超越 Tokenmaxxing：為工程團隊打造一致的 AI 政策

人工智慧在軟體工程中的整合已經超過「新奇」階段，進入系統性變革的時期。然而，隨著 AI 工具變得無處不在，許多組織陷入了經典的管理陷阱：試圖以容易被操弄且與價值交付根本脫節的代理指標來衡量生產力。

其中一個趨勢是「tokenmaxxing」——透過建立以代幣使用量為基礎的排行榜來鼓勵 AI 採用。這種做法是「計時器管理者」的現代變體，焦點從結果品質轉移到活動數量。正如任何資深工程師所知，當指標成為目標時，它就不再是好指標。Tokenmaxxing 並不推動創新；它促使工程師建立浪費代幣以爬上排行榜的迴圈。

為了避免這些陷阱，領導層必須超越虛榮指標，制定一致的 AI 政策。可持續的政策不是關於強制或限制，而是定義所有權、學習與職業責任的哲學。

以人為本的 AI 政策支柱

對於管理長期程式碼庫的團隊——尤其是擁有十年以上技術債務與不斷演變的架構模式的團隊而言，「快速行動、破壞事物」的 AI 方法是危險的。相反地，一致的政策應建立在多個關鍵支柱之上：

1. 無強制，僅提升認知

當前 AI 熱潮循環中存在根本矛盾：聲稱必須立即採用 AI 否則會被拋在後面，同時又聲稱今天所知的一切在六個月後將過時。如果後者為真，最理性的做法是保持對工具的認知，而不過度依賴尚未成熟的版本。

信任聰明的工程師自行選擇工具——無論他們將 AI 作為工作流程的核心部分，或僅用於偶爾的概念驗證——比強迫採用更具生產力。目標是為客戶交付價值，而非使用特定工具。

2. 絕對程式碼所有權

AI 產生的程式碼不是「AI 程式碼」；它屬於工程師。理解、維護與說明每一行 Pull Request (PR) 的責任仍屬於人類提交者。

在成熟的程式碼庫中，「AI 低劣」的風險很高——看似正確卻忽略深層架構細節或引入微妙錯誤的程式碼。押注模型的改進速度快於技術債的累積是綠地新創能承擔的賭注，但成熟公司無法承受。當機器更易生成的程式碼與人類更易維護的程式碼之間存在選擇時，必須讓人類勝出。

3. 保護學習曲線

或許 AI 採用最關鍵的風險是「短路」初級工程師的成長。軟體工程的學習透過掙扎——與概念搏鬥、犯錯、手動實作解決方案的過程——而發生。

將 AI 擅長的「繁瑣工作」外包，初級開發者可能失去建立系統深層心智模型所需的關鍵「練習」。一致的政策應鼓勵初級工程師審慎使用 AI，確保即使工具消失，他們仍能貢獻並保持批判性思考。

反論點：AI 作為能力倍增器

雖然所有權與手動技能的強調至關重要，但有些實踐者認為「無 AI 工作的能力」正逐漸不再是必要條件。一種觀點認為 AI 讓工程師能在未正式精通的語言或框架中工作，將瓶頸從語法轉移到架構與需求收集。

我一直在使用這些東西，但我根本沒學過 Go；我太忙於專注於 AI 無法為我完成的部分，例如真正的需求收集、架構、細部打磨……如果把工具拿走，我就無法再完成那部分工作，抱歉。

這凸顯了業界的張力：目標是培養能理解底層機制的多語言工程師，還是培養能利用 AI 在任何技術棧上交付成果的「系統協調者」？答案可能取決於團隊的風險容忍度與產品性質。

結論：關注人，而非代幣

最終，AI 政策是團隊價值觀的映射。無論團隊是綠地新創還是擁有十年程式碼庫的受規範企業，政策都應優先考慮程式碼庫的長期健康與撰寫者的職業成長。

領導層的角色不是計算代幣或監控使用日誌，而是提供清晰的框架，使工程師在不犧牲軟體工程作為可持續職業所需的智識嚴謹性的前提下交付價值。隨著產業演變，最成功的團隊將是將 AI 視為達成目標的手段，而非目標本身的團隊。