引言
朋友们问我:想清楚了吗?新公司靠谱吗?
说实话,我没想清楚。
但我做了。然后在新环境里一点点调试。
这不是我第一次这么做。12年职场走下来,我发现一个规律:那些真正改变我职业轨迹的决定,没有一个是在"分析完了"之后做出的。
都是在信息不完备、没有完美答案的情况下,先选了,然后边走边调整。
后来我读到记忆承载(碧树西风)写的一句话,一下子把我这12年的直觉说清楚了:
"一个成熟的码农,是先选择,后测试。"
两种决策模式:你用的是哪一种?
大多数人做职场决策,用的是分析派逻辑:
看起来很合理,对不对?
但问题是——等你分析完了,机会已经过去了。
我降薪跳槽之前,也试图"分析清楚"。我列了Excel表格,给新公司打分:薪资、平台、发展空间、团队氛围……打了一圈,还是没法做决定。
因为关键信息我根本拿不到:
这些信息,你不进去,永远不知道。
分析派的前提是:你有足够的时间和足够的信息。 但在职场里,这两样东西你都没有。
而码农做决策,用的是另一套逻辑——先选择,后测试。
记忆承载用一个很生动的比喻:图表分析派就像"电脑算命"——先有了一个主观判断,然后去找数据来支撑它。看起来是数据分析,内核还是主观判断。
真正的码农思维不是这样的。
一个Linux内核工程师,面对几千万行代码,他根本不可能"分析完"再动手。他这么做:
他不需要理解整个系统才能动手。他只需要在动手的过程中,逐步理解。
职场决策也是一样。
你不需要"分析清楚"新工作值不值得去。你需要的是:
- 1. 设定一个可测试的决策(接受offer / 拒绝offer)
我跳槽时,当时在想什么?
说实话,我当时没想那么多。
ITW的时期,我从内饰创新经理做到统管四大创新团队——说是半壁技术中心也不为过。但2024年,我感到一件事:我在那个位置上,已经学不到新东西了。
这是我想清楚的唯一一件事。
其他的,都是模糊的:
但我做了一个码农式的判断:
如果我的目标是"持续学习 + 不被AI替代",那么待在原地100%学不到新东西,跳槽至少有50%的概率能学到。
胜率超过5成,就值得重复这个选择。
这不是分析,这是大数定律。
量化交易的核心逻辑就是:找到一个胜率超过5成的策略,然后重复它。你不需要每次都赢,只要长期期望值为正,就干。
我降薪跳槽,本质上就是下了这个注。
结果呢?
进了恩坦华之后,我发现降薪不是最坏的——最坏的是停滞。而在新环境里,我被迫从头开始学东西,反而把AI工具链给学透了。
现在我一个人 + 一套GSD系统,每天自动产出公众号文章、自动抓取热点、自动复盘。这些东西,如果我还待在ITW那个位置上,可能永远不会有动力去学。
先选择,后测试。测试完了,再调试。
如何把码农思维用到日常职场决策?
说起来简单,做起来难。我们从小被教育要"三思而后行",要"深思熟虑"。
但职场不是考试,没有标准答案。
以下三个方法,是我从码农思维里提炼出来的,可以直接用在日常决策中:
方法一:设定"测试期限",而不是追求"完美答案"
每次遇到重大选择(跳槽 / 转岗 / 创业),给自己设定一个决策截止日。
比如:"我会在本周五之前做决定,不论信息是否收集完整。"
为什么要这么做?
因为完美信息是一个陷阱。你永远不可能收集完所有信息。而那些最关键的信息(老板的人品、团队的氛围、行业的走势),往往只有你进去了才知道。
与其在分析上花3个月,不如给自己3天做决定,然后花3个月去调试。
方法二:把"跳槽"当成"发版",而不是"终点"
码农不会觉得一个版本是"最终版"。V1.0之后有V2.0,V2.0之后还有V3.0。
职场决策也一样。
你接受一个offer,不是在签"终身契约"。你是在发V1.0。进了公司之后,发现不对,可以调试:
不要把一次选择当成"定终身"。 它只是一个可迭代的版本。
方法三:关注"调试能力",而不是"选择能力"
很多人纠结的不是"怎么选",而是"我怕选错了"。
但码农思维告诉我们:选错了没关系,重要的是你有没有调试能力。
什么是调试能力?
- • 进了一家不合适的公司,你能不能快速判断"这里不适合我",然后及时抽身?
- • 做了一个错误的职业选择,你能不能把这段经历转化成下一份工作的优势?
- • 遇到挫折,你是陷入自责,还是快速复盘、调整方向?
选择能力决定你起点在哪里,调试能力决定你能走多远。
结尾
记忆承载说:"不是码农土木化,而是人人都变成了码农。"
我深以为然。
AI时代,职场的不确定性只会越来越高。你不可能靠"分析清楚"来应对变化。你只能靠快速选择 + 快速迭代 + 快速调试来应对。
但现在回过头看,那是我近几年做过的最正确的决定——不是因为它完美,而是因为我选了之后,一直在调试,一直在学习,一直在进步。
职场决策的本质,不是找到完美答案,而是找到一个胜率超过5成的方向,然后全力以赴。
你不需要想清楚再出发。
你只需要在出发之后,别停下学习的脚步。
Eric | 12年汽车零部件研发从业者 × AI实践者
每周分享一个职场人用AI提效的真实案例。关注我,不错过下一次更新。