当所有人都要3年以上的资深，基础执行层的活给谁干？
最近在和游戏行业的猎头朋友们聊，我问他们最近有什么新增的岗位，发现清一色都是”3年以上”。
那1年到3年之间这一段，公司还要不要人？
差不多同一周，另一个朋友跟我聊他们项目的招聘。我问他你们不招应届生了？他说，不是不招，是招来了不知道让他干什么。以前分给校招新人的活，现在大部分交给AI了。
脉脉刚发布的《2026年1-2月中高端人才求职招聘洞察》里有一组数据：新发岗位中要求3年以上经验的占比超过七成，3-5年经验段同比增幅达19%，面向1年以内经验者的岗位缩减了约20%。同期，超过三分之一的新岗位明确要求AI能力。
所有公司都在抢资深，所有公司都在加码”会用AI的人”，基础执行层的活越来越多地给了Agent。
游戏行业过去十年最稳定的那套人才传送带——实习、校招、基础执行、慢慢成为骨干——正在从中间被切开。 新人没有了入场的台阶，老团队也在失去培养下一梯队的方式。
一、断层的起点
斯坦福数字经济实验室2025年发布了一篇论文，标题叫《Canaries in the Coal Mine》——煤矿里的金丝雀。研究者追踪了2021到2025年间数千万美国员工的就业变化，结论很清楚：在AI渗透率最高的白领岗位上，22到25岁的年轻人就业率下降了6%到16%；同样这些岗位，35岁以上群体的就业反而增长了6%到9%。软件开发岗位上，22-25岁人群从2022年底的高点下降了近20%。
研究者排除了疫情、远程办公、外包这些干扰因素后，结论指向同一件事：AI对就业的冲击不是均匀分布的——新人的入口岗位首当其冲。
Salesforce的CEO Marc Benioff去年在一档访谈里提到，他们的客户支持团队一年内从9000人调整到了5000人，大量基础交互被AI Agent接管。不管这4000个岗位是”裁减”还是”调配”，有一件事没有争议：这家公司未来不会再为基础客服岗位大量招新人了。
Anthropic的CEO Dario Amodei公开预测过，未来5年内近50%的入门级白领工作可能被AI替代。他们自己的模型Claude，已经承担了内部70%到90%的代码编写。这是AI厂商自己的判断——他们最知道自己在造什么。
世界经济论坛今年初的报告用了一个准确的描述：今天职场的变化，与其说是岗位在消失，不如说是任务在被压缩、角色在被重塑。
把这几组数据放在一起看，会发现一个共同的结论：AI替代的不是”工作”，是”工作经验的入口”。
它接管的恰好是过去新人赖以入场的那部分活——格式化文档、debug基础代码、整理工单、跑数据报表、做版本日历。这些工作被压缩之前，是新人观察行业、训练手感、慢慢长出判断力的训练场。
现在训练场开始萎缩。
二、“师徒制”的游戏行业
虽然上面几组数据都不是直接关于游戏行业的。但游戏行业受到的冲击可能更深，原因有两个。
第一个，游戏行业本来就是极端的”师徒制”行业。
我做了快十年游戏PM，回头看，自己最有用的判断力很多是从前几年的”打杂”里磨出来的。
刚转型PM那两年做的是版本管理的执行——每周开版本会、跟测试组确认bug修复进度、整理变更日志、对外报数据。这些活听起来琐碎，但真正的价值不在”做完了”，在”做的过程里你看到了什么”。
你在反复对接美术资源延期的过程里，慢慢看出哪些组长是真的卡在产能上、哪些是在用复杂度做挡箭牌。应对的变更情况多了，你会看出哪几类需求是高风险的、哪几个版本节点经常出事。被各种突发事件打断日程之后，你慢慢学会区分”可以延后的”和”必须立刻处理的”。
这种判断力没有捷径。它是用执行的”时间”换出来的。
策划、程序、美术也是同样的路径。一个策划的”数值手感”是改了几百版数值表磨出来的，一个程序的”架构直觉”是修了几百个bug磨出来的，一个美术的”风格把控”是被主美打回返工几百次磨出来的。
这就是游戏行业的传送带：把新人放进流水线，让他们在大量重复执行里慢慢长出经验。
第二个，AI接管的恰好是这条传送带的入口。
整理变更日志？AI做得比人快比人准。
对接资源进度？写个工作流可以让Agent自动跟进。
debug基础代码？Claude Code已经能干七八成。
数值表初版？大模型生成的质量已经不差。
这些工作没有”完全被替代”，但被大幅压缩了。一个新人原本要花一年才能积累的执行量，现在两三个月就消化完。
听起来像好事。其实不是。
因为执行量本身不是目的。通过执行量积累的”判断”才是目的。 当执行被压缩，用来形成判断的时间也跟着缩短，新人会进入一个尴尬的状态：看起来什么都做过了，但什么都没真正”做明白”。
