这两年游戏行业的岗位安全感正在明显变弱。除了少数强依赖表现经验、实时反馈和个人审美判断的岗位，很多业务侧岗位都在被 AI、预算收缩和项目周期反复挤压，很多岗位也很难再用过去那套“越底层越安全”“越复合越安全”的逻辑解释。我自己从22年开始接触ta，23年又仓皇转去research，这几年我和游戏行业始终保持着一种若即若离的关系，我似乎从来没有真正进入游戏行业中心，更像是在行业边缘反复观察它。也正因为这种位置，我在看 AI 对游戏行业的影响时，反而不太容易被带入某一个岗位的内部叙事。

这篇文章想聊的不是“AI 会不会取代某个岗位”这么窄的问题。这个问题已经被讨论得太多，也很容易变成情绪宣泄。更值得讨论的是，AI 正在让过去很多关于岗位、分工、成长路径和行业安全感的判断失效。

如果从这个角度看，游戏行业只是一个切口。TA、策划、美术、程序、测试、PM、引擎、渲染，都只是这场变化里的不同样本。真正发生变化的，是公司如何理解“人”的价值，以及一个人如何在岗位边界被打碎之后重新判断自己的位置。

一些经济学视角下的岗位变化

很多人喜欢把 AI 比作蒸汽机、纺织机、汽车。这个比喻有一定道理，但也很容易让人获得一种廉价的历史安慰：过去的技术革命都没有让人类失业，AI 大概也只是新一轮生产力提升，熬过去就好了。

问题在于，这种说法经常把“长期看社会会调整”偷换成“眼下的劳动者不会付出代价”。前者可能成立，后者未必成立。更重要的是，AI 进入劳动市场的方式，和传统机器并不完全一样。

蒸汽机替代体力，汽车替代运输方式，流水线替代部分手工动作。它们改变了生产效率，也改变了岗位结构，但在相当长的时间里，人仍然是任务的组织者。机器更快、更稳、更便宜，但机器本身不会理解目标，不会协调上下游，也不会把一个含混的需求转成可交付结果。

现在的 AI，尤其是各类 coding agent 和工作流 agent，开始触及过去被认为更接近“白领劳动”的部分。它可以阅读需求，拆出步骤，生成代码，搜索资料，修正错误，写文档，整理结果。它还远没有达到替代整个岗位的程度，但它已经足够改变企业对岗位的估值方式。

企业招聘一个人，表面上买的是时间，本质上买的是一组能力：执行、理解、沟通、经验、责任、协作和可预期性。过去的自动化更多压低执行成本，AI 则开始压低一部分理解成本、沟通成本和试错成本。于是公司会重新计算：一个岗位里哪些任务还需要由人承担，哪些任务可以交给模型，哪些任务可以由更少的人带着 AI 完成。

这时，岗位并不是被突然删除，而是被拆薄。

入门程序员过去通过改小需求、修 bug、补测试、写脚本理解系统；初阶美术通过资产制作、规范适配、反复修改理解项目标准；初阶 TA 通过工具胶水、流程维护、问题排查理解引擎和内容生产。很多看起来琐碎、低价值、可替代的任务，恰恰是职业成长的训练场。

AI 最先吃掉的也是这些任务。

短期看，公司减少基础岗位很合理，因为 AI 确实可以覆盖一部分低风险、可描述、可验证的工作。长期看，问题会变得棘手：高水平从业者不是凭空出现的。如果基础任务大量外包给 AI，行业内部的训练阶梯就会变窄。最后留下来的岗位要求更高、数量更少、入口更窄，新人更难积累经验，普通从业者也更难通过时间换成长。

这不是单纯的失业问题，而是职业再生产机制被压缩的问题。

经济学里的“任务视角”很适合解释这件事。一个职业不是一个整体，而是一组任务的组合。技术变化不一定直接消灭职业，但会改变职业内部任务的分配。当一些任务被自动化，岗位就会重新组合。过去的岗位边界之所以稳定，是因为这些任务需要由同一个人或同一个团队串起来；现在 AI 降低了任务之间的连接成本，岗位的完整性也随之下降。

