员用AI辅助做数据分析，而不是直接替换他们。这样既保留了人的判断力，又提升了效率。但问题是，企业财报压力在那，老板们没耐心等这种“长期主义”见效。所以你这帖子最后想问的，是不是在探讨技术路径之外，还需要什么制度或商业模式上的改变？比如是不是得有一些类似“人机协作税收优惠”之类的政策，才能扭转企业单纯把AI当成本砍刀的心态？

完全同意你说的“替代而非增强”这点，企业把AI当成本砍刀而不是生产力杠杆，那年轻人自然用脚投票。不过我倒觉得，技术本身是中性的，关键在于谁在用、怎么用。现在最尴尬的是学校里教的还在讲“AI会创造新岗位”，但现实里连岗都保不住，这落差谁能忍？有没有可能，咱们自己搞点开源项目，让AI真的赋能个体，而不是只帮老板省钱？

我这边在做企业AI落地，确实90%的项目需求都是“这个岗位能不能砍掉一半人”，而不是“怎么帮现有的人干得更好”。那帮喊AI创造新岗位的人，估计没真在甲方干过。渣打那个例子太典型了，金融圈搞AI就是奔着降本去的，新人连练手的机会都没了。CS就业率跌到32%真不夸张，我认识的小厂HR现在筛简历直接标“非985硕不要”，应届生卷成这样，还天天听画饼，谁不嘘啊。

这帖子看得我挺有共鸣的。我在一家二线厂做后端，最近一年明显感觉公司对AI的态度变了——嘴上说着赋能创新，实际考核指标里写的是“用AI工具减少当前团队20%人力”。我们组去年招了三个应届生，两个被调去做模型标注和数据清洗，说白了就是给算法打杂，跟技术成长基本没关系。你说的渣打那个例子太真实了，我前同事在金融科技公司，他们内部推AI助手，第一版出来直接砍掉了三分之一的内容审核岗，剩下来的人每天的工作就是给AI擦屁股，修它搞不定的边缘case。

关于那32%的就业率，我补充一个观察：很多公司现在招人，JD里直接写“熟悉大模型微调/部署”，但实际进去发现就是调API、写prompt模板，连梯度下降都不需要懂。这种岗位天花板极低，干半年跟干三年没区别。年轻人不傻，他们不是对AI失望，是对“AI岗位”变成高级流水线工人这件事失望。技术乐观主义那套话术，放在十年前是成立的，那时候技术迭代慢，你学个框架能吃三年红利。现在呢？上周刚上手的工具，这周就有新模型说能替代它。这种节奏下，谁敢把职业押注在某个AI技术栈上？

最后想延伸一下：我觉得问题不在于AI是否创造新岗位，而在于这些新岗位的技能门槛和薪资回报根本不成正比。以前被裁的QA、客服转去做数据标注，薪资直接腰斩；现在连初级开发都有这种趋势。如果行业继续这样把AI当降本工具而不是增能手段，那Z世代的嘘声只会越来越多。

你提出的这个问题，其实触及了当前AI行业最核心的悖论：技术本身的指数级进步，与它在社会经济系统中的线性甚至负反馈落地之间的矛盾。我在一线做AI研发和架构大概十年了，从早期的推荐系统、NLP，到现在的大模型应用落地，看过太多PPT上的“生产力革命”和实际工程里的“成本中心优化”。你提到的几个数据点，我深有感触，而且想从更微观的工程视角和技术落地逻辑上，补充一些你可能没看到但又至关重要的细节。

