Why the tech workforce is quietly splitting in two | Annual AI sentiment survey (Noam Segal)

• AI 对科技从业者的影响已经不是统一的“提效”，而是职业身份的分裂。 在约 6,000 名科技从业者中，只有 3% 认为 AI 没有改变自己的职业身份；50% 感到能力被放大，27% 认为角色正在被重新定义，14% 感到失稳，5% 感到自身价值被削弱。这个 AI identity stance 对职业乐观、倦怠、裁员担忧等变量的影响，约为上一年“管理者效应”与“创始人幸福效应”的 3 倍。
• 效率提升没有自动改善工作体验，反而形成“更快交付—更高基线—更深倦怠”的循环。 97.2% 认为 AI 让自己工作得更好，82% 认为至少有中等程度提升；但深挖后，“更好”主要是产出更多、更快，而不是质量更高。2026 年显著倦怠达到 54.7%，一年上升约 11 个百分点；职业乐观度则从 54.8% 降至 48.7%。
• 员工最怕的不是被 AI 取代，而是同样薪酬被要求做更多。 72% 至少在一定程度上担心裁员，41.2% 达到中度或更高担忧；但在具体恐惧排序中，“工作被 AI 取代”只排倒数第二，“同薪做更多”位居第一。AI 释放的速度被组织直接回填进目标，任何效率增益很快变成新的最低基线。
• 组织能控制的最大变量不是模型能力，而是管理者质量与工作边界。 高效管理者对应约 65% 更高的工作享受度，并显著降低倦怠；但只有约 25% 的人把管理者评为高度有效，36% 评为无效。扁平化、创始人模式和更大的管理跨度，可能正在削弱员工最需要的保护、聚焦与发展支持。
• 这份研究反映的是员工感受，不是岗位消失的客观预测。 设计与研究人员连续两年体验最负面，数据分析人员最担心被 AI 替代；但 Noam 明确反对把这种情绪直接解释为职能即将消失。AI 大幅降低产出门槛后，设计、研究、判断与品味反而更应承担“抬高质量上限”的角色。

核心要点：第二年度调查的价值在于追踪同一组问题的变化；它能说明员工如何感受 AI 与工作，却不能证明某个职能会被替代。

• Noam Segal 与 Lenny Rachitsky 第二次开展 Tech Worker Sentiment Survey，并计划每年持续。2026 年样本约 6,000 人，覆盖产品、工程、设计、研究、营销、数据、销售等科技岗位。
• 第一年的报告被概括为 “Burnt out but optimistic”：倦怠已经较高，但人们对职业未来仍保有相对强的乐观。今年的变化是倦怠继续上升、乐观度下降，AI 也从新奇工具变成职业身份问题。
• 常见的半年一次员工调查往往只问管理者或领导层是否有效；本调查进一步捕捉 AI、裁员、职业未来与情绪的交互关系。
• 访谈区分统计显著性与实际影响。大样本容易获得 statistical significance，更关键的是用 Cohen's d 等效应量判断“这个变量在实践中影响有多大”。
• 研究不回答“设计、研究或产品经理是否会消失”。它回答的是：身处这些岗位的人现在如何理解自己的处境、是否愿意推荐该职业、对未来有多大信心。
• Lenny 在谈到设计与研究时补了一道口径闸门：人员的负面感受可能来自行业叙事与不确定性，不能被包装成 AI 客观能力或岗位消失的事实。

“This is not an image of reality. This is an image of how people are feeling in tech right now.” —— Noam Segal