这也是为什么我不太愿意把 AI 简单理解为工具。

工具当然仍然是工具，但 AI 的经济功能已经不止于工具。Excel 提升了财务效率，Photoshop 提升了美术效率，IDE 提升了编码效率，但这些工具通常依附于已有岗位。AI 更特殊的地方在于，它会反过来影响岗位应该如何存在。

在这个意义上，“想象力”会变得非常重要。

这里的想象力不是艺术灵感，而是重新组织任务的能力。很多人使用 AI，只是在原来的岗位框架里节省时间：原来写日报，现在让 AI 写日报；原来写代码，现在让 AI 补代码；原来查资料，现在让 AI 查资料。这种使用当然有意义，但它只是把旧流程压缩了一点。

更深的变化在于，一个人能不能重新设计工作本身。比如，把原来需要美术、TA、程序反复沟通的资产检查，改造成半自动化流程；把原来靠经验排查的渲染问题，沉淀成可复用的诊断模板；把原来零散的知识、脚本、规范和项目经验，组织成一个能持续工作的个人系统。

AI 放大的不是单纯的操作熟练度，而是一个人定义问题、重组流程、判断结果的能力。熟练使用工具可以提高效率，重组任务才会改变杠杆。

这对个人是机会，对岗位也是压力。因为同样的逻辑放到企业里，就是公司重新评估“多少岗位是必要的”。

科斯在《企业的性质》里讨论过一个经典问题：既然市场交易有效，为什么还需要企业？原因在于交易本身有成本。找人、谈判、监督、协调、保密、验收、返工，这些都不是免费的。企业把一部分交易放进内部，是为了降低这些成本。

AI 对企业的影响，恰好不只发生在生产效率上，也发生在组织成本上。

过去一个任务需要开会、排期、沟通、验收、返工。现在一部分事情可以由一个人直接交给 AI 试一版，再拿结果和团队讨论。需求沟通成本下降，试错成本下降，外包成本下降，监督成本也下降。公司自然会产生新的组织想象：原来需要一个小组完成的工作，现在能不能由一个人带着 AI 工作流完成？原来要招一个岗位承接的任务，现在能不能分散给现有人手和 AI 系统？

所以 AI 对岗位的影响，不能只从“效率提升”理解。效率提升只是表层，更深的是组织边界变化。企业会重新决定哪些任务放在内部，哪些任务外包，哪些任务自动化，哪些任务干脆不再需要一个完整岗位。

到了这里，AI 和泡沫的问题也应该一起看。

AI 能提效，不等于 AI 没有泡沫。把这两件事混在一起，本身就是偷换概念。一项技术真实有效，和围绕它形成的资产价格、资本开支、估值叙事是否合理，是两回事。

铁路当然有用，但铁路投机可以泡沫化。互联网当然有用，但 2000 年的互联网泡沫依然真实。新能源有用，电动车有用，但过度产能、补贴驱动、估值透支也会发生。泡沫从来不要求底层技术是假的。很多真正巨大的泡沫，恰恰建立在真实技术之上。因为技术越真实，资本越容易把很远的未来提前计入今天的价格。

AI 现在的问题也在这里。

模型能力在提高，企业确实在试用，个人效率也确实被放大。但另一边，成本没有消失。训练要钱，推理要钱，数据中心要钱，芯片要钱，电力要钱，人才要钱，研发迭代也要钱。消费端用户习惯了低价甚至免费，企业端的许多 AI 项目又还停留在试点、演示、局部提效阶段，离真正稳定影响利润表还有距离。