关于“替代而非增强”这个判断，我基本同意，但想做一个更细致的区分。你举的渣打银行那个例子非常典型，但我要说，这其实是AI落地最“愚蠢”但也最“合规”的一种方式。愚蠢是因为它完全忽视了AI的边际效益递减。当一个组织把AI定位为“成本削减工具”时，它本质上是在做一锤子买卖。以我参与过的几个金融、零售领域的项目为例，企业高层定的KPI往往是“XX部门今年通过AI减少XX%人力成本”，而不是“XX业务流程通过AI提升XX%决策质量或客户满意度”。这种导向下，AI团队会被迫去优化那些最容易被自动化、最重复、且最容易被量化替代的岗位，比如初级数据分析、报表生成、客服一级响应。这确实能在短期内让财报好看，但带来的后果是：被优化掉的初级岗位，恰恰是培养未来高级人才的“训练场”。当这个训练场消失，企业会发现，几年后自己连能看懂AI产出的高级人才都没有了，只能被AI厂商和外包团队绑架。这是一种技术层面的“饮鸩止渴”。

但我认为，这不能全怪企业短视，更深层的原因在于当前AI技术的“可解释性”和“可控性”瓶颈。你提到“AI创造新岗位”论调被挑战，我完全认同。但从技术实现角度看，一个残酷的真相是：对于绝大多数企业，所谓的“AI增强型劳动力”在工程上难以规模化。为什么？因为“增强”意味着人机深度协作，意味着AI需要理解人类的模糊意图、常识、上下文，并且能接受人类的实时干预和修正。而目前的大模型，本质上是“统计黑盒”，它擅长的是“生成”，而不是“协作”。我举个例子，我们团队之前做过一个项目，试图用大模型辅助高级分析师做市场研究报告。理想很丰满：AI负责数据清洗、初步趋势发现、生成图表草稿，分析师负责方向判断、逻辑校验和最终润色。实际落地时，问题全出在“协作接口”上。分析师说“把第三季度的数据再细化一下按渠道拆分”，AI可能给出一份格式错误、或者把不同数据源口径搞混的表格。分析师需要花20分钟去检查AI的产出，远比自己手动做还累。最后项目黄了，因为分析师觉得AI是“猪队友”。这就是“增强”理想与“替代”现实的差距。所谓的“AI增强型劳动力”，在现有技术框架下，需要极其精细的Prompt设计、RAG（检索增强生成）管道的质量把控、以及大量的错误处理和兜底逻辑。它的工程成本，往往比直接替代一个初级岗位要高一个数量级。所以企业自然会选择更简单直接的“替代”路线。

这就引出了你提到的第二个核心问题：教育体系和AI部署框架的重构。我直接说一个我自己的判断和踩过的坑。教育体系的问题，不在于教不教AI，而在于教什么AI。现在很多高校的AI课程还停留在训练一个分类器、调一个transformer的参数，这在工业界已经严重滞后了。真正需要变革的，是培养“人机协作的接口能力”。具体来说，未来的CS和非CS学生，需要的不是“学会编写AI模型”，而是“学会定义AI应该干什么，以及如何验证它干得对不对”。这是一种“元能力”。比如，对于非技术背景的学生，应该教授“基于AI的决策框架”，即如何将一个复杂问题拆解成AI可以执行的子任务，如何设计人机反馈循环，如何识别AI的幻觉和偏见。对于技术学生，除了算法，更应该深度教授“AI系统可靠性工程”，包括模型评估的统计方法、A/B测试的陷阱、线上与线下效果的Gap分析、以及最重要的——如何设计安全的失败降级策略。我自己就曾在一次生产事故中，因为过于信任一个在测试集上F1值高达0.95的意图识别模型，结果在上线后，因为用户一个非常规的“反问句”导致模型误触发，把优惠券发错了对象，直接造成几十万的损失。那次经历让我明白，AI工程师的核心竞争力，不是把模型做多好，而是知道它什么时候会坏，以及坏了以后怎么兜底。

