AI 已經把我取代了?
AI 將一份原本我要自己寫的程式碼完成時,我突然發現,自己已經不是主要負責「寫」的人了。
工作變快了,我卻沒有因此比較安心。
因為它碰到的,正好是我投入最多時間、也最常用來判斷自己夠不夠專業的那一塊。如果寫得快、寫得好不再像以前那麼稀缺,我過去累積的還剩下什麼?
軟體工程可能只是比較早碰到這種轉變的職業。當 AI 開始替更多人執行工作,原本習慣親手完成的人,都可能遇到同一件事:工作還在,自己在工作裡的位置卻變了。
這篇文章整理了我今年一月到八月使用 AI 時,累積下來的感受與觀察。
AI 打破的,是開發裡最重的一塊
兩週前,我開始把自己的開發流程整個打掉重練。
過去,一套軟體從需求梳理、開發、測試到上線,真正花時間的地方,通常是把需求變成可以動、可以跑的程式碼。變數怎麼命名、函數怎麼拆、架構以後好不好改,每一個細節都得慢慢磨。對我來說,程式碼能跑只是最基本的要求,還要讓下一個接手的人看得懂、改得動。
這很像木工做出椅子的初胚後,還得拿砂紙磨過每個轉角。人手會碰到的地方不能留下毛刺,接縫處也要反覆檢查,否則現在看起來沒事,用久了還是會鬆開。
這些事情很花時間,卻也是我過去用來判斷一個工程師夠不夠專業的標準。
現在,我不再需要每一次都從空白開始。很多原本必須親手慢慢磨的工作,AI 已經能先做出一個完整的初胚,有時連邊邊角角都處理過一遍。過去可能要花兩三天的工作,現在十分鐘就能看到第一版。哪裡磨得不夠好,只要重新說清楚,它很快又能再做一次。
我原本把大部分力氣放在親手完成,現在得先決定要做什麼,再看它幫我做的東西能不能用。

工程師從親手寫程式,轉為看著 AI 自主完成開發工作。
這讓我感到不安。AI 不只會寫程式,它已經能把程式寫好,甚至開始接手過去最能看出軟體工程師手藝的那一塊。
當親手打磨不再像以前那麼稀缺,我過去相信的專業標準,接下來要放在哪裡?
我曾經相信,學得愈多,路就愈寬
這把用來衡量專業的尺,我用了很多年。
鍵盤上的字,早已被我敲到看不見;頭上也比同齡人多了不少白髮。曾經有好幾年,每到假日,我都會背著一台筆電和一個攜帶式螢幕,到家附近的 Mister Donut,坐在窗邊。一邊吃甜甜圈,一邊寫專案、學新的程式語言,有時也和一群人辦讀書會學習。
那時候的我相信,每多學會一門程式語言,往後的職涯道路就會再開闊一點。遇過的問題愈多,下次就能更快找到方向;踩過的坑愈多,也愈知道哪個地方不能大意。這些東西一點一點累積起來,最後成為我判斷自己有沒有進步、夠不夠專業的標準。
現在,AI 可以在很短的時間裡讀完文件、找出問題,再交出一份能用的程式碼。那些我花了很多年才練熟的工作,沒有突然消失,卻不再像過去那麼稀缺。市場不會因為我曾經投入多少個假日,就保證繼續用同樣的價格衡量它們。
AI 把一件事擺到我面前:當工具開始接手原本最能看出手藝的工作,一個領域用來判斷「什麼叫做好」的標準,也可能跟著改變。
當 AI 開始改寫一個領域的常識
2016 年,曾拿過 18 個世界冠軍頭銜、被視為當時最強棋士之一的南韓職業九段李世乭,與 AlphaGo 進行五局對弈。比賽前,他看過幾個月前的棋譜,覺得 AlphaGo 的棋還很生疏,並不認為自己會輸。[1][2]
但他低估了 AI 進化的速度。

李世乭與 AlphaGo 對弈的想像圖,一名棋士坐在棋盤前與機器人下圍棋。
第一局下到第 26 手,他就察覺事情不對。第二局輸掉後,他甚至不記得自己怎麼回到房間,只記得自己茫然地來回踱步。那天晚上,他和同伴反覆研究棋譜,卻找不到能夠贏過 AlphaGo 的方法。
他不是沒有想過,人類總有一天會輸給電腦。
只是沒想到那一天就是現在,更沒想到第一個站在那裡的人會是自己。
五局結束,李世乭只在第四局贏下一盤。但留在他心裡的,已經不是一勝四敗,而是另一個更難回答的問題:人類過去累積的圍棋知識,真的是對的嗎?[1]
這個懷疑,很快變成整個圍棋界要面對的問題。拿「點三三」來說,它指的是棋盤角落的一個位置。開局就點進去,就像趁對手還沒封住角落,先鑽進去搶地。過去棋士認為,這樣雖然能拿到角落,卻會讓對手在外圍築起一堵厚牆,代價太大,不適合太早下。
AlphaGo 卻換了一種走法。它不急著把角落走死,也保留往兩邊發展的空間。棋士這才發現,原本以為吃虧的交換,其實沒有那麼虧。現在,職業棋士也把「點三三」用在正式比賽中。[3]
AlphaGo 改寫的,不只是一種下法,而是棋士用來判斷「什麼叫做好」的標準。看到這裡,我想到的是軟體工程:如果我們過去相信的標準也會被 AI 改寫,那些依靠舊標準累積下來的經驗,還會留下什麼?