核心要点：AI 是否让一个人感到“被放大”，几乎决定了他对职业、倦怠和裁员的整体判断；同一技术正在产生完全相反的工作体验。

• 只有 3% 认为 AI 没有改变自己的职业身份。AI 对科技工作者而言已不是可选工具，而是重新定义“我是谁、我还有什么价值”的环境变量。
• 50% 感到 amplified：认为自己能做更多、做得更快，过去受岗位边界限制的能力被释放。
• 27% 认为角色正在被重新定义：清楚工作发生了根本变化，却无法判断最终是机会还是威胁。
• 14% 感到 destabilized：职业脚下的地面在晃动，清晰度低、焦虑高，对未来更悲观。
• 5% 感到 diminished：AI 似乎拿走了原来构成专业身份的一部分，而且模型只会继续变强，这种损失看起来不可逆。
• 从 amplified 走向 diminished，职业乐观持续下降，倦怠与裁员担忧持续上升，向新人推荐本岗位的意愿也同步下降；这是一组方向一致的线性关系。
• AI identity stance 对工作体验的效应量，约为上一年“管理者是谁”与“是否为创始人”两个大效应的 3 倍；它比岗位、公司规模、职级等传统分类更能解释当下感受。

“Half of the people in tech are feeling incredible… And the other half told us, ‘My brain is rotting. My work feels worse.’” —— Noam Segal

核心要点：受访者平均同时报告 5 种情绪。AI 转型中的关键不是消灭负面感受，而是识别不同体验并提供差异化支持。

• Energized（41%）：AI 让“做产品重新变得好玩”。他们把工作形容成进入科技游乐园，能够试验新方法、跨出原有泳道，成为以前无法成为的 builder。
• Conflicted（35%）：一方面经历职业生涯中最有趣的建造时刻，另一方面也经历最强的不确定性；不知道自己是否正亲手建造终结既有职业的工具。
• Disoriented：岗位定义不断移动，受访者用“工业革命前夕的农民”作比喻——知道结构性变化正在发生，却看不到可行的迁移路径。
• Resentful（12%）：被要求“使用 AI，否则失去工作”；即使服从使用，仍看到身边人被裁。他们不是不会用，而是认为技术以强迫、挤压和失去控制感的方式进入工作。
• 情绪并非互斥。受访者平均选择 5 种情绪，少数人选择 13 种；好奇、兴奋、释然可以与疲惫、焦虑、怨怼同时存在。
• Noam 借用 Nikhyl Singhal 的 “smiling exhaustion”：旧式倦怠更多来自停滞与脱离，新式倦怠却发生在“重新开始创造”的兴奋中——人还在笑、还在出货，但没有关闭开关。
• 对 Energized 群体，Noam 的提醒不是继续加速，而是把一部分能量用来理解和支持周围的人；组织不能假设每个人都处在同一个 AI 体验桶里。

“It’s okay to be excited and curious, but also feel overwhelmed… Those emotions can coexist within us.” —— Noam Segal

核心要点：AI 并未减少劳动强度，而是扩大了可承接任务量；更多 PR、PRD、原型、Campaign 与 Agent 被塞回同一工作周期。

• 2026 年显著倦怠（高于 moderate）达到 54.7%，较上一年上升约 11 个百分点；职业乐观度则从 2025 年 54.8% 下降到 2026 年 48.7%。
• 这组数据反驳了“模型更强、工作更自动化，员工就能少做一些”的预期。现实是工作没有变少，组织只是承接了更多任务。
• Lenny 列出速度被回填的方式：更多原型、更多 PRD、更多代码 PR、更多营销活动、更多 Agent、更多广告。效率的单位收益没有沉淀为休息或质量，而是继续转化为吞吐量。
• Ramp 的 Geoff Charles 曾说，最严重的倦怠发生在低速度时期，因为付出没有推动任何东西。Noam 认为今年数据揭示另一条路径：即使交付从一天几个 PR 上升到 30 个 PR，人仍会因持续过载而更倦怠。
• 工作享受度仍保持较高。AI 让 PM 释放内在的设计能力，让营销人员释放内在的工程能力，也让过去技术上不可行的副项目迅速具象化。
• 但技术难以 disengage：模型、框架、工作方式不断变化，员工既要做本职工作，又要投入时间学习下一个发布，最终形成没有停机时间的持续加速。
• 因而“喜欢工作”与“已经倦怠”并不矛盾。员工可能正经历职业生涯中最好玩的时刻，同时也处在最难恢复的状态。