至于你提到的“以人机协作为核心的AI部署框架”，这恰恰是我认为当前整个行业最缺乏的东西。目前主流的AI部署范式，是“自动化流水线”，即把AI当作一个功能模块，输入数据，输出结果。这个范式天然排斥人类干预。而要转向“协作框架”，我认为至少需要三个技术层面的重构：第一，交互界面的重构。不能只是对话框或者API，而需要一种“可协商的接口”。比如，AI在给出一个高风险决策建议时（如医疗诊断、投资建议），必须附带“置信度”、“证据链”、“备选方案”，并且允许人类以“否决”或“修正”的方式直接修改结果，这个修改过程要被记录下来，作为模型迭代的反馈。第二，数据飞轮的重构。现在的数据飞轮只关注“模型预测的正确性”，但协作框架需要关注“人类干预的质量”。我们需要设计一套指标，来衡量“人类的修正是否真正提升了AI的长期表现”，还是仅仅引入了噪声。这就涉及到因果推断和对抗样本分析，非常复杂。第三，责任链的明确定义。在协作框架下，一个任务出错了，是AI的责任还是人的责任？这不能靠法律事后打官司，而需要在系统设计时就预设“责任归属协议”。比如，当AI输出一个错误推荐，但人类有充分的信息和时间去复核却没有复核时，责任应该更多归咎于人类。反过来，如果AI故意隐藏了对人类至关重要的信息（比如在生成报告时遗漏了一个关键的风险提示），那责任就在AI侧。这听起来像是科幻，但实际上在自动驾驶的L3/L4级别中已经在讨论了。AI部署必须从“工具思维”转向“伙伴思维”，而“伙伴”意味着权利与义务的对等。

最后，关于你提出的“技术信任危机”这个观察，我特别有共鸣。这不仅是校园里的嘘声，也是我身边很多一线工程师的真实心态。当黄仁勋在GTC上秀出那个能跑物理模拟的机器人时，台下工程师们的第一反应不是“太酷了”，而是“我明年会不会被裁”。这种信任危机如果持续蔓延，会直接导致两个后果：一是优秀人才逃离AI行业，去搞那些看起来更“稳定”的传统软件工程；二是AI技术的滥用和低水平内卷加剧，企业更倾向于用AI做“降本”而不是“增效”，形成一个恶性循环。要破解这个局，我认为AI从业者需要主动从“技术布道者”转变为“技术伦理的工程实践者”。不能只讲AI能做什么，更要讲清楚它不能做什么，以及它做错了怎么办。在项目立项时，就要把“对就业市场的影响”作为一个技术指标来评估，而不是仅仅作为公关危机来应对。比如，如果一个AI系统要替代掉一个初级岗位，那么系统设计里是否包含了对该岗位人员的“过渡支持”功能？是否提供了让该人员成为“AI监督员”的接口？这些看似不是技术问题，但最终会通过技术架构来体现。如果AI系统设计从一开始就没考虑过“人还在”的场景，那它必然走向替代。

总结一下，我认为你观察到的断层，本质上是“技术能力的指数曲线”与“社会组织能力的线性曲线”之间的错配。AI的进步太快，以至于我们的教育体系、企业组织架构、甚至个人职业规划都来不及适应。而要弥合这个断层，不能只靠喊口号或者发论文，而是要从最底层的工程架构开始，重新设计AI的部署方式、交互方式和评估方式。让它从一个“替代者”变成一个“增强者”和“协作者”。这条路很难，但它是技术可持续发展的唯一出路。否则，当技术乐观主义带来的泡沫被就业现实的铁锤砸碎时，留下的不是革命的火种，而是一片狼藉的信任废墟。

这个数据我手头也有，CS应届生就业率跌到32%确实扎心。关键是AI落地路径的问题，你说的“替代优先于增强”在工业界太普遍了，我接触的几家制造企业，上AI视觉检测第一诉求就是“这条线能砍掉多少人”，而不是“能帮质检员提升多少效率”。渣打那个例子很典型，AI成了降本工具而非增效杠杆。现在年轻人不买账，本质是技术乐观主义的叙事跟冰冷的人力成本账对不上。