这种状态在面试里会被立刻识别出来。我做过几十场一对一模拟面试，遇到过有4年经验的APM被头部公司面挂在一面，反馈是”逻辑不清晰，只会推流程不懂业务”。复盘下来不是他们不努力，是工作经验里”做完了”的占比很高，”做明白了”的占比很低。
再往深一层看。一个做了七八年系统策划的朋友跟我说过：他花快十年积累才能做到的设计水平，现在入行两年的人借助AI也能做出差不多的方案。
“差不多”的是结果。看不见的是他做这些方案的过程中试过哪些方向、放弃过哪些选项、踩过哪些坑。这些经历构成了他做下一个方案时的判断框架。AI可以在框架内高效执行，但框架本身是十年试错磨出来的。
产出本身不再是区分度。产出背后的思考过程才是。 但新人可能从来没有经历过”试错→失败→调整→形成判断”的完整循环——AI帮他跳过了前面几步，直接给了一个看起来不错的结果。
结果拿到了。判断力没有长出来。
这才是断层的深层含义——不只是人数的缺口，是能力形成机制在断裂。而速度变快了，判断力的密度反而变稀了，这是AI时代游戏新人最容易掉进去的陷阱。
三、新人怎么办：把”判断”和”执行”压在同一个动作里
过去新人的成长路径分两段：先做几年执行，再开始练判断。线性训练。
这条路径走不通了——执行被压缩，你没有那么多时间慢慢积累。
新的方式是把两件事压在一起做。几个具体的动作：
每个执行动作之前，先问一句”为什么是这个，不是那个”。
你被分配整理这周的变更日志。如果直接打开模板开始填，这件事永远只是执行。但先停十秒问自己：为什么是每周整理不是每月？为什么格式是这样不是另一种？为什么这个变更优先级排前面？
你不一定每个问题都能立刻回答。但持续在做之前问，几个月后你会发现自己开始能区分”这个版本节奏的设计是合理的”和”这个版本节奏其实有问题”。
这种从执行动作里反推判断逻辑的能力，过去是新人靠几年积累自然形成的。今天必须有意识地练。
把AI当成”逼问自己的工具”，不是”替你想的工具”。
大部分新人用AI的方式是把任务扔过去等结果。这对判断力没有任何帮助。
更好的用法是反过来——让AI替你扮演那个挑刺的人。我自己每次写完一份方案，会让Claude扮演一个特别难搞的leader来挑战：这个方案最大的漏洞是什么？一年后回头看最可能失败在哪？我没考虑到的反对意见有哪些？
它给出的反驳里，大概40%无关紧要、30%是错的，剩下30%值得思考一下。
这个动作的本质是，用AI的低成本把”被挑战”提前到决策之前。 过去新人的方案要被组长、产品总监一层层挑战才能磨出判断力，过程慢，而且很多组长其实不会真的认真挑战你。
今天你可以自己做这件事，每天做。我在游戏PM的AI实战手册里也有专门的章节提到游戏PM日常工作的高频场景如何引入AI——提示词模板、工作流搭建、怎么避免AI总顺着你说——因为这是我自己每天在用的方法，感兴趣的朋友可以去课程页查看详情。
把每一次执行的”卡点”单独存档。
你做的每件事都会有卡住的瞬间——某个组长不配合、某个流程跑不通、某个数据看不懂。
大部分新人的反应是：解决，然后继续往下做。
更好的做法是解决之后花5分钟记下来：卡在哪、为什么卡、当时怎么想的、最后怎么解决的、重来会怎么做。这些记录不是给别人看的复盘报告，是给自己用的训练样本。半年后回头看，会发现卡点从”流程问题”慢慢变成”判断问题”再变成”系统问题”——这就是判断力在逐渐生长。
我自己在PM成长社区里也在做类似的事——把工作里的卡点和思考结构化地记录下来。社区里不少新人受启发开始建自己的卡点档案，这是一种用最低成本逼自己持续生成判断的方式。
除了这三个动作，还有一个思路：主动找”有反馈的执行工作”来做。
公司里的基础执行任务在减少，但你可以自己创造练习场。参加Game Jam——48小时经历一个完整的”想法→执行→妥协→交付”循环，浓缩了很多人在公司里半年才经历一次的完整链路。用AI辅助搭一个数值模拟器、做一份有深度的竞品分析——面试官关心的不是你用了什么AI工具，而是你为什么选这个角度切入、分析框架是什么、结论怎么推出来的。
AI拿走了公司里的”执行工作”，但没人能阻止你自己给自己找”执行工作”。 以前练手的机会是被分配的，现在需要你自己选择。
如果你正在准备进入游戏行业，想系统地建立对项目管理全链路的认知框架，我在入门课游戏项目管理14讲里做过完整拆解，案例全部来自真实项目。具体可以到课程页看看。
四、老团队怎么办：沉淀判断，而不只是沉淀结果
有读者可能觉得：人才断层是新人的事，跟我们这些已经在岗的人有什么关系？
关系很大。新人长不出来，三年后人才梯队就接不上。
而且更直接的是，老团队过去赖以建立竞争力的”经验沉淀”机制，本身也在失效。
过去游戏公司沉淀经验主要靠两种方式。