專業沒有消失,而是變成了判斷
我不認為專業被完全取代了。
AI 已經能交回一份能跑的程式碼。畫面正常、按鈕能按、測試全綠燈,看起來已經做完了。
但我還是會問:真的沒有 bug 嗎?功能真的是使用者想要的嗎?畫面操作順不順,會不會做一件事卻得打開一堆對話框?AI 寫的程式碼,我和下一個接手的人都看得懂嗎?
這些判斷,來自長年累積的經驗,也來自那個曾經被前輩糾正無數次的自己。
「寫得不好,重寫。」
「寫得看不懂,重寫。」
「架構有設計清楚嗎?重寫。」
就在這樣一次又一次的來回裡,才有了現在的我。那些被要求重寫的經驗,也成為我驗收 AI 的一把尺。
但要判斷 AI 做的東西能不能用,光懂程式還不夠。我還得知道使用者真正想要處理的是什麼問題、哪些背景沒有說出口,以及有些規則為什麼不能碰。這就是領域知識。它讓我看得懂技術放進真實情境後,會帶來什麼結果。
如果一開始方向就弄錯,AI 就會很勤奮地往錯的方向蓋。你想要的是一座圓拱橋,它卻幫你蓋成吊橋。橋蓋得快,也真的能走,但那不是你要的橋。程式碼能跑,也不等於使用者的問題真的解決了。

工程師拿著圓拱橋的設計圖,眼前的 AI 施工機械卻蓋出一座完整的吊橋。
程世嘉在《智慧通膨下的新商機》中,把同時具備兩項專業深度、又能跨領域理解與轉譯的人,稱為「π 型人才」。[4] 我在 2024 年也曾經談過這個方向。[5] 對我來說,一項是軟體工程,另一項是領域知識。AI 沒有讓我最近才懂這件事,它只是改變了兩者的比重:當寫程式大量交給 AI,理解問題、補足背景,再把不同領域接起來,會從原本的加分項變成工作的重心。
當我的開發方式從「AI 輔助我執行」,變成「AI 主要執行,我負責規劃與驗收」,我的工作也跟著改變:先決定要做什麼,再讓 AI 負責執行,最後用經驗與領域知識驗收。執行可以交給 AI,判斷與責任則不能一起交出去。
所以,那些年留下來的,是讓我看得出 AI 寫的問題,判斷它做完之後,事情到底有沒有真的完成。
只是,如果有一天,連管理 AI 都不再稀缺呢?
管理 AI,也不是下一個鐵飯碗
我現在找到的位置,還是可能再次被改寫。
所以我不想只是把安全感從「我會寫程式」,搬到「我會管理 AI」上面。
現在的工作需要我規劃、補足背景與驗收結果,不代表這樣的分工會一路維持到我退休。AI 還在進步,它能接走的工作範圍也會跟著擴大。
面對這種變化,我能做的,不是一直猜下一個還沒被淘汰的技能是什麼,而是降低自己對單一技能、單一雇主、單一路線的依賴。不要讓一個地方出現問題後,整條路就跟著斷掉。
我仍然會累積軟體工程的知識,但不會把自己綁在某一種程式語言、工具或工作方式上面。我相信,工具真正要用到的時候再學也不遲。
更重要的是,我能不能把過去的經驗拆開,拿來解決下一個問題。
穩定的收入來源很重要,我不會假裝失去它沒有代價。可是,如果我的收入、工作內容,甚至下一步,都只繫在同一間公司身上,一次組織重整,就可能讓原本很穩定的生活突然失去支點。
降低對單一雇主的依賴,並不是說我明天就要離職。我只是要提醒自己:除了眼前的工作,我還有哪些選擇?
路線也是一樣。軟體工程可以是我現在走的路,但不用變成唯一一條。我可以繼續往前走,同時保留轉身的空間。當環境改變時,也能把累積的經驗帶去新的領域,往別的方向走。
這些做法只能降低一次變動把我全部打垮的機會,但不能保證我永遠安全。當工作、薪水和頭銜真的一起改變,我還是得回答一個更底層的問題:除了外在成就,還有什麼能讓我不跟著失去重心?
