AI 是否会取代软件工程师，一直是生成式 AI 冲击就业讨论中最受关注的问题之一。普林斯顿大学的 Arvind Narayanan 与 Sayash Kapoor 在合著文章中，选择软件工程这一最适合被 AI 颠覆的职业作为切入点，来检验“AI 导致大规模失业”的叙事。他们的核心结论是：现有证据足以否定“一旦 AI 能力达到某个临界点就会引发大规模裁员”的说法；而软件工程几乎没有监管壁垒，如果连这个行业都未被大规模裁员波及，其他受监管或受制度保护更多的职业，缓冲空间只会更大。
文章首先引用了一项具体数据作为反例。2025 年 3 月，纽约州成为美国首个在 WARN Act（《工人调整与再培训通知法》）申报中增加 AI 披露选项的州。在该制度实施后的第一个完整年度里，超过 160 家公司提交了 WARN 通知，但没有一家勾选“与 AI 相关”的选项。作者认为，这至少说明官方裁员数据尚不支持 AI 正在造成大规模失业的判断。
接着，作者把讨论从“AI 是否能写代码”转向“写代码到底是不是软件工程的瓶颈”。AI 确实大幅加速了把代码敲进计算机这一环节，但任务分解调查显示，工程师的时间大量花在会议、调试等事项上。问题随之而来：开发者在会议里做什么，为什么这些事 AI 做不了？随着能力提升，调试是否也会被自动化？为回答这些问题，作者转向定性研究，从软件工程师自身对工作的理解出发，寻找真正抵抗自动化之处。
分析识别出三个真正的瓶颈。第一是决定并明确要构建什么，也就是需求定义与产品决策；第二是验证交付物并对结果负责，即审查、测试与承担后果；第三是深层次的人类理解，包括对代码库、业务和环境的知识积累，而前两项恰恰依赖这种理解。作者强调，这些能力并不是单纯的编码技能，而是嵌在组织、历史与业务语境中的判断力。
Simon Willison 在评论中补充了自己的体会：AI 助手确实能在“决定构建什么”和“验证交付”这两个环节提供帮助，但真正构成其工作价值的仍然是“深层次的人类理解”。他的说法是，即便拥有世界上所有的 AI 辅助，他产出的价值仍取决于自己对问题的理解深度，以及对智能体所构建方案的理解决定。换言之，AI 降低了执行成本，却没有替代对问题与方案的理解责任。
这篇文章的论证路径值得注意：它没有否认 AI 提升生产力的作用，而是指出能力提升与岗位消失之间存在多个中间环节，包括任务结构、问责机制与知识积累。软件工程作为 AI 渗透最深的领域之一，其就业数据与工作结构仍显示人类判断处于核心位置。这一结论对政策讨论也有意义：在监管更少、技术采用更快的行业尚且如此，其他职业面对 AI 冲击时可能更具韧性。