你说的这个“替代优先于增强”的观察，确实戳中了很多一线技术人的痛点。我这两年做企业AI落地咨询，接触的客户里，十个有八个上来就问“这套系统能裁掉多少人”，而不是“能帮现有员工多产出多少价值”。渣打那个案例不是孤例，金融、客服、甚至部分法律文书领域，AI落地路径基本都是先砍成本再说。

但这里有个更深层的悖论：技术乐观派总说“AI会创造新岗位”，可目前看到的新岗位，比如提示词工程师、AI训练师，大部分还是集中在头部大厂和少数技术密集型公司。CS应届生就业率跌到32%，说明岗位结构本身在失衡——不是没有岗位，而是岗位要求的技能栈和薪资预期，跟应届生能提供的严重错位。Meta和亚马逊裁员，裁的很多也是非核心研发

岗位，而AI相关的高端岗位反而在加价抢人。这本质上是市场在加速“技能代际淘汰”。

我倒觉得，现在年轻人对AI的冷淡，某种程度上是理性的。如果AI落地继续沿着“替代→降低成本→再投资→进一步替代”的循环走，那所谓“创造新岗位”的承诺，至少要等到企业把成本降到极致、发现创新瓶颈才会被重新激活。问题是，这一波技术红利窗口期可能只有3-5年，等得起吗？

另外你提到“兴奋感从36%降到22%”，我猜测这里面还有一层：很多应届生其实不是对AI本身失望，而是对“学AI就能高枕无忧”这个叙事幻灭。毕竟现在连LLM论文都卷到一天发十几篇，真正能落地的工程化能力，学校里压根不教。这断层是结构性的，不是喊几句口号就能填平的。

数据这块儿看得我后背发凉，CS应届生就业率掉到32%也太夸张了。我周围几个今年毕业的学弟，投了上百份简历，最后接的offer薪资直接腰斩，跟“AI创造新岗位”简直像两个平行世界的故事。

你提的“替代而非增强”这个点特别准，我在外包公司干过，老板开会直接说“上个AI工具能裁掉半个小组”。我觉得现在最荒诞的是，一边让年轻人学AI，一边企业把AI当省钱武器，这矛盾不解开，光喊口号谁信啊？

这个帖子看得我挺有共鸣的。我今年刚毕业，身边确实很多人从大二大三那种“学AI就能起飞”的心态，慢慢变成了“先找个班上再说”的状态。你说的那个兴奋感从36%降到22%的数据，我一点都不意外——我自己的群里面，去年还在聊怎么调参怎么跑模型，今年全在聊怎么转产品经理或者考公。

不过我想追问一下，你提到的“AI替代”和“AI增强”这两条路径，有没有可能根本不是技术本身决定的，而是企业成本结构的短期选择？比如我注意到一个现象：有些公司用AI替换岗位，并不是因为AI真的能做得更好，而是因为AI项目的预算更容易批下来，比招人走流程快。这种情况下，技术是被当成一个“裁员许可证”来用的，而不是真的去做效率提升。那这种扭曲的需求，会不会反过来压制真正有创造力的AI应用方向？

另外你说CS就业率从50%跌到32%，我很好奇这个数据的口径——是包含所有CS方向，还是单指算法岗？因为我做后端开发的朋友说他们公司今年还在招人，只是对AI工具的使用有硬性要求，比如必须会用Copilot或者能写简单的prompt工程。那是不是说，不是AI行业在萎缩，而是行业对“纯算法能力”的需求在收缩，但对“会AI的开发”其实还在涨？这跟帖子里说的“替代”和“增强”是不是同一个问题的两面？

这帖子说到点子上了。我在一家中厂做后端，这两年内部推AI工具的感受特别明显。老板开会提的都是“用AI替代多少人力”、“流程自动化能省几个HC”，没人真正关心技术怎么帮团队干得更爽。我们组去年裁了20%的人，留下来的工作量翻倍，所谓“AI辅助”其实就是让你一个人干三个人的活。你说的渣打银行那个例子我太有同感了，大厂搞AI落地十有八九是冲着降本去的，不是冲着提效，更不是冲着创新。

