AI编程时代程序员会被替代吗？制造业与互联网差异深度解析

引言：一个普通程序员的AI编程实践感悟

最近，随着Claude Code、Codex等AI编程智能体的横空出世，关于"程序员是否会被替代"的讨论再次甚嚣尘上。一位曾经历五次失业、最终在制造业软件岗位稳定下来的B站UP主"柯柯子"，以自身八个月的工作经历，分享了他对AI冲击下程序员职业前景的深度思考。

他的核心观点出人意料：程序员不会那么容易被替代，但不同行业的程序员面临的处境天差地别。

AI编程工具到底有多强？

柯柯子坦言，自从使用Claude Code后，他的工作模式发生了根本性变化。以前他需要在DeepSeek网页版对话，然后手动复制粘贴代码到编辑器；而现在，Claude Code可以直接理解整个项目的上下文，自动修改代码、生成文件，甚至完成测试。

要理解这种变化的革命性意义，需要了解AI编程工具的演进脉络。Claude Code是Anthropic于2025年推出的命令行AI编程智能体，它能够直接在终端中理解整个代码仓库的结构，自主执行代码编写、调试、重构和测试等任务。OpenAI的Codex则是基于其大语言模型构建的云端编程代理，能够并行处理多个开发任务。这类工具与早期的GitHub Copilot有本质区别——Copilot主要做行级代码补全，而Claude Code和Codex属于"代理式AI"（Agentic AI），它们能理解项目上下文、自主规划执行步骤、调用工具链完成端到端的开发任务。这种从"辅助补全"到"自主执行"的跃迁，正是引发程序员职业焦虑的核心原因。

"我上班到现在为止，基本上没有手写过代码，我顶多看一看。"

这种体验让他一度产生了强烈的焦虑感——如果AI编程工具都能做到这些，学编程还有意义吗？程序员的存在价值在哪里？

但经过深入思考和实际工作验证后，他给出了一个更加理性的判断。

互联网 vs 制造业：程序员被替代的风险截然不同

互联网行业：替代风险较高

柯柯子认为，互联网行业的程序员面临的替代风险确实很高。原因很直接：互联网产出的是软件，是可以直接跑在电脑上的数字产品。而AI编程工具恰好擅长这条完整链路——从开发、到测试、到部署，AI都可以一条龙完成。

他特别点名了几类高风险岗位：

传统ERP/CRM系统开发人员：业务逻辑相对标准化，AI完全可以胜任
低代码平台开发者：本身就在做"降低开发门槛"的事，AI比低代码更彻底
纯CRUD（增删改查）类开发：重复性高，最容易被自动化取代

事实上，软件行业对CRUD类工作的自动化努力由来已久。CRUD代表了Create（创建）、Read（读取）、Update（更新）、Delete（删除）四个数据库基本操作，是大量业务系统开发的核心模式。从早期的代码生成器、ORM框架（如Hibernate、MyBatis，它们通过对象关系映射减少手写SQL的工作量），到后来的低代码/无代码平台（如OutSystems、Mendix），行业一直在试图降低重复性开发的人力成本。AI编程工具的出现是这一趋势的最新演进——低代码平台通过可视化拖拽降低门槛，但仍需要人在预设框架内操作；而AI编程智能体则直接理解自然语言需求并生成代码，在灵活性上实现了质的飞跃。这也解释了为什么文中认为AI比低代码"更彻底"。

制造业软件开发：难以替代的"最后一公里"

相比之下，制造业的软件从业人员有着天然的"护城河"。柯柯子从自身经历总结了几个关键原因：

第一，上机测试无法被AI替代。 制造业涉及大量实体设备，软件开发完成后必须进行上机调试。这些设备可能是工业机器人、数控机床、自动化产线——一旦出现安全问题，后果不堪设想。AI无法承担这种物理世界的责任，必须有人亲自到现场完成调试。

第二，岗位职责远超"写代码"本身。 在制造业，软件工程师需要跟客户沟通需求、跟销售协调方案、跟产线工人对接调试——这些涉及大量人际交互和责任承担的工作，不是AI能够接管的。

第三，行业知识壁垒深厚。 制造业的软件开发需要深入理解工艺流程、设备特性、安全规范等领域知识，这些经验积累是AI短期内难以替代的。

理解这一点，需要了解制造业软件所涉及的一个互联网行业不常接触的概念——OT（Operational Technology，运营技术）与IT（Information Technology，信息技术）的融合。OT指直接控制物理设备和工业过程的硬件与软件系统，包括PLC（可编程逻辑控制器，用于工业自动化中的实时逻辑控制）、SCADA（数据采集与监控系统，负责远程监控整个工业流程）、DCS（分布式控制系统，常见于流程工业如化工、电力）等。制造业软件工程师的工作往往横跨IT和OT两个领域：既要编写上层应用软件（如MES制造执行系统、设备管理平台），又要理解底层设备的通信协议（如Modbus、OPC UA、PROFINET等工业通信标准）、实时控制逻辑和安全联锁机制。这种跨域知识的要求形成了天然壁垒，也使得工业场景对软件的可靠性和实时性要求极高——一个bug在互联网产品中可能只是用户体验下降，但在工业控制系统中可能导致设备损坏甚至人员伤亡，这正是"上机测试"不可省略、AI无法替代人类工程师的关键原因。

