AI 與軟體生產力的幻覺

生產力悖論：更多程式碼，而非更多公司

生成式 AI 显著提升了程式碼撰寫的速度，但這種速度並未轉化為革命性科技公司數量的相應增長。儘管支持者認為開發速度提升 10 倍應能催生如 Airbnb 或 Stripe 一般的全新獨角獸企業，現實卻是，生成式 AI 的主要受益者反而是生成式 AI 本身所屬的公司。

這種落差存在，是因為撰寫程式碼並非軟體開發的主要瓶頸。人們常將 AI 助手視為「萬能解方」，卻忽略了產品與市場契合度、網路效應，以及打造安全、可擴展系統所需的嚴謹工程實踐。正如一位評論者所言，Airbnb 和 Stripe 並非受限於程式碼產出速度，而是受限於行銷與網路效應。

「感覺編碼」與知識依賴的危險

目前有一種日益增長的趨勢稱為「感覺編碼」（vibe coding），即非技術背景的創辦人使用 AI 代理（agent）在沒有首席技術官（CTO）或深厚技術知識的情況下建立最小可行產品（MVP）。這種做法創造出一種虛假的專業能力幻覺，帶來多項關鍵風險：

• 安全漏洞： 非專家可能產生可執行但未「強化安全」的程式碼，容易遭受常見攻擊，可能導致敏感使用者資料與信用卡資訊外洩。
• 架構脆弱： AI 常推薦次佳的架構——例如將網頁應用、資料庫與背景程序全部部署於單一伺服器——這類設計不適合面對大量流量的生產環境。
• 知識依賴： 存在「遊戲化大規模知識依賴」的風險，開發者過度依賴 AI 提供答案，而非批判性思考問題本身。

AI 編碼的「鋸齒型智慧」

AI 對生產力的影響並非均勻；其效能取決於使用者的既有專業程度。這種現象被稱為「鋸齒型智慧」（jagged intelligence），即 AI 在某些任務上極其有效，但在其他任務上卻可能完全失敗。

按專業程度的影響

• 對非專家而言： AI 大幅提升了產出效率，讓原本無法寫程式的人也能產出可運作的應用程式。然而，他們缺乏直覺來辨識 AI 所產生的「馬戲團車」式程式碼——即看似能執行，但結構上極度不穩。
• 對專家而言： 經驗豐富的工程師通常發現，AI 最有用於重複性高的範本程式、SQL 或 shell script（bash），但在處理非平凡、領域特定的問題時，反而可能拖慢進度。一位專家指出：「在我非常熟悉的領域，AI 產生的結果比我自己手動撰寫更差，且速度更慢。」

質量與速度的權衡

AI 可以產出通過測試的程式碼，但未必能通過程式碼審查。雖然它能加速功能交付，也可能加速技術債的累積。有觀點認為，AI 對某些人而言其實是一種教學工具，讓學生能比傳統方式更快地遭遇技術債與可維護性問題。

在 AI 開發中融合人性元素

為避免 AI 加速導致的失敗，科技產業必須持續強調人類專業與批判性監督。經驗豐富的實務者共識是：AI 是加速器，而非推理的替代品。

"如果妳只會用鏟子挖糞，AI 只會讓妳更快地挖糞。"

將 AI 有效整合至工作流程，需要採用「人機協作」（human-in-the-loop）模式。例如，部分資深開發者正利用 AI 協助審查初階工程師的 Pull Request（PR），標記特定程式碼行供分析，同時要求初階工程師撰寫功能測試，以證明其對程式碼的掌握與責任感，而非僅接受 AI 生成的修復方案。