最近很多人在聊 ChatGPT，氣氛有點...怎麼說，又興奮又焦慮。特別是在科技業的朋友，感覺特別明顯。好像一個新的時代要來了，但沒人知道自己會站在浪頭上，還是被浪打翻。
老實說，那種「AI 要來搶你飯碗了！」的標題，我看膩了。太聳動，而且沒講到重點。事情沒那麼單純。這不是一場人跟機器的戰爭，更像是一場工具的革命。不會用新工具的人，自然會被會用的人取代。就這麼簡單。
TL;DR
一句話講完：AI 不會直接讓你失業，但那些懂得把 AI 當成「副駕駛」來用的人，會讓你失業。這不是未來式，是現在進行式。
衝擊最大的不是「寫程式」，而是「想都不用想」的那些事
很多人第一個反應是「完了，工程師要沒工作了」。我自己是覺得，這個說法對，也不對。與其說「工程師」這個職位會消失，不如說工程師工作內容裡，那些重複性高、不太需要深度思考的部分，會被快速壓縮。
你想想看，以前我們覺得很煩的那些事：
- 寫 boilerplate code：什麼是 boilerplate... 就是那種每個專案都要來一次的基礎設定檔、連線資料庫的程式碼。很無聊，但又不能不做。
- 生單元測試：為了一個簡單的 function，要寫好幾個 test case，檢查各種邊界條件。煩。
- 寫文件：誰喜歡寫文件？幾乎沒有。把程式碼的邏輯翻成人類看得懂的說明，超花時間。
- 解讀錯誤訊息：有時候噴一個看不懂的 error，光是複製貼上到 Google 找答案就要半天。
現在呢？這些事情，你丟給 ChatGPT 或 GitHub Copilot，基本上幾秒鐘就給你一個七八成的答案。這才是它最可怕的地方——它不是取代了「創造」，而是取代了「勞動」。
所以你看，受影響最大的，反而不是那些資深架構師或演算法專家，而是...嗯，那些主要工作就是執行明確指令的人。比如，剛入行的初階工程師，或是負責手動測試的 QA 人員。
一個任務的「之前」與「之後」
我們用一個實際的例子來看，假設今天一個產品經理（PM）要開一個新功能，需要工程師做。以前跟現在的工作流程，可能會長得像下面這樣。你看完就知道差別在哪。
| 階段 | 以前的做法 (沒有 AI) | 現在的做法 (有 AI 輔助) |
|---|---|---|
| 需求發想 | PM 埋頭苦幹，看數據、訪談使用者，花好幾天寫一份 PRD (產品需求文件)。 | PM 把原始數據和使用者回饋丟給 AI，請它總結重點、生成初步的 User Stories。快超多。 |
| 技術規劃 | 資深工程師開會討論，在白板上畫架構圖，吵個半天決定技術方案。 | 團隊把 User Stories 丟給 AI，問它「用現有技術棧，建議幾種實作方法？優缺點是？」，然後基於 AI 的建議來討論，省掉從零開始的過程。 |
| 程式開發 | 初階工程師根據規格，一行一行把 CRUD (增刪改查) 跟 API 刻出來。很花時間，還容易出錯。 | 工程師寫個詳細的 prompt，AI 直接生成大部分的 boilerplate code。工程師的角色變成 code reviewer，專注在核心邏輯和重構。 |
| 測試階段 | QA 工程師手動點擊介面，或根據規格寫一堆自動化測試腳本。又是個體力活。 | 直接叫 AI「幫這個 function 生成 Jest 的測試案例」，或是用 AI 工具自動化 UI 測試。QA 轉而專注在更複雜的整合測試和效能測試。 |
| 上線與文件 | 工程師心很累，還要去補寫 API 文件和使用手冊。 | 把整段程式碼丟給 AI，跟它說「幫我生成符合 OpenAPI 規格的文件」。Done. |
看懂了嗎？每個環節都還需要人，但每個環節的「勞力活」都被大幅減少了。結果就是，以前需要 5 個人的團隊，現在可能 2 個人加 AI 就搞定了。這才是公司高層看到的東西：效率提升。而效率提升的另一面，你知道的，就是人力精簡。
