为什么在 AI 时代，仅仅拥有技术卓越就不能让工程师获得晋升

AI 已经对我们工作的方式和技术团队内部的自动化产生了重大影响。在我为 Sombra 工作期间，我看到这种转变不仅改变了团队的交付方式，也改变了职业成长中被重视的东西。很长一段时间里，技术领域的成长路径相当线性：你学习新技能，保持技术上的进步，成为解决难题的人，建立你的声誉和信任，然后通过职业阶梯一步步晋升。

但这种循环现在开始破裂。AI 正在接管许多任务，提高工作效率，降低成本。这并不意味着技术技能不再重要，但它确实使需要判断、结果思考和决策的任务更加重要。

这是我在从工程师到 Sombra 的联合创始人和 CTO 的旅程中亲身经历的转变。五年后的工程师生涯中，我已经成为团队依赖的专家。我是那种可以解决困难的技术问题、承担复杂工作并在项目陷入困境时值得信赖的雇主。但是，某些东西缺失了，我感到停滞不前。

看起来我已经触到了职业天花板，无法进一步晋升。我的技术技能已经达到巅峰，但下一个成长阶段需要一些不同的事情——商业思维。
我不能仅仅知道如何构建某些东西就能前进，我需要学习什么是值得构建的。
这种天花板在整个行业中变得越来越普遍。

市场变化的速度比许多工程师意识到的要快

世界经济论坛 报告 表明，40% 的雇主预计会在 AI 可以自动化任务的地方减少劳动力，而 Anthropic 的软件开发研究表明，随着 AI 承担更多可重复的开发工作，更多的工程师可能会被推向更高层次的设计和决策。

当然，仍然有对技术人才的巨大需求。不要误会，我说的不是技术技能不再重要，但更广泛的趋势是，仅仅依靠执行力就能晋升的角色越来越少。对能够定义问题、在约束条件下优先考虑问题以及将技术工作与商业价值联系起来的人的需求很高。

这是我必须做出的转变。我的最大升级不仅仅是技术上的，也是语境上的。
我没有抛弃工程师的身份，我扩展了它，并重新定义了围绕它的问题。
我停止用“更多代码”、“更多复杂性”或“更难的技术所有权”来衡量我的职业成长，而是转向了架构、商业影响和决策质量。

五个改变了我工作方式的转变

这可能听起来很抽象，所以我将其分解为 5 个实用的转变，帮助我发展商业思维。

第一个转变是直接学习业务，而不是通过票据间接接收它。

许多工程师从下游信号工作。我们得到需求，但不是塑造它们的对话。我们看不到任务背后的权衡，也看不到这些任务存在的战略原因。

所以我开始直接学习业务。我开始参加更多的销售和支持电话，认真倾听他们的对话，并更加关注利益相关者的讨论。随着时间的推移，我不再将我的工作视为一系列孤立的交付物。

我得到了一个认识：一个技术上优雅的解决方案，如果它太迟到，成本太高，或者解决了错误的问题，那么它就不是战略性的工作。它只是昂贵的正确性。

第二个转变是学习商业语言，而不是把它当作专门为高管保留的东西。

我开始学习那些许多工程师从未被明确教导的术语：ROI、延迟成本、机会成本、风险暴露、利润率和排序。这是不可避免的，如果你旨在成为高级或 C 级职位。

这影响了技术判断，因为许多专家擅长解决问题，但他们无法根据业务目标优先和评估问题。

对于我来说，学习这种语言改变了我如何沟通，更加重要的是，它改变了我如何判断解决方案。工作本身仍然是技术性的，但背后的逻辑变得更广泛。

这是 AI 时代的一个重要区别。AI 可以越来越多地帮助团队执行，但它仍然无法拥有决策。这一层属于人类。

另一个重大思维转变是定义成功之前编写代码。

随着时间的推移，在开始实施之前，我问自己一系列问题：

• 它对用户或业务来说到底改变了什么?
• 哪个指标应该移动?
• 如何知道它很重要?

这些问题在我开始编码之前真正帮助我澄清了事情。它们还让我避免了一个常见的错误：在对齐影响之前大量投资于交付。

这是测量如此重要的原因之一。 DORA 的软件交付研究 已经表明了测量团队如何安全、快速、有效地交付软件的价值。但是在实践中，高绩效的技术领导者通常会更进一步：他们将交付指标与产品结果和业务结果联系起来。

换句话说，交付并不是终点。当然，我们根据交付来估计结果，但通常，定义成功的能力才是将某人推向更广泛的领导层的原因。

第四个转变是测试假设之前不要过度构建。

优秀的工程师经常过度构建，受到这样一种常见的误解的指导：AI 使得构建变得更便宜，而且更多的工程自动意味着更好的质量。

高绩效的技术人员通常被训练成以强大的解决方案为思考方式，因为我们都想以正确的方式构建东西。这是一个很好的特质，但当你在验证假设之前就承诺一个完整的解决方案时，它通常会变得很昂贵。
这就是为什么我最实用的转变之一是强迫自己在构建之前暂停并定义我的假设。一旦假设是明确和清晰的，工作的形状就会改变。

目标不再是证明解决方案有多么复杂。目标是快速、廉价、清晰地学习，以便决定什么值得更深入地投资。

最后一个帮助我的转变是编码之前写短的决策笔记。

这可能是我最实用的习惯。不要误会，我不是要强迫你写另一份文档——只是一个短小的、结构化的笔记来形象化你的思考：什么选项存在，什么风险很重要，什么影响是预期的，什么建议是合理的，哪里需要对齐。

这不仅改善了沟通，还提早暴露了薄弱的推理，并帮助澄清了假设（见上一个转变）。此外，它创建了一个关于为什么做出某个决定的记录，这在回顾结果时尤其有价值。
在实践中，许多晋升都是因为一个人能够为他人减少模糊性，而不是因为他们是房间里最具技术天赋的人。

为什么下一个层次是关于更好的决策

这是许多人在谈论 AI 和技术职业时犯的更大的错误。他们将故事框定为技术深度与领导力之间的选择，或者工程与管理之间的选择。

技术技能仍然很重要。在许多情况下，它们甚至更加重要，因为人们需要足够的深度来判断 AI 系统在做什么，它们在哪里失败，以及什么应该或不应该被信任。但是，仅凭技术卓越在更多执行可以通过工具加速的时代已经不那么有区别了。这正是我每天在 Sombra 见证的：最快的职业成长发生在工程师将技术深度与商业思维结合起来时。

这并不意味着每个优秀的工程师都应该成为经理。但是，它确实意味着晋升的路径正在改变。下一个层次不再是证明某人可以自己完成最困难的任务，而是证明他们可以帮助团队和业务做出更好的决策。

我没有因为缺乏智慧或纪律而撞上墙。我撞上墙是因为下一个层次需要更广泛的视野。一旦这种情况发生，我的范围也发生了变化。