People Matters 的报道则提到，Chesky 警告说，所谓只做人员协调的“纯人员管理者”，以及不愿适应新技术的员工，可能会在 AI 改变公司运转方式时被甩在后面 。换句话说，Airbnb 的 AI 转向不只是“开发效率提升”的故事，它也在改写技术领导力的门槛。

这种 AI 化也不只发生在软件开发。The Motley Fool 发布的 Airbnb 2025 年第四季度财报电话会议实录显示，Airbnb 自研 AI 客服代理已解决北美三分之一的支持问题，并处理近 30% 的工单；公司还计划将其扩展到全球和语音场景 。同一份实录还描述了更广泛的 AI 原生体验：帮助客人规划旅程，也帮助公司在规模化运营中提高效率 。

工程师的变化：从“写更多代码”到“让正确的软件存在”

当 AI 能承担大量第一版实现，工程师并不会因此失去意义。相反，工作重心更容易转向监督、架构、产品判断和最终负责。

今后的强工程师，可能更需要把这些事做好：

• 把问题说清楚。 AI 工具越强，越依赖人给出目标、限制、预期行为和业务背景。
• 提供系统上下文。 生成代码必须放进现有代码库、权限边界、数据假设和产品需求里看。
• 审查输出。 代码能跑不等于能上线；工程师仍要读懂实现、权衡取舍，判断是否安全可发布。
• 测试边界场景。 第一版变快，不代表异常路径、回归风险和调试可以省掉。
• 守住架构。 生成代码越多，未来要维护的代码也可能越多，模块边界、依赖关系和长期简洁性反而更重要。
• 对生产结果负责。 可靠性、可维护性和用户影响，最终仍由人类团队承担。

这意味着，“工程能力”的信号会变化。速度依然重要，但手写代码量不再是最可靠的价值证明。真正拉开差距的是判断力：知道该让 AI 做什么、该拒绝什么、该重构什么，以及哪些需求根本不该被做成代码。

代码审查为什么更值钱

AI 辅助编程让初稿变便宜，但也让“看得出好坏”的人更稀缺。一个团队如果能更快地产生代码，瓶颈往往会从“谁来写”转移到“哪些代码值得留下”。

因此，优秀工程师不只是会给模型下指令的人，而更像编辑、系统设计师和线上系统负责人三者的结合：能把 AI 生成的草稿变成可靠软件。这里面包括核对实现是否符合产品意图，是否踩中了隐藏假设，是否破坏架构边界，以及半年后是否还方便别的团队维护。

这也是为什么 AI 可能让高级工程判断更重要，而不是更不重要。自动生成越快，越需要有人守住方向盘。

管理者的变化：只会排会和追进度不够了

Chesky 关于管理者的说法同样关键。按 Business Insider 的报道，Airbnb 对管理者的期待是离一线工作足够近，能够写代码或亲自使用 AI 编程工具 。People Matters 关于“纯人员管理者”可能难以适应 AI 时代的报道，也指向同一件事：如果管理角色只是一层协调和转发，压力会越来越大 。

这并不等于每个工程经理都必须重新成为团队里最强的个人贡献者。但技术流利度会更难回避。

在 AI 深度参与交付的团队里，管理者至少需要能够：

• 理解 AI 工具能做什么、不能做什么；
• 评估技术取舍，而不是只问“进度到哪了”；
• 在估算、设计和生成代码里识别薄弱假设；
• 为评审、测试、安全和可靠性设定清晰质量门槛；
• 用交付价值和系统健康度衡量团队，而不是用手敲了多少行代码衡量团队。

招聘、辅导、优先级排序和团队健康仍然是管理者的职责。但在 Airbnb 这类正在把 AI 放进日常流程的公司里，这些职责必须和对工具、代码、架构的实际理解并存。

压力最大的不是某个头衔，而是过窄的工作方式

风险最高的角色，不一定叫“软件工程师”，也不一定叫“经理”。更危险的是一种只围绕常规产出定义自己的工作方式。

更容易承压的人，通常有这些特征：

• 只写代码，却不了解代码所在系统；
• 接受 AI 生成结果，却不认真审查；
• 用任务数量衡量影响，而不是用产品价值衡量影响；
• 只协调流程，却不理解技术内容；
• 回避学习已经进入团队工作流的新工具。