那...到底該怎麼辦？
講了這麼多焦慮，總得有點實際的建議。說真的，「去學 prompt engineering」這句話跟廢話差不多。重點不是你會不會問問題，而是你知不知道該問什麼、以及如何利用 AI 的答案來創造價值。
我自己覺得，有幾個方向是真的可以做的：
1. 從「使用者」變成「訓練師」
不要只會用 chat.openai.com。去學著用 API，試著 fine-tune 一個模型。當你不再只是把 AI 當成一個聊天機器人，而是把它當成一個可以被你「調教」的工具時，你的價值就完全不同了。公司需要的不是一百個會用 ChatGPT 的人，而是那個知道如何把公司內部資料，訓練成一個專屬 AI 客服模型的人。
這點在台灣的產業環境可能更重要。根據像是 Gartner 這種國際研究機構的報告，全球企業都在擁抱生成式 AI，但像我們在台灣，有很多獨特的製造業、供應鏈數據，這些是通用模型不懂的。如果你能成為那個「教會 AI 懂我們產業」的人，那你根本不用怕被取代。
2. 專注在「跨領域」的整合能力
AI 很會寫純粹的程式碼，但它不懂「人」。它不知道這個按鈕為什麼要用藍色而不是紅色，因為藍色在我們的品牌形象裡代表「信賴」。它也不知道這個 API 為什麼要多傳一個參數，因為那是為了讓另一個部門的同事方便對帳。
純粹的「碼農」會越來越危險，但如果你是「懂產品的工程師」、「懂數據的 PM」、「懂使用者體驗的設計師」，你的價值就會暴增。因為 AI 負責產出零件，而你負責把這些零件組合成一個有靈魂的產品。
3. 把 AI 當成你的加速器，去「完成」更多事
以前你想做一個 side project，可能光想到要寫前後端、弄資料庫、部署...就懶了。現在呢？前端畫面可以用 Midjourney 或 Vercy v0 生，後端邏輯可以叫 ChatGPT 寫，部署腳本也可以問它。你從一個「工匠」變成一個「指揮家」。
重點不是「工作更久」，而是「交付更多」。你的履歷上如果不是「我會寫 React」，而是「我在三個月內，用 AI 輔助獨立開發並上線了三個小專案」，哪個更有吸引力？答案很明顯。
常見的迷思或誤解
每次聊到這個話題，總會聽到一些反駁，我覺得也值得拿出來講講。
「AI 沒有創造力，它只是模仿。」
嗯...是，也不是。你覺得莫札特的音樂有創造力嗎？他也是在當時的音樂理論框架下，學習了大量的作品後，才創作出自己的東西。AI 現在做的事情，本質上很像。它學習了全人類的知識，然後根據你的要求，重新組合、生成。你說這不是「創造」嗎？我覺得界線已經越來越模糊了。重點是，它產出的東西「有沒有用」。
「AI 的程式碼品質很差，還會出錯。」
完全正確！但這剛好就是你的機會。它現在就像一個能力很強、但經驗不足的實習生。它寫得快，但寫得不夠好。所以，資深工程師的價值，就從「親手寫 code」轉變為「快速審核並修正 AI 產出的 code」。你的經驗，變成了品質的最後一道防線，這反而更重要了。
「我們公司很傳統，根本沒在用這些。」
這可能是最危險的想法。還記得 Nokia 嗎？他們也覺得觸控螢幕手機只是個噱頭。當你的競爭對手，因為導入 AI，開發速度是你的三倍，成本是你的三分之一時，市場是不會等你的。你不一定要在公司大張旗鼓地推動，但你自己，一定要在下班後偷偷地玩、偷偷地學。
說到底，這不是一個要不要擁抱 AI 的問題，而是你要選擇當那個被浪推著走的人，還是學會衝浪，站在浪頭上的人。選擇權，其實還在我們手上。
說到這裡，也想問問大家，在你現在的工作中，你覺得哪個任務最可能在一年內就被 AI 大幅改變？
- 寫重複的樣板程式碼 (Boilerplate code)
- 寫各種測試案例 (Unit/Integration Tests)
- 寫技術文件或會議記錄
- 回覆初階的客戶或使用者問題
可以在下面留言分享你的數字，看看大家想的是不是都一樣。
