https://x.com/i/article/2120350095359270912
吴恩达老师谈 AI 就业：AI 一边带来裁员焦虑，一边催生新的岗位需求，新的机会在哪里？
吴恩达老师在 DeepLearning.AI Andrew's Letters 的一封来信中，讨论了这种看似矛盾的变化。他承认失业担忧和裁员造成的痛苦，但认为，关于 AI 将引发大规模失业的叙事，忽略了正在出现的工作机会。
不过，这封信最值得关注的，并不是“AI 创造了多少工作”，是吴老师提出的一种具体组织方式：把懂 AI 的工程师派到市场、招聘、财务等业务团队，让他们直接参与流程改造。
当开发软件的成本下降，工程能力可能不再只集中在工程部门，而是更深入地进入公司的日常运营。
AI 岗位在增长，但不等于整体就业已经转好
吴恩达引用了 LinkedIn 的两项信息：AI 帮助创造了约 200 万个新岗位；AI 工程师进入七个主要经济体增长最快的十个职业之列。
其中，“约 200 万个新岗位”的公开材料没有完整说明覆盖地区、时间范围和计算方法。因此，它能提示新机会正在出现，却不能直接回答 AI 对就业的净影响。要判断净影响，还得同时考虑消失的岗位、岗位职责变化，以及不同人群能否转入新工作。
“增长最快职业”的表述也有口径差异：新闻稿采用七个经济体、2026 年 7—9 月的数据；LinkedIn 首席经济学家的同日文章则采用六个经济体、6—8 月的数据。
不必因此否定增长信号，但也不能把局部职业的热度，理解成整个招聘市场已经回暖。LinkedIn 自己就指出，许多市场的招聘依然缓慢，新机会的出现并不均匀。
这也意味着：AI 工程师需求增加，与其他岗位承受压力，并不矛盾。
为什么他看好“派驻到业务团队的工程师”
过去，市场、招聘、财务等部门也有大量软件需求，但不是每个需求都值得专门投入工程资源。
吴老师提到，在 Coding Agent 出现之前，有些团队偶尔会向市场部门派驻一名工程师，但单个人能完成的工作有限。如今，AI 工程能力提高了开发者的产能，这种安排在他看来变得更划算。
他的团队已经尝试把 AI 工程师派到市场、招聘和财务等部门，承担几类工作：
- 自动化业务流程，减少重复操作。
- 制作仪表盘、分析数据，并把结论清楚地呈现出来。
- 建设数据基础设施，为后续应用提供支持。
- 自建应用，或帮助选择、接入第三方产品。
- 帮助业务同事学习使用 AI，让他们逐步独立完成更多事情。
这里的工程师，不只是接到需求后回去写代码。他们需要理解业务人员每天怎样工作，哪些步骤耗时，哪些问题值得解决，以及应该自建系统还是购买现成产品。
与此同时，业务团队也不只是得到一个工具。通过持续合作，他们对 AI 能做什么、不能做什么的理解会提高。
这是一种双向学习：工程师获得业务知识，业务团队获得更强的技术使用能力。
真正发生变化的，是工作的瓶颈
这封信最重要的观察是：吴老师团队想做的事情，依然多于派驻工程师能够承接的数量。
他认为，瓶颈正在从写代码，转向产品管理、流程重新设计和判断类工作。
这不是说代码已经不重要，也不是说所有开发工作都能交给 Agent，而是说：当实现速度提高，原先被开发成本掩盖的问题会更加突出。
究竟要解决什么？什么需求应该优先？流程里哪些环节可以自动化，哪些必须保留人的判断？这些问题，不会因为代码生成得更快就自动得到答案。
沿着这一思路理解，AI 的作用不只有“用更少的人完成原来的任务”。它也可能让过去不值得做、排不上期或没有资源做的改造，变得可行。
但这里必须区分：这是对其工作方式的分析，不是已经得到就业统计证明的结论。吴恩达分享的是自己团队的经验，没有披露派驻人数、实施周期或量化收益，也没有证明这种模式适合所有行业。
人人都值得学 AI，但专业工程能力仍有差别
吴恩达同时强调了两点：所有人都值得学习借助 AI 搭建软件应用；具备 AI 工程能力的开发者，仍然能完成其他人做不到的事情。
两者并不冲突。
业务人员可以用 AI 更快地验证想法、处理信息，或搭出初步工具。但从一个能演示的应用，走到能够持续使用的业务系统，往往还涉及数据接入、权限、可靠性、维护和效果验证。
从实践角度看，派驻工程师的价值，恰恰可能体现在这些衔接工作：既理解技术，也理解业务，能够判断一个想法应不应该做，以及怎样做才真正有用。
对 AI Agent 从业者而言，这也是一个值得关注的方向。机会未必只在开发新的通用 Agent，也可能在于把已有模型和工具接进具体流程，明确成功标准、异常处理和人工介入的位置。
新机会不会自动成为每个人的机会
讨论 AI 就业，不能只看增长，还要看机会如何分配。
LinkedIn 的同一份材料指出，2025 年超过 90% 的 AI 职位由至少拥有学士学位的人获得，女性约占新 AI 招聘的四分之一。它还观察到，AI 人才供给与雇主需求的地域分布并不完全一致。
这提醒我们：即使某类职位增长很快，也不意味着受冲击的人能够轻松转入。
技能、学历、地域和行业经验，都可能影响一个人能否抓住机会。吴恩达在硅谷观察到 AI 工程人才需求旺盛，但他对全球需求继续增长的判断，仍应理解为预期，而不是已被证明的结果。
我自己的感受
当软件实现变快，谁来发现值得解决的问题，并推动业务真正改变？
“会用 AI 写代码”是一项能力，但“能够借助 AI 完成业务改造”是一组更完整的能力。它需要理解需求、设计流程、验证效果，也需要与非技术同事合作。
这并不能保证个人不受就业变化影响，却比笼统地说“学会 AI 就不会被替代”更有行动价值。
与其只问 AI 会拿走多少工作，不如同时观察：哪些过去因为开发成本太高而长期搁置的问题，现在终于有人能解决了。吴恩达看好的派驻工程师，正是在尝试承担这部分工作。