“There’s no off switch… The tempo is absolutely brutal. The rules keep rewriting themselves every single day.” —— Noam Segal

核心要点：AI 的即时组织风险不是一次性裁员，而是劳动契约在不知不觉中被重写——速度提升成为默认要求，员工却没有获得相应时间、薪酬或边界。

• 72% 至少在一定程度上担心被裁，41.2% 达到中度或更高程度。员工感觉自己一边使用 AI，一边在“锯掉自己坐着的树枝”。
• 但在具体担忧排序中，“工作被 AI 取代”只排倒数第二；第一是“被要求以同样薪酬完成更多工作”，另一项高位担忧是工作节奏与技术变化速度不可持续。
• 员工同时承受两种速度：一是交付节奏，单位时间内必须产出更多；二是学习节奏，必须追踪新模型、新框架、新用法。这些学习又挤占核心工作的专注时间。
• 组织把 AI 释放的速度“原封不动犁回预期”。当一次提效成为现实，新的产能立即被视为下一轮最低基线，个人几乎没有空间用收益换取质量、学习或恢复。
• 这种 squeeze 解释了为什么员工可以一边认为 AI 很好用，一边降低职业乐观度：工具带来即时快感，劳动制度却把收益转化成新的长期压力。
• 对公司而言，管理 squeeze 不是简单降低目标，而是明确哪些效率收益用于吞吐量、哪些用于提高质量、哪些用于学习与恢复；如果全部归入产出，倦怠上升几乎是机制性结果。

“The speed AI unlocked got plowed straight back into expectations.” —— Noam Segal

核心要点：AI 提效已被广泛感知，但“更好”的含义被偷换成“更快、更多”；如果人不再亲自越过难题，自我效能与判断力会逐步萎缩。

• 97.2% 认为 AI 让自己在工作中变得更好；82% 认为至少有中等程度提升，接近 50% 认为提升很大或极大。表层看，这是近乎一致的正面判断。
• 继续追问后，受访者说的主要是 “I can do more faster, but not better”。AI 降低最低产出门槛，让人迅速交付 PR、PRD、研究、原型，却未必抬高最终质量上限。
• 一些受访者直接说 “My brain is rotting. My work feels worse.”：看到模型初稿后就接受，不再施加自己的判断、推理与修改，人的能动性逐渐从工作中退出。
• Noam 把自我效能描述成一条会被重复训练的基线：每当人亲自解决问题、越过障碍，self-efficacy、self-confidence、self-belief 就被抬高；每当把整个困难卸载给模型，这条基线就会下降。
• 技能萎缩不仅是“会不会写代码”，也包括是否仍能识别高质量、是否敢于否定模型、是否能在没有 AI 的情况下形成第一性判断。
• Lenny 用“容易按钮”和 Doritos 作比喻：人知道不应该总按，但只要路径足够省力，就很难持续抵抗。对新人尤其如此，他们可能在尚未形成底层能力之前就跳过完整练习。
• Noam 的应对不是拒绝 AI，而是 deliberate practice：刻意保留思考、判断与亲手完成的环节，把人的质量标准同步抬高，而不是只追求模型带来的最低成本。

“The productivity gains are real, but the quality of the work and the sharpness of the person producing it are taking a hit.” —— Noam Segal