相对更稳妥的画像，是具备强判断力的技术型执行者：能借 AI 提速，也能守住质量、架构和结果。

现在该怎么做

对工程师来说，务实的选择不是抵触 AI，也不是盲信 AI，而是把自己训练成优秀的 AI 辅助交付者：写更清楚的规格说明，给出更完整的上下文，仔细看 diff，扩大测试覆盖，并持续补强架构、可靠性、安全和产品理解。

对管理者来说，关键是不要离手艺太远。亲自使用工具，理解它的上限和下限；参与设计和评审讨论；把质量标准写明白；奖励长期可靠的产品结果，而不是奖励“代码是不是人工一行行敲出来的”。

但别把 Airbnb 当成全行业平均数

Airbnb 的“近 60%”是一个公司自己的数据点，不是行业基准。它不应被解读成每家软件组织都已经达到同样的 AI 采用水平。

Chesky 对 AI 的判断本身也包含“加速”和“耐心”两面。2024 年，他曾表示，AI 对世界的改变会超出许多人的想象，但实现这些变化所需的时间也会比很多人预期更长 。这也许是理解这轮变化更稳妥的框架：AI 会深刻改造软件工作，但过程不会整齐划一。

结论并不是“AI 正在简单取代工程师和管理者”。更准确地说，AI 正在改变他们的贡献单位。工程师要成为更好的机器生成内容指挥者和审查者；管理者要具备足够技术流利度，才能领导每天使用 AI 的团队。在 Airbnb 的案例里，持久优势正在从手工产出，转向判断、负责，以及把 AI 结果变成可靠产品的能力 。

People Matters 的报道则提到，Chesky 警告说，所谓只做人员协调的“纯人员管理者”，以及不愿适应新技术的员工，可能会在 AI 改变公司运转方式时被甩在后面 。换句话说，Airbnb 的 AI 转向不只是“开发效率提升”的故事，它也在改写技术领导力的门槛。

这种 AI 化也不只发生在软件开发。The Motley Fool 发布的 Airbnb 2025 年第四季度财报电话会议实录显示，Airbnb 自研 AI 客服代理已解决北美三分之一的支持问题，并处理近 30% 的工单；公司还计划将其扩展到全球和语音场景 。同一份实录还描述了更广泛的 AI 原生体验：帮助客人规划旅程，也帮助公司在规模化运营中提高效率 。

工程师的变化：从“写更多代码”到“让正确的软件存在”

当 AI 能承担大量第一版实现，工程师并不会因此失去意义。相反，工作重心更容易转向监督、架构、产品判断和最终负责。

今后的强工程师，可能更需要把这些事做好：

• 把问题说清楚。 AI 工具越强，越依赖人给出目标、限制、预期行为和业务背景。
• 提供系统上下文。 生成代码必须放进现有代码库、权限边界、数据假设和产品需求里看。
• 审查输出。 代码能跑不等于能上线；工程师仍要读懂实现、权衡取舍，判断是否安全可发布。
• 测试边界场景。 第一版变快，不代表异常路径、回归风险和调试可以省掉。
• 守住架构。 生成代码越多，未来要维护的代码也可能越多，模块边界、依赖关系和长期简洁性反而更重要。
• 对生产结果负责。 可靠性、可维护性和用户影响，最终仍由人类团队承担。

这意味着，“工程能力”的信号会变化。速度依然重要，但手写代码量不再是最可靠的价值证明。真正拉开差距的是判断力：知道该让 AI 做什么、该拒绝什么、该重构什么，以及哪些需求根本不该被做成代码。