这就形成一个剪刀差：成本越来越像重资产行业，收入却仍然讲着软件订阅故事；估值越来越像平台垄断，兑现却还在基础设施投入期；资本市场按照未来生产力奇迹定价，企业利润表却仍然要回答一个朴素问题：这套东西到底赚了多少钱，省了多少钱，能持续省多久。

更宏观的风险在于，AI 可能带来一条需求侧的死亡螺旋。

对单个公司来说，用 AI 降本是理性选择。减少岗位、提高人效、压缩外包、提高利润率，都是可以被财务报表奖励的行为。但如果大量公司同时这么做，就会出现合成谬误：每个企业都在降低人工成本，整个经济体却可能因此减少劳动收入；劳动收入下降，消费需求下降；消费需求下降，企业收入承压；企业为了维持利润率，又继续压缩人力和成本。

企业眼里的成本，是另一个人手里的收入；一个人的收入，又是另一个企业的需求。劳动不只是成本项，也是消费能力的来源。技术可以增加供给，却不能自动创造有效需求。如果 AI 带来的收益主要流向少数平台公司、云厂商、芯片公司、模型公司和资本所有者，而大量劳动者的收入被压低，那么宏观经济未必会因为“效率更高”而自然繁荣。

这就是凯恩斯式有效需求问题在 AI 时代的重新出现。

AI 可以让内容更多，代码更多，商品更多，服务更多，但如果购买力没有跟上，供给能力提升反而可能加剧过剩。更极端一点说，当越来越多人失去稳定收入，而 AI 服务本身的成本仍然持续上升，系统会同时面对两端压力：收入端承压，成本端膨胀，中间靠资本市场预期续命。只要增长故事还在，资金可以继续涌入；一旦预期转弱，估值、融资、资本开支和基础设施建设就会互相拖累。

所以，AI 泡沫不应因为“AI 确实有用”而被否定。更合理的判断是，AI 是真实技术革命，同时也存在真实泡沫化过程。前者意味着它不会消失，后者意味着它不会按今天的叙事平滑落地。

铁路泡沫之后，铁路留下了；互联网泡沫之后，互联网留下了。AI 即使经历估值重估，AI 也会留下。泡沫破裂不等于技术失败，只说明资本曾经把未来兑现得太早、太满、太线性。

这件事放回劳动市场，就更复杂了。AI 如果继续扩张，会压缩许多岗位；AI 如果泡沫破裂，也未必会让岗位回来。因为泡沫破裂往往伴随融资收缩、预算冻结、砍项目、预期转冷。于是劳动者可能同时面对两种风险：繁荣时被提效逻辑挤压，退潮时被成本控制挤压。

这才是当下职业规划最难的地方。

游戏行业不再提供稳定答案

游戏行业过去很依赖工业化分工。策划、美术、程序、TA、动画、绑定、特效、地编、关卡、测试、项目管理，各个岗位有相对清晰的边界。分工越细，流程越稳定，岗位越能被描述，职业路径也越容易被想象。

TA 这个岗位尤其依赖这种工业化边界。

它原本就站在美术和程序之间。美术要效果，程序要性能和稳定，项目要流程和产能。TA 的价值来自跨工种沟通，也来自把效果需求转成技术路径，把工程限制转成美术能理解的规范。在岗位边界足够清楚的时候，边界之间一定会产生摩擦，TA 就有明确位置。

但 AI 正在削弱这个前提。

美术可以借助 AI 写脚本、做工具、生成 shader 原型、批处理资产；程序可以借助 AI 理解 DCC 流程、生成视觉参考、快速搭建材质逻辑；策划可以让 AI 做竞品分析，也可以具体化自己的想法形成方案；测试可以让 AI 生成用例、读日志、归纳问题。岗位之间的墙变薄了，很多原本需要跨工种协作的低层任务被模型吞掉。