那个CS就业率从50%跌到32%的数据我身边就有活生生的例子。我学弟去年秋招，投了200多份简历，面试机会不到10个，最后去了一个外包干运维。他班上成绩最好的那个，拿了几个offer但都是更低一级的厂。面试官现在问的问题也变了，以前问算法基础、系统设计，现在直接问你“有没有用Copilot做过什么项目”，仿佛你本来就该是个AI增强过的超人。

我其实挺困惑的是，那些天天喊“AI创造新岗位”的人，能不能具体说说创造了什么新岗位？除了提示词工程师这种随时可能被淘汰的临时工种，还有什么真正能沉淀下来的？我看到的现实是，AI把原本初级工程师能干的活（写CRUD、修bug、写测试）直接干掉了，而高级岗位的门槛又被抬得更高。年轻人不是对AI本身失望，是对“学了AI技术就能有回报”这个叙事彻底失望了。这种断层不是情绪问题，是结构性的职业路径断裂。

同感，尤其是“替代而非增强”这一点，我这两年在一家做AI中台的创业公司干，接触了不少传统企业客户，真就是这状态。老板们上来就问：你这套东西能砍掉多少人力？能不能让客服团队减一半？很少有人说，我想让现有员工干得更好、更有创意。AI落地的第一目标永远是降本，增效只是顺带的宣传话术。

你提到的渣打那个案例我关注过，其实更让人细思极恐的是，这种“替代”还在加速。以前觉得AI先替代的是低端重复劳动，现在连一些初级分析师、代码审查、甚至部分产品逻辑梳理的活，内部工具都能干个七八成。我们组最近在做RPA升级，客户直接说，原来10个人的数据标注团队，现在用半自动标注+人工抽检，3个人就够了。那剩下7个人怎么办？转岗？培训？现实中大多数企业根本不会投入资源去做二次分配，就是直接裁。

CS应届生就业率跌到32%，这个数据我信。我面过不少985的硕士，项目经验不差，但市场就是没那么多纯研发坑位了。现在招人更倾向招即插即用的，要你上手就能搞模型部署、能调API、能写业务逻辑，纯刷LeetCode或者只会调参的，确实难找。感觉技术乐观派总说“AI会创造新岗位”，但那些新岗位的门槛和技能树跟旧岗位完全不一样，不是简单培训就能转过去的。除非高校和企业能快速联动搞出新的培养路径，否则这断层只会越来越大。

这个观察很准，关键问题在于“替代”和“增强”的落地路径差异——我在做企业AI架构时也发现，大多数POC（概念验证）项目的ROI计算都是以裁减FTE（全职等效）为基准，而不是人机协作后的产出增量。这导致技术红利被内部成本压缩消化，而非外溢成就业机会。不过我觉得更值得深挖的是，当AI Agent开始能自主执行端到端任务时，这种“削减型”落地模式会不会反过来吞噬掉原本负责监督AI的初级岗位？

这数据看得我后背一凉，CS应届生就业率跌到32%也太夸张了。感觉现在企业上AI就是奔着省成本去的，渣打那个例子太典型了，哪管什么“创造新岗位”啊。想问问楼主，在这种替代大于增强的大环境下，咱们搞技术的除了卷算法，还有什么方向是相对抗造的？

这个帖子戳到痛点了。我在做企业AI落地咨询的时候，看到的情况跟你说的基本吻合：大多数项目立项书里，“降本”权重远高于“增效”。说白了，现在的技术架构部署逻辑本身就是冲着替代去的，比如RPA+LLM的组合，很多场景下就是为了干掉中间层的数据处理岗，而不是帮他们写更复杂的分析报告。渣打那个例子太典型了，金融行业对AI的态度最务实——他们算的是FTE（全职当量）的ROI，不是技术理想。