技术不是全部，但仍是入门的必要条件

柯柯子提出了一个非常务实的观点：你至少要知道"做什么"，才能让AI去"怎么做"。

这个观点背后有深厚的软件工程理论支撑。软件工程领域有一个被广泛引用的经典论断：软件项目失败的最大原因不是编码错误，而是需求错误。Fred Brooks在其名著《没有银弹》中指出，软件开发的根本困难在于"概念构造"而非"表达实现"——也就是说，弄清楚要构建什么，远比实际编写代码更难。需求工程（Requirements Engineering）是软件开发生命周期中最具挑战性的阶段之一，包括需求获取（从利益相关者那里提取真实需求）、分析（发现需求间的冲突和遗漏）、规格说明（将需求转化为精确的技术描述）和验证（确认需求确实反映了用户意图）四个核心活动。现实中的需求往往是模糊的、矛盾的、甚至是客户自己都没想清楚的。一位优秀的软件工程师需要通过反复沟通将隐性需求显性化，将业务语言翻译为技术语言。AI编程工具再强大，它的输出质量仍然受限于输入prompt的质量——而写出高质量prompt的能力，本质上就是需求分析和问题拆解的能力。这也是为什么业界越来越重视"提示工程"（Prompt Engineering）：它不是一种全新技能，而是传统需求分析能力在AI时代的新载体。

这意味着：

需求理解能力是核心竞争力。 如果你连需求都讲不明白，再强大的AI编程工具也帮不了你。你必须能够清晰地描述问题、拆解任务、设计方案。
经验决定质量上限。 AI给出的方案未必是最优的。如果你有足够的行业经验，你给出的方案可能比AI更好，这就是你的不可替代性所在。
技术是入门门槛，经验是长期壁垒。 技术知识帮你进入这个行业，但真正让你站稳脚跟的，是对整个业务流程的理解和多年积累的实战经验。

"并不是说这个工作什么人都可以干，还是有区别的。"

AI是工具，不是敌人

柯柯子的个人经历本身就是"AI赋能程序员"的最佳案例。作为一个普通二本计算机专业毕业生，他曾五次失业，但最终借助AI的力量——从简历优化到日常开发——在制造业软件岗位上站稳了脚跟。

他提到，自己的很多同事是大专甚至高中学历，但在制造业软件领域同样发展得很好。这说明：

制造业软件的门槛并没有想象中那么高
AI大幅降低了技术入门的难度
学历在中小企业和制造业中并非决定性因素

这一现象也映射了更宏观的行业趋势。根据多项行业调查，中国制造业正经历数字化转型的加速期，智能制造相关的软件人才缺口巨大。与互联网行业动辄要求985/211学历不同，制造业企业更看重实际能力和行业经验——能不能把设备调通、能不能解决产线上的实际问题，远比学历背景重要。AI工具的普及进一步放大了这一特征：当编码本身不再是最大障碍时，对设备、工艺和业务流程的理解就成为真正的稀缺资源。

给想入行程序员的实用建议

综合柯柯子的分享，对于正在考虑是否入行计算机的人，有以下几点值得参考：

不要因为AI而放弃入行。 AI是生产力工具，它解放的是重复劳动，而不是消灭整个职业。
选择赛道比选择技术更重要。 制造业、医疗、能源等与物理世界深度绑定的行业，软件岗位的抗替代性远高于纯互联网行业。
学会"驾驭"AI而非"对抗"AI。 把AI当作你的编程助手，专注于提升需求理解、方案设计和业务沟通能力。
按部就班，不要过度焦虑。 该学的基础知识还是要学，该投的简历还是要投。AI改变的是工作方式，而不是让工作本身消失。

结语

程序员会被替代吗？答案取决于你在哪个行业、做什么类型的工作、以及你是否愿意拥抱变化。在AI编程时代，真正危险的不是AI本身，而是拒绝使用AI的人。正如柯柯子所说："一定要去正确地拥抱它。"

对于普通人而言，与其焦虑AI是否会抢走你的饭碗，不如思考如何让AI成为你手中最锋利的工具。毕竟，一个会用AI的普通程序员，可能比一个不会用AI的资深程序员更有竞争力——这才是这个时代最大的变量。