这也是对于像TA这种复合型岗位，在这个时代下比较危险的地方。

TA 的两个核心价值可以概括为两个提效：提升效果，提升效率。过去，很多 TA 的日常工作就建立在这两个提效上：写工具、修流程、查问题、做材质、接美术需求、处理资产规范、补工程和内容之间的缝。问题在于，AI 最先压低的也正是这些工作里的低层部分。临时脚本、工具胶水、简单 shader、文档整理、批量检查、问题初筛，都会越来越便宜。

这不意味着 TA 完全没有价值，但意味着 TA 的岗位需求可能快速收缩。很多团队会认为，美术加 AI、程序加 AI、现有工具链加 AI，已经足够覆盖一部分过去由 TA 承接的工作。这个判断可能带来流程债和质量债，但招聘决策经常先服务短期预算。岗位从来不是因为理论上重要就存在，而是因为组织愿意为它持续付费。

更残酷的是，转向研发侧也不是一个稳妥答案。

以前常见的建议是，业务侧岗位如果不安全，就往引擎、渲染、工具链、研发平台靠。但这个建议现在也需要谨慎。引擎和渲染的需求，本身依赖精品化、长期项目投入和稳定研发预算。经济下行时，精品化叙事会变得昂贵，长期技术岗位也可能缩招。大厂越来越多资源投入 AI，但如果 AI 泡沫重估，研究岗和平台岗也会受到影响。所谓“更底层就更安全”，在今天并不一定成立。

没有一个岗位是安全的。

特效等少数岗位可能因为审美节奏、实时反馈和表现经验仍然保留较强壁垒，但像这种本身就有完成的培训流水线，可以批量生产快速填补人力需求漏洞。策划、美术、TA、测试、PM、运营、程序、引擎、渲染、AI r岗，都在不同程度上承受压力。差别只在于压力来自哪里：有的来自自动化，有的来自预算，有的来自资本周期，有的来自供需错配，有的来自岗位叙事过时。

那怎么办呢。说实话，我也不知道，我也同样迷茫。

说“去学 AI”太轻，说“转研发”太窄，说“做复合型人才”又太空。现实更像是，每个人都要重新评估自己身上哪些能力仍然能迁移，哪些能力只是被某个岗位暂时保护起来，哪些能力在 AI 降低门槛后会迅速贬值。

也许真正值得警惕的不是某个岗位消失，而是人对岗位名称产生了过强依赖。过去你可以说自己是 TA、原画、地编、策划、渲染程序，然后沿着这条路径寻找确定性。现在岗位名称仍然重要，但它不再保证稳定的任务组合，也不再保证清晰的成长阶梯。

游戏行业之外，世界很大。很多人留在游戏行业，是因为喜欢游戏，也因为它曾经提供了一套相对清晰的工业化入口。但 AI 能做的事情远不止游戏，也远不止美术和代码。教育、内容、咨询、软件、营销、制造、电商、设计、个人创业、企业自动化，都在发生类似变化。一个人在游戏行业里积累的审美、工程理解、工具链经验、实时反馈意识、复杂系统协作能力，不一定只能留在游戏里消耗，在 AI 已经打碎岗位边界之后，继续把自己的想象力关在一个行业、一个岗位、一个软件、一个传统分工里，反而会越来越危险。

问题仍然开放。未来哪些岗位会留下，哪些能力会升值，哪些行业会吸收被挤出的劳动者，现在很难下定论。AI 泡沫如果继续膨胀，会改变岗位；如果泡沫破裂，也会改变岗位。经济上行有上行的挤压，经济下行有下行的收缩。个体能做的，可能只是尽量减少对单一岗位叙事的依赖，保持迁移能力，保持对行业之外世界的敏感。

我对这件事没有乐观结论。

只是在越来越强烈地感觉到，游戏行业过去提供的那种岗位安全感，正在失效。AI 让很多人第一次意识到，所谓职业规划，不能只是在既有岗位表里选择一个位置。真正困难的问题是，当岗位表本身开始变化时，一个人还能如何理解自己的能力、收入和未来。