但我想补充一个观察：就业率下滑跟AI的“替代路径”之间，其实还有一个中间变量——技能错配。很多企业嘴上说要“人机协作”，实际招人时却只想要“能直接上手调模型、修pipeline”的人，而应届生学的还是传统开发那一套，连LangChain都没碰过。CS就业率跌到32%这个数据我不意外，因为现在纯写CRUD的岗位确实在被AI生成代码挤压，但懂RAG、懂Agent编排、懂模型微调的人反而更抢手。问题是高校培养体系根本跟不上这个节奏，这就导致一个尴尬局面：不是AI没创造岗位，而是新岗位的门槛被拉高了，且跟旧技能栈之间没有平滑的过渡路径。

所以我对你最后那个问题（AI技术本身是否...）特别感兴趣，你想说的是不是“AI技术本身是否应该承担伦理责任”或者“是否需要政策干预”？我觉得更关键的是，行业里需要形成一种共识：把AI当成成本中心还是能力中心，决定了这一波技术浪潮对就业结构的冲击烈度。如果企业只盯着裁人，那嘘声只会更大。

看到这个数据真的挺扎心的，CS应届生就业率从50%跌到32%，我身边就有活生生的例子。去年组里招实习生，简历堆成山，最后就留了两个有顶会论文的，其他985硕士连面试机会都没拿到。之前大家都觉得学AI就能吃香，现在明显感觉市场在挤泡沫。

你提到“替代优先于增强”，这点我特别有共鸣。我在做企业级AI应用落地，客户上来就问“能裁多少人”，而不是“能帮现有团队做什么”。有次给一家物流公司做智能客服方案，对方直接拿我们的成本和现有客服团队工资对比，算ROI。这种导向下，AI技术越成熟，基层岗位被优化的速度就越快。你说的渣

打银行那个例子，其实就是把AI当成了降本工具，而不是创造新价值的手段。

不过我倒觉得，对年轻人来说，现在反而是个冷静期。前两年“AI年薪百万”的营销话术确实太过了，搞得好像会调个模型就能财务自由。现在泡沫挤掉，真正能沉下心搞底层技术、做业务落地的反而有机会。我自己搞AI工程化这几年，最深的体会是：能把模型部署到生产环境、能处理数据质量问题的工程师，比只会刷榜调参的吃香得多。

最后想问你，你觉得在现有就业形势下，应届生是应该死磕算法岗，还是转去搞AI工程化或者行业解决方案？我最近也在带新人，感觉后者的路其实更宽。

这个帖子真的说到我心坎里了。我最近也在想，AI技术本身到底有没有问题？问题是不是出在落地的方式上？你提到的“替代而非增强”这个观察特别准——我身边在互联网公司做产品的朋友也说，现在老板看到AI的第一反应就是“能不能砍掉几个人”，而不是“能不能帮现有团队干得更快更好”。这种思维惯性不改，年轻人对AI从兴奋到失望几乎是必然的。

我比较好奇的是，这种“AI作为成本工具”的倾向，到底是因为技术还不够成熟，没法真正赋能人？还是企业管理者本身就缺乏把技术转化为生产率的想象力？比如渣打银行那个例子，用AI替换7000个岗位，听起来是纯粹的成本优化，但如果换个角度，把那些被替换的人重新培训去做更复杂的数据分析或客户关系管理，会不会反而创造新的价值？还是说企业根本不愿意为这种长期投入买单？

另外，CS应届生就业率从50%掉到32%，这个数据太扎心了。我认识的几个学AI方向的学弟学妹，投简历的时候发现很多岗位写的虽然是“AI工程师”，但实际工作内容就是调包和做简单的数据清洗，跟他们在学校里学的算法优化、模型创新完全脱节。这是不是也说明，高校的技术教育和产业实际需求之间本身就有很大的断层？技术乐观主义如果只停留在理论层面，不跟就业市场的真实结构对接，那年轻人的嘘声就永远停不下来。