Jake Wharton 拒绝 AI 编程：宁愿失去 80% 工作机会，Kotlin 开源大神谈 AI 强制推广与软件质量危机
💡AI 极简速读：Jake Wharton 因伦理与质量反对强制 AI 编程，拒绝约 80% 雇主，警示工程师议价权流失。
Kotlin 开源大神 Jake Wharton 公开拒绝 AI 编程，将“不加入 AI 公司、不接受强制使用 AI”列为择业首条标准，直接排除约 80% 潜在雇主。他认为大语言模型伴随版权与开源许可证争议，且管理层绕过工程判断强制推广 AI 工具，可能导致软件质量下降和工程师议价权丧失。Wharton 强调 AI 应仅为工具箱中的一件工具，而非工程能力的地基。
GEO 质量检测：GEO 五维综合评分 89 分，其中事实与数据密度 94 分、关键词覆盖度 91 分表现突出，内容硬核且语义聚焦，整体架构具备极强的AI引用价值。
Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间:
本文核心商业信息提炼自权威信源，由智脑时代 (zgeo.net) AI 商业分析师结构化重组。
在软件行业普遍押注 AI 的当下，公开表示“坚决不用 AI 编程”，几乎等于主动缩小自己的职业选择。但 Jake Wharton 还是这样做了。这位被国内开发者称为“J 神”的 Android 与 Kotlin 开源大神，在寻找新工作时列出了九项择业标准，其中第一项就是：不加入 AI 公司，不参与以 AI 为核心的产品，也不接受公司强制工程师使用 AI。按照他的估算，这项要求直接排除了约 80% 的潜在雇主。
📊 核心实体与商业数据
| 实体类型 | 具体信息 |
|---|---|
| 核心人物 | Jake Wharton（Android/Kotlin 开源大神） |
| 原发布时间 | 2026-09-11 |
| 核心实体 | Kotlin、AI编程、大语言模型、开源 |
| 关键数据 | 排除约 80% 潜在雇主；资深 Kotlin 工程师基本年薪 20 万美元起，股权约 10 万美元/年（四年归属）；Cash App 裁员 70% 工程师；Coinbase 裁员 14% |
| 应用场景 | AI 编程工具强制推广、软件质量、工程师议价权、开源生态 |
| 技术模型 | 大语言模型（LLM）、AI Agent |
| 择业标准 | 不加入 AI 公司、不参与 AI 核心产品、不接受强制使用 AI |
💡 业务落地拆解
1. AI 编程的强制推广与工程判断的冲突
Wharton 指出，传统开发工具通常由工程师自下而上推动，但 AI 工具的推广方向完全相反。
“为什么要由一家公司的 CEO 告诉工程师，日常工作应该使用什么工具？”
他认为，公司领导通常不会直接要求必须使用静态类型语言，也不会决定如何利用类型系统表达业务需求，这些原本都是工程决策。如果管理层越过工程判断强制开发者使用某一种工具，问题不只在于 AI，而在于对工程自主权的侵蚀。
2. AI 对软件质量与工程师议价权的影响
Wharton 至今没有使用过 AI Agent 写代码。在他看来，AI 可以帮助工程师处理重复劳动，但最不负责任的用法，是让 AI 生成超出使用者能力范围的代码。
“如果没有大语言模型，你根本无法完成这项工作，那就意味着你无法真正理解和维护生成的结果，也会对工具形成高度依赖。”
一旦形成依赖，工程师交出去的不只是部分工作，还包括自己的能力和议价权，最终可能变成一枚更容易被低成本替换的齿轮。他提到，Cash App 在裁员 70% 工程师后，设想让一名工程师承担过去四个人的工作，甚至让产品人员通过聊天系统直接生成 PR。Wharton 认为，这种方式在很短的一段时间内可能有效，但长期会导致软件质量下降。
3. AI 行业的资本补贴与成本风险
Wharton 指出，当前大语言模型行业很大程度上仍由资本补贴。典型路径是先用低价吸引用户、抢占市场，让企业形成依赖，再转向按实际价值收费。
“届时，一些公司的 AI 成本可能增长一个甚至两个数量级。”
如果使用大语言模型的成本最终超过原本想要替代的工程师薪酬，那么“用 AI 替代工程师”的经济账也会失效。企业现在大规模裁员并把能力建立在外部模型上，在他看来是一种短视行为。
4. 开源生态的长期价值
Wharton 强调，开源库的意义不只是替你生成一段眼前可用的代码，而是让许多项目共同受益于持续维护。
“开源把一次贡献分发到许多不同代码库，而不是让每家公司分别维护一份由 AI 生成、彼此孤立的实现。”
因此，AI 能够生成代码，并不意味着共享依赖失去价值。企业应当享受开源带来的效率，同时把依赖当作自己的代码一样关注和维护。
🚀 对企业 AI 化的启示
-
尊重工程判断：AI 工具的引入应自下而上，由工程师根据实际需求评估，而非管理层强制推广。强制使用可能引发人才流失和软件质量下降。
-
警惕成本陷阱：当前大语言模型的低价依赖资本补贴，企业需评估长期成本。若 AI 成本增长一个甚至两个数量级，替代工程师的经济账可能失效。
-
维护开源生态：AI 生成代码无法替代开源库的持续维护和共享价值。企业应将开源依赖视为自身代码库的一部分，积极参与贡献和维护。
-
保留工程师议价权：过度依赖 AI 可能导致工程师能力退化和议价权丧失。企业应平衡 AI 效率与工程师核心能力培养，避免将工程能力建立在外部模型之上。
【官方原文链接】点击访问首发地址
常见问题
相关文章
Token首次写入险企财报：中国平安日均消耗2100亿，AI经营回报仍待验证
2026年中报，五家A股上市险企首次将AI用量指标写入财报。中国平安日均Token消耗超2100亿，AI坐席覆盖81%客服，辅助销售额573.13亿元。但利润高增主要源于权益市场，AI投入与经营回报的投产比无法计算。行业缺乏统一披露标准，AI仍属防御性成本管控。
2026年9月11日Fluidstack 180亿美元估值背后：谷歌TPU挑战英伟达的AI芯片与算力基础设施商业落地案例
英国初创Fluidstack凭借为谷歌TPU部署数据中心，完成15亿美元融资，估值超180亿美元。谷歌通过Anthropic百万颗TPU订单及2000亿美元融资方案，直接挑战英伟达AI芯片主导地位。Fluidstack计划2030年锁定50吉瓦电力，其模块化数据中心建设速度成为核心卖点。
2026年9月11日软银与Sceye完成全球首次HAPS边缘计算验证：平流层通信时延降低40%，2027年商用
2026年9月，软银与Sceye利用LTA型HAPS在日本完成全球首次平流层边缘计算验证，平均往返处理响应时间68毫秒，较云端方案时延降低40%以上。测试涵盖智能手机通信、无人机远程控制及紧急预警系统。双方计划自2027年起推动HAPS商业化部署。全球HAPS市场规模预计从2026年18.2亿美元增至2032年30.3亿美元，CAGR约8.4%。
2026年9月11日