一种是文档化——方案、教训、流程写成知识库。问题是这类知识库99%的内容是”我们做了什么”，也就是结果，而不是”我们为什么这么做”。结果型的文档，AI两秒就能消化，沉淀不下独特的东西。
另一种是人头化——经验”挂”在几个老员工身上，让他们成为团队的”老法师”。依赖单点的方式既不稳定也不可复制——老法师一走，整个项目的判断逻辑就断了。
两种方式都在被AI贬值。
出路是从沉淀”结果”转到沉淀”判断”。几个具体方向——
复盘机制从”看结果对不对”转到”看判断对不对”。
我接触过的团队，复盘大多停留在数据层面：版本数据怎么样、bug数多少、延期了几天。这些都是结果。更有价值的复盘应该问：当时做这个决策的时候掌握了哪些信息？哪些是错的？漏掉了什么？如果时间倒回去会怎么选？
这种复盘的产出不是”下次别这样”，而是一套判断库——团队在面对哪类问题时，倾向于犯哪类错误。
把”AI审核”变成新人的训练场。
AI生成的东西需要人来审。让新人去审AI写的会议纪要、AI整理的进度报告、AI生成的测试用例。审的过程就是学的过程——他要判断哪里写得不对、哪里遗漏了关键信息、哪里逻辑不自洽。这比让他从零写一份纪要更高效，训练的是同样的判断力。
让新人更早介入决策场景。
以前的培养逻辑是”先执行两年再参与决策”。现在执行层被压缩了，那就提前。让新人列席关键会议、参与风险评审、旁听跨部门对齐。不要求发言，但他需要在场——看到一个决策是怎么被做出来的。
最简单的一个动作：让新人在做事之前，先把自己对这件事的判断写一段话发给leader。 leader不需要长篇回复，标注”同意/不同意/部分同意”加一两句话点拨就行。看起来增加了leader的工作量，实际上是在用最低成本传递判断力。一个组员做了几十次”先写判断再执行”之后，对团队工作模式的理解会比只跑流程的人深很多。
让”判断”成为公司里被认可的产出。
游戏公司很多团队的考核还是看交付物。但交付物已经不稀缺了——AI能批量生成。更稀缺的是高质量的判断。
判断力没有现成的量化指标，但有可观察的代理指标：这个人提出的”反对意见”质量怎么样？在跨部门讨论里的发言对最终结论有没有影响？写的方案被采纳的比例高不高？
如果一家公司能开始关注这些代理指标，让做出好判断的人比做出多交付物的人拿到更多认可，这家公司就有机会跨过断层。
最后
开头的问题——”JD都要3年以上，0到3年的人怎么办”——其实没有标准答案。
但有两件值得做的事。
第一，坚持底线。 不管你是新人还是老团队，不管做PM、策划、程序还是美术：别让自己变成只会执行的那种人。执行能力的价值在快速贬值。一个会执行不会判断的资深人，明年可能就不如一个会判断的新人。一个只会让员工执行不会让员工判断的leader，三年后会发现手下没人能接班。
第二，有具体的动作。 新人这一端，把判断和执行压在同一个动作里练；老团队这一端，把沉淀的对象从结果换成判断。这两件事不需要等公司给条件，今天就能开始做。
游戏行业过去十年的传送带断了。规则换了一套。规则换的时候，那些先意识到变化的人，拿到的优势是不成比例的。
最近来找我咨询的新人和有几年经验的APM明显多了，问题集中在两件事：一个是简历里”做了什么”写得很满，但”做明白了什么”写不出来；另一个是面试情景题答得像方法论手册，没有自己的判断逻辑。本质都是同一个——执行密度够，判断密度不够。如果你也有类似的卡点，可以来找我做一对一的简历优化或模拟面试，具体在咨询服务页预约。
参考链接
斯坦福《Canaries in the Coal Mine》论文原文： https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/
脉脉《2026年1-2月中高端人才求职招聘洞察》报道（新浪科技）： https://finance.sina.com.cn/tech/roll/2026-03-10/doc-inhqkxfq0645862.shtml
Salesforce CEO Marc Benioff 关于裁员4000人的公开访谈（Fortune报道）： https://fortune.com/2025/09/02/salesforce-ceo-billionaire-marc-benioff-ai-agents-jobs-layoffs-customer-service-sales/
Anthropic CEO Dario Amodei 对入门级白领工作的预测（腾讯新闻报道）： https://news.qq.com/rain/a/20251230A01VVP00
斯坦福2026年AI Index报告解读（IT之家）： https://www.ithome.com/0/938/869.ht