How tech workers actually feel about AI in 2026 | Annual AI sentiment survey
来源：Lenny's Podcast（2026-07-12，约 1h 36min），Noam Segal（独立研究顾问，前 Airbnb/Meta/Twitter/Zapier/Figma 研究负责人，与 Lenny 共营年度 survey）访谈。用法定位：snapshot/diagnostic data——2026 年中 tech workforce 心理状态基线，非机制库。证据定级 medium：独立研究者 + 方法学公开（约 6000 人样本，跨 product/engineering/design/research/marketing/data/sales），但测量的是自我报告情绪而非客观现实（"this is not an image of reality, this is an image of how people are feeling"）。
编译摘要
1. 浓缩
- 核心结论1：AI 把 tech workforce 一分为二——50% amplified（"can do more, can do better"，纯正面）；其余分为 redefined（27%，"角色在根本性变化，但不知意味着什么"）、destabilized（14%，地基摇晃、高焦虑）、diminished（5%，"被拿走了永远不会回来的东西"）；仅 3% 报告 AI 未改变其职业身份
- 关键证据: AI 身份立场对几乎所有其他变量（career optimism / burnout / layoff worry / 推荐意愿）的效应量（Cohen's D）是 manager 效应与 founder happiness 效应的约 3 倍——AI 是影响 tech 工作感受的异常值级因素，超过角色、公司、规模、级别。
- 核心结论2：burnout 与 optimism 背离恶化——burnout >moderate 从 44.7%（2025）升至 54.7%（2026，+11pt YoY）；optimism 从 54.8% 降至 48.7%；career recommendation NPS 为负（连最幸福的 founders 都不推荐自己的角色，designers/researchers 最负面）
- 关键证据: 97.2% 称 AI 让自己"better at job"，但深挖后含义是"do more faster, but not better"——产出量上升、质量未升，且伴生 "my brain is rotting"（cognitive rot：看到 AI 初始输出就接受，不施加判断）。报告金句："The speed AI unlocked got plowed straight back into expectations. Every gain becomes the new baseline."
- 核心结论3：#1 fear 不是失业——"losing my job to AI" 排名倒数第二；压倒性第一恐惧是 "expectation to do more for the same pay"（被持续挤压），第二位是 "pace becoming unsustainable"（工作速度 + 技术变化速度双重），二者形成 evil downward spiral：学新模型/框架占用时间 → deep work 时间减少 → 焦虑增加
- 关键证据: ladder metaphor（引 Scott Wu/Cognition 的产品能力阶梯）：CS 学生 → college intern → junior → senior/staff 的梯级正在被技术从脚下抽走——越靠梯底越不推荐入行。sales 意外高幸福（AI 放大 generalist 价值），craft 类工作（design/research）最低。
2. 质疑
- 关于"结论1"的质疑: 四分类基于多选情绪的聚类，分组边界是分析产物而非自然种类；样本为 Lenny 社区自愿参与者，天然偏向"关注 AI 的 tech 从业者"，对 AI 无感的人群被系统性低代表（尽管仅 3% 称未受影响侧面支持了代表性）。
- 关于"结论2"的质疑: burnout +11pt YoY 的归因不纯——2025-2026 同期有大规模裁员潮、利率环境、行业整合，survey 无法把 AI 从这些混杂因素中隔离；"cognitive rot" 是自我报告隐喻，没有认知能力的客观测量支撑。
- 关于"结论3"的质疑: "fear 排名" 受选项措辞影响大；"do more for same pay" 在经济学上是生产力-薪酬脱钩的老命题，AI 可能只是最新归因载体而非原因。
- 数据可靠性: 样本量与方法学可信，但全部为 self-report；当作"命名现象 + 时间基线"使用，不当作机制证据。
3. 对标
- Augmentation-Trap 的首个大样本自报告证据: 增强陷阱理论（07-16）预言"增强掩盖退化、退化不可自察"；本 survey 显示退化已部分被察觉（"my brain is rotting" 成为普遍自述）但行为未改变（"if I have an easy button, I will press it"）——这是理论的新阶段证据：觉察窗口已打开，但觉察不足以中断螺旋。97.2% "getting better" 与质量下降并存，正是"AI 浇灌草场"（增强掩盖退化）的统计显影。
- self-efficacy 侵蚀 = Knowledge-Debt 的心理账户: Segal"每次你（而非 AI）解决问题，self-efficacy 基线上升；每次外包给模型，基线下降"——把知识债务从技术类比（technical debt 同构）延伸到心理资本维度：退化不仅是能力缺口，也是自我效能感的流失。
- generalist vs craft 的命运分化验证 Cross-Disciplinary-Generalist: sales（最 generalist）意外幸福、design/research（最 craft）最负面，与 Netflix CPTO 集（20260730-lenny-netflix-cpto-systems-thinkers-elizabeth-stone）"fewer specialists, more generalists"的招聘转向互相印证——需求侧（招聘）与感受侧（焦虑）指向同一结构性转变。
- "AI confidence theater" 作为话语基线: Elena Verna 概念（"coding is dead, design is dead, SaaS is dead" 全是不实宣言）——本 survey 的价值部分在于为舆论过热/过冷提供校准锚点。
- 约束分析（3c）: 硬约束——生产力增益必然被部分吸收为新基线（组织竞争的棘轮效应，个体无法单方面拒绝）；软约束——manager 行为是 well-being 最大杠杆（survey 效应量第二大因素，可培训）；自设约束——"推荐入行与否"受叙事感染，NPS 为负可能是情绪传染而非结构性判断。