環境會變,我不能跟著失去重心
這個問題,並不是 AI 出現之後我才開始想的。
大約二十九、三十歲時,我就走過一次從外在成就回到內在的過程。薪水、頭銜和別人的認可,或許都是在社會上生活時很重要的東西。但如果只有這些東西能讓我覺得自己有價值,我的生活就會一直由別人幫我打分數。
AI 只是讓同一個問題換了一個樣子。這一次,被重新定價的是我投入多年的專業,還有我原本以為可以一路走下去的工作。
如果有一天,我真的失去現在的工作,我當然會難過。那代表我失去了一份薪水不錯的工作,也得面對收入下降帶來的壓力。
但我不會因此失去想做的事情。

一個人站在鏡子前,重新看見被工作與外在成就遮住的自己。
我還是會想要讀書,還是會因為弄懂一個原本不懂的問題而開心。我甚至想過回大學,或是念個碩士,去學心理學、大腦科學或哲學。這些都不是已經排好的職涯計畫。這些念頭只是在提醒我:離開軟體業,我的人生還有其他可能。
失去收入當然有代價。只是對現在的我來說,生活標準降低,不等於人生失敗。以前可以吃生魚片、牛排,以後也許改吃粥或便當。
日子需要重新調整,但我仍然有想要理解的事情,也還有願意投入時間的興趣。
我會繼續學習怎麼和 AI 工作,也會繼續累積專業。只是我不再指望靠著某一項技能或某一份工作,就能一路做到退休。
AI 可以很快整理完一本書,甚至整理得比我完整,但它不能替我感受突然想通一件事情的快樂。工作的方式會變,市場對專業的定價也會變。我真正不想一起交出去的,是自己仍然想學、想理解,還能投入其中的那個部分。
後記:這篇文章真的寫了超久
這篇文章,我真的寫了超久。
第一版就寫了八個小時。原本以為有 AI 幫忙,應該可以寫得快一點,結果我和它愈寫愈偏,最後連結論都寫不出來。
我和 AI 一起寫這篇文章的期間,腦中一直冒出最近讀過的幾本書:《反脆弱》、《智慧通膨下的新商機》、《AI 時代的人生勝負手:創造答案的能力》。一個個鮮明的案例不斷蹦出來,我想到一個就寫一個,寫完又繼續改。最後支線愈拉愈長,整篇文章也跟著跑偏了。🤣
這也和我的寫作習慣有關。
通常是有一個概念或一件事情,我很想把它想清楚,才會動手寫文章。我不一定已經知道答案了,很多時候,正是因為腦中的脈絡還很模糊,才需要透過寫作把它慢慢梳理出來。
這篇文章也是。我只是隱約感覺到,這幾個月使用 AI 工作以後,自己好像有一些地方變了。我想把那些變化說清楚,卻還沒有想好最後要走到哪裡,就先拉著 AI 一起寫。
結果我自己沒有先想好結論,AI 又很會順著眼前的內容繼續往下寫。每一條支線都被愈寫愈長,最後就把我一起帶偏了。
現在回頭看,這篇文章的寫作過程,剛好也示範了正文裡談的事情:AI 執行得很快,但方向還是得由人決定。
而且我前面還花了很多時間調整專有名詞,怕大家看不懂。像是領域知識(Domain Knowledge)、點三三,甚至原本還打算拿物理治療師怎麼治療我的背痛當例子。什麼棘下肌、提肩胛肌、胸鎖乳突肌,差一點全部都要出場了。
寫到這裡,我也忍不住懷疑:我平常訂閱的電子報裡,有些文章放了一堆專有名詞,寫得文謅謅的,還是有很多人訂閱。難道大家其實比較喜歡這種寫法?這樣我是不是不用每次都把知識「掰碎了、揉爛了,再餵給大家」?
這是我最近看的一本小說《撈屍人》裡的梗。主角很聰明,為了帶著身邊的夥伴一起進步,會把自己知道的東西拆成簡單好懂的內容,再依照每個人的狀況安排不同的學習方式。
搞不好下一篇,我完全不解釋 Domain Knowledge 和點三三,再塞滿棘下肌、提肩胛肌與胸鎖乳突肌,搞不好流量反而會高一點。🤣
當然,我寫文章原本就不是為了流量。更多時候,是想整理自己的思考,把一件原本模糊不清的事情想明白。這篇雖然繞了很大一圈,至少寫到最後,我終於知道自己真正想說的是什麼。
不過,如果你喜歡這篇文章,還是記得幫我按一下讚。哈哈。
參考資料
[1] 李世乭,《AI 時代的人生勝負手:創造答案的能力》,大塊文化
[3] Google DeepMind,The innovations of AlphaGo
[5] Charlie Ku,〈AI 加速進步,卻也加速淘汰?職場人的下一步該怎麼走〉
下一封慢信見。