Why AI Has Not Replaced Software Engineers AI is compressing the execution layer of software development but fails to replace the critical human-led decision-making and accountability phases of the engineering process.

為何 AI 尚未取代軟體工程師

AI 並未導致大規模軟體工程裁員

與企業敘事相反，幾乎沒有實證證據顯示 AI 正在導致軟體工程的大規模裁員。雖然 CEO 常以 AI 為理由削減人員以滿足利害關係人，但資料顯示這些裁員通常是由財務壓力、激進投資者或公司重組所驅動。

「AI 洗白」現象

許多公司將 AI 作為裁員的便利說辭，以避免承認財務不穩或管理不善。此「AI 洗白」的證據包括：

• 執行層斷層： Harvard Business Review 對超過 1,000 位全球高階主管的調查發現，雖然 60% 曾因預期 AI 而削減人員，但只有 2% 是基於實際 AI 實施而大幅裁員。
• 缺乏即備工具： Forrester 分析師 J.P. Gownder 報告指出，90% 宣稱為 AI 主導裁員做準備的公司並未擁有成熟、經審核的 AI 應用可填補這些職位。
• 法規資料： 在紐約州，WARN 法案於 2025 年 3 月加入 AI 披露勾選框，首年幾乎沒有公司在大規模裁員時勾選 AI 框，儘管有數千名員工受到影響。

就業趨勢與裁員比較

裁員並非衡量 AI 生產力影響的良好指標，因為解雇有經驗的員工會破壞操作 AI 所需的隱性知識。相反地，AI 的影響表現在招聘速度放緩。聯邦儲備局的經濟學家發現，美國的就業仍在增長，但在 ChatGPT 之後，每年增長速度約比沒有 AI 的情境慢 3 個百分點。

「決策‑執行‑交付」三層模型

軟體工程不僅僅是寫程式碼的行為；它是一個由決策、執行與交付三層組成的過程。AI 已大幅壓縮中間層，但外層基本未受影響。

1. 決策層（問題構思與規格說明）

此層負責根據使用者需求、市場訊號與法規限制決定要建造什麼。這是主要瓶頸，因為需求規格既複雜又耗時。隨著 AI 自動化較低層次的決策，人類決策的價值便會向更複雜的問題遷移。

2. 執行層（設計與實作）

這是 AI 影響最大的層面。AI 代理人能快速產生大量程式碼。然而，對 10 萬名 GitHub 開發者的研究顯示，雖然 AI 代理人使程式碼行數增加了八倍，但實際發佈量僅提升了 30%。這證實了寫程式碼從未是軟體生產的主要瓶頸。

3. 交付層（驗證與問責）

人類團隊必須對交付的成果負責。由於 AI 在關鍵任務系統上仍不可靠，對人類驗證、測試與整合的需求保持不變。責任法規與專業慣例確保人類仍是生產軟體的「背鍋」或負責方。

主動式工程與隨意編碼的比較

使用 AI 作為工具與盲目依賴 AI 之間有關鍵差異，這會影響工作安全與軟體品質。

• 隨意編碼（Vibe Coding）： 使用者告訴代理人要做什麼，卻不監督過程、審查程式碼，亦缺乏評估輸出的技能。此做法風險高，常導致漏洞。
• 主動式工程（Agentic Engineering）： 工程師將 AI 代理人作為力量倍增器，同時保持對輸出之控制與問責。由於需要高度監督，此過程常令人精神疲憊。

來自 SWE‑chat 資料集的數據顯示，只有 44% 的代理產生程式碼會存活至最終使用者提交，而「隨意編碼」的提交產生漏洞的比例是純人類程式碼的九倍。

未來需求：焦頓悖論與軟體彈性

AI 可能不會取代工程師，反而會透過類似焦頓悖論的現象提升軟體工程的總需求：當某項資源（程式碼）的生產成本下降時，對該資源的需求會增加。

• 價格彈性： 軟體具高度價格彈性。當創建成本下降時，會產生更多軟體——包括一次性工具與先前因成本過高而無法建置的複雜企業系統。
• 歷史先例： 美國程式設計師的就業人數從 1950 年的幾乎為零增長至今日的數百萬，儘管過去數十年持續自動化（例如從組合語言轉向高階語言）。

社群觀點與反論

雖然「三層模型」暗示整體穩定，社群討論卻突顯了多項細節：

「如果你的技能範圍狹窄且專注於特定領域（例如前端網頁開發），我會更擔心，因為即使 AI 無法普遍取代軟體工程師，它仍很可能完全取代特定領域的工作。」

其他從業者認為，工程師與專案的比例將改變，可能導致綠地專案出現「單人團隊」，即使軟體產出總量增加，總工作機會仍會減少。

此外，也有人認為「交付」層實際上屬於 DevOps 與 SRE 的領域；一旦部署腳手架完全由代理人自動化，非技術使用者發布生產軟體的門檻將消失，進一步取代傳統工程師。