代码审查为什么更值钱

AI 辅助编程让初稿变便宜，但也让“看得出好坏”的人更稀缺。一个团队如果能更快地产生代码，瓶颈往往会从“谁来写”转移到“哪些代码值得留下”。

因此，优秀工程师不只是会给模型下指令的人，而更像编辑、系统设计师和线上系统负责人三者的结合：能把 AI 生成的草稿变成可靠软件。这里面包括核对实现是否符合产品意图，是否踩中了隐藏假设，是否破坏架构边界，以及半年后是否还方便别的团队维护。

这也是为什么 AI 可能让高级工程判断更重要，而不是更不重要。自动生成越快，越需要有人守住方向盘。

管理者的变化：只会排会和追进度不够了

Chesky 关于管理者的说法同样关键。按 Business Insider 的报道，Airbnb 对管理者的期待是离一线工作足够近，能够写代码或亲自使用 AI 编程工具 。People Matters 关于“纯人员管理者”可能难以适应 AI 时代的报道，也指向同一件事：如果管理角色只是一层协调和转发，压力会越来越大 。

这并不等于每个工程经理都必须重新成为团队里最强的个人贡献者。但技术流利度会更难回避。

在 AI 深度参与交付的团队里，管理者至少需要能够：

• 理解 AI 工具能做什么、不能做什么；
• 评估技术取舍，而不是只问“进度到哪了”；
• 在估算、设计和生成代码里识别薄弱假设；
• 为评审、测试、安全和可靠性设定清晰质量门槛；
• 用交付价值和系统健康度衡量团队，而不是用手敲了多少行代码衡量团队。

招聘、辅导、优先级排序和团队健康仍然是管理者的职责。但在 Airbnb 这类正在把 AI 放进日常流程的公司里，这些职责必须和对工具、代码、架构的实际理解并存。

压力最大的不是某个头衔，而是过窄的工作方式

风险最高的角色，不一定叫“软件工程师”，也不一定叫“经理”。更危险的是一种只围绕常规产出定义自己的工作方式。

更容易承压的人，通常有这些特征：

• 只写代码，却不了解代码所在系统；
• 接受 AI 生成结果，却不认真审查；
• 用任务数量衡量影响，而不是用产品价值衡量影响；
• 只协调流程，却不理解技术内容；
• 回避学习已经进入团队工作流的新工具。

相对更稳妥的画像，是具备强判断力的技术型执行者：能借 AI 提速，也能守住质量、架构和结果。

现在该怎么做

对工程师来说，务实的选择不是抵触 AI，也不是盲信 AI，而是把自己训练成优秀的 AI 辅助交付者：写更清楚的规格说明，给出更完整的上下文，仔细看 diff，扩大测试覆盖，并持续补强架构、可靠性、安全和产品理解。

对管理者来说，关键是不要离手艺太远。亲自使用工具，理解它的上限和下限；参与设计和评审讨论；把质量标准写明白；奖励长期可靠的产品结果，而不是奖励“代码是不是人工一行行敲出来的”。

但别把 Airbnb 当成全行业平均数

Airbnb 的“近 60%”是一个公司自己的数据点，不是行业基准。它不应被解读成每家软件组织都已经达到同样的 AI 采用水平。

Chesky 对 AI 的判断本身也包含“加速”和“耐心”两面。2024 年，他曾表示，AI 对世界的改变会超出许多人的想象，但实现这些变化所需的时间也会比很多人预期更长 。这也许是理解这轮变化更稳妥的框架：AI 会深刻改造软件工作，但过程不会整齐划一。

结论并不是“AI 正在简单取代工程师和管理者”。更准确地说，AI 正在改变他们的贡献单位。工程师要成为更好的机器生成内容指挥者和审查者；管理者要具备足够技术流利度，才能领导每天使用 AI 的团队。在 Airbnb 的案例里，持久优势正在从手工产出，转向判断、负责，以及把 AI 结果变成可靠产品的能力 。