核心要点：员工对当前工作体验并非普遍不满，但对未来的外推明显悲观；这反映的是职业发展路径的不确定，而不是当下工作已经无法继续。

• 调查用 NPS 方式询问：是否会向朋友或家人推荐自己的岗位？没有任何科技职能成为净推荐者，连相对最幸福的创始人也低于中性点。
• 设计与研究最不愿向新人推荐自己的岗位，工程、运营、产品、销售与 go-to-market 也全部为负；差异只是“不推荐”的程度。
• 职级越低，推荐意愿越低。高管、VP、Director 相对更愿意推荐，IC 尤其是初级员工更悲观。
• Noam 用 Cognition 的 Devin 作比喻：AI 从高中 CS 学生、大学实习生、初级工程师不断沿梯子上爬；员工看着它上升，也感到脚下横档被一根根抽走。越靠下的人，路径越先消失。
• 高层可能更多从 AI 汇总和处理的信息流中获益；IC 则在公司内部反复建设彼此不知道的 micro-SaaS，重复劳动增多，构建变容易、维护变困难，形成“油门踩到底但车挂空挡”的体验。
• 这与“当前仍享受工作”并不冲突。人们对已获得的职级、能力与位置尚可满意，却无法向新人承诺 3 年或 5 年后仍有同样上升路径。
• 对组织的含义不是停止招聘初级人才，而是把学习、导师制和晋升横档重新设计清楚；否则年轻员工即使最 AI-native，也无法形成可持续的专业成长。

“We feel like the technology is pulling those rungs from under us.” —— Noam Segal

核心要点：职能情绪与职能价值不是同一件事。设计、研究与数据分析人员更受冲击，不代表这些职能更应被削减。

• 设计与研究人员在四组指标上都更负面：更容易感到职业身份失稳或被削弱，更疲惫、焦虑和过载，更担心 AI，也最不愿推荐新人进入本职能。
• 这种状态连续两年出现。研究群体长期背负“是否有 seat at the table”“研究民主化会不会让别人接管工作”等焦虑，AI 又把这些旧问题推到更高强度。
• 数据分析是最担心被 AI 替代的职能，超过设计与研究。Noam 同时提醒，客观 AI 能力与主观担忧并非一一对应：工程领域也有强大进展，但工程师自报恐惧没有排在最高。
• Noam 反对“构建变便宜，就做 1,000 个原型再看什么有效”的路线；这会制造更多选择、维护和评审负担，进一步加剧倦怠。
• 他的职能定位是：AI 主要降低产出的 floor，设计与研究需要抬高 ceiling。产品越容易被快速生成，越需要人判断什么值得建、什么具有新颖性、什么不是通用 AI slop。
• Lenny 引用 Linear CEO Karri Saarinen、Stripe 设计负责人 Katie Dill、Anthropic Claude 设计负责人 Jenny Wen 等人的访谈，强调 taste、beauty、quality 仍是产品差异化来源。
• 组织不应把“员工信心低”当作削减职能的证据，而应把它当作角色重构信号：让设计/研究更靠近目标选择、质量标准与跨职能判断。

“AI has mostly lowered the bar, but it hasn’t raised the ceiling.” —— Noam Segal

核心要点：能动性与短组织链路对应更好的体验，但真正可规模化复制的不是“人人创业”，而是有效管理、清晰边界与发展支持。

• 创始人 71% 对职业未来乐观，工作享受度最高、倦怠最低、裁员担忧最低、AI 兴奋度最高；这一效应连续两年存在。
• 同时，仍有 47% 的创始人至少达到中度倦怠，且创始人也不会净推荐别人进入这一角色。自主性高不等于压力低。
• 样本存在存活者偏差：调查覆盖仍在运营公司的现任创始人，不包括已经关闭企业、离开创业角色的人。不能据此推导“辞职创业会更幸福”。
• 公司规模与体验几乎线性相关：从 1—10 人的小公司走向 5,000—10,000 人的大企业，乐观度降低，倦怠与裁员担忧上升，岗位推荐意愿下降。
• 管理者有效性与工作享受、倦怠呈强关系。拥有“极其有效”管理者的员工，报告的工作享受度约高 65%，倦怠也显著更低。
• 供给端明显不足：只有约 25% 把管理者评为高度有效，36% 评为无效，与上一年相比几乎没有改善。
• 管理者是 AI squeeze 的直接调节者：他决定任务是否持续加码、优先级是否清晰、员工能否拒绝无价值工作，也决定效率收益是否全部变成新增产出。
• 科技公司同时进入 “great flattening” 与 founder mode：层级减少、每位管理者的直接汇报人数增加。Noam 担心，扁平化在减少官僚的同时，也可能移除员工最需要的保护与辅导。
• 设计与数据分析领域的管理者评分最差。Noam 没简单归因为管理能力，而是指出管理者本人也处于职业焦虑中，负面能量很难不传导给团队。

“Probably nothing will have more impact on your well-being than who that person ends up being.” —— Noam Segal

核心要点：科技行业没有形成一致的 AI 共识；所有人看见相似变化，一半觉得刺激，一半觉得可怕。

• 调查收集数千条开放回答，让员工描述当下科技行业；词云中同时出现 change、chaos、speed、excitement、flux、hype、instability、bubble、opportunity、confusing。
• 情感分析得到近乎镜像分布：37% 正面、37% 负面、约 26% 中性。这与职业身份上的对半分裂相互印证。
• 一位受访者说，行业正处在“大转型的第二局”，没有人知道结局，只能继续上场挥棒；这不是对结果的乐观，而是对行动必要性的判断。
• 另一位高级 PM 把科技行业形容为 manic：一半人抓住 bandwagon、放大 hype，另一半人被前一半耗尽。Noam 认为这比“AI 乐观派 vs AI 末日派”的二分更接近真实状态。
• Lenny 将当下类比工业革命，并引用 Elon Musk 的模拟论玩笑：能活在 AI 接近人类智能、数据中心可能进入太空的节点，像是被更高智能选中模拟“历史上最有趣的时刻”。
• Noam 没有顺势预测终局。他以心理学训练回应：最先进的 AI 与最好的模型不会单独决定组织成功，底层仍是同时兴奋、疲惫、希望与害怕的人。

“We’re in the second inning of a massive shift. No one knows how it will end, but all you can do is keep taking at bats.” —— 调查受访者

核心要点：有效应对不是“全面拥抱 AI”或“抵制 AI”，而是选择性深化工具、显性管理工作量，并重建人在组织中的成长与判断机制。

对员工

• 选少数 jobs to be done 深挖。 Energized 群体更常把 AI 用在具体任务上，而不是试图成为“什么都做”的 generalist；过度扩张角色边界更容易耗竭。
• 识别并谈判 squeeze。 使用科学化 burnout test 判断自身状态；当范围增加而薪酬、时间、资源不变时，与管理者重新校准 scope 和优先级。
• 经营管理关系。 保护沟通渠道、学习 manage up，把管理者视为工作边界与心理安全的重要基础设施。
• 在机会允许时考虑小公司或创业。 数据显示它们相对更有能动性，但需同时看到创始人 47% 的中度以上倦怠与样本存活者偏差。
• 主动寻找导师。 对初级员工，mentor、愿意投入发展的团队与管理者，能替代正在消失的部分标准化成长横档。
• 不要为合理使用 AI 感到内疚。 AI guilt 在初级员工中更强，且在产品营销、数据与分析岗位较突出；Noam 将其视为 imposter phenomenon 的技术版本。要学会使用 AI，同时保留刻意练习，而不是把使用本身等同于作弊。

对领导者与公司

• 投资管理者。 只有 25% 被评为高度有效，是明确的组织红灯；训练、教练、合理跨度与保留优秀管理者应成为 AI 转型预算的一部分。
• 不要把每一份提效都转成新增目标。 明确划分吞吐量、质量、学习和恢复的用途，避免“效率提升即永久加码”。
• 保住初级人才的底层横档。 早期人才往往最 AI-native，但若缺少基础训练、导师与真实责任，他们无法成为未来高级人才。
• 对职能分群治理。 设计、研究、数据分析的体验显著更负面，需要专门的角色重构、价值展示和发展路径，而不是统一发一套 AI 培训。
• 把人的状态纳入 AI 成功指标。 除产能、成本和采用率外，持续追踪倦怠、职业乐观、质量判断、管理者有效性与内部流动，否则组织会在报表提效时失去长期能力。

“Having the most advanced AI and the access to the best models in the world won’t determine whether your organization succeeds… underlying all of this stuff are people.” —— Noam Segal