AI Credits 用完的那一瞬間
我們公司使用 Microsoft Copilot 已經一陣子了(很難用，不要問🤣)，前陣子更是全面導入企業版 GitHub Copilot。不是那種「大家體驗看看」的等級，而是真正投入正式日常工作流程。
公司提供的是企業授權，可以直接使用 GPT 5.4、Claude Sonnet 4.6、Opus 4.8 等各種當前最先進的模型，AI credits 多到滿出來XD (一個人一個月大概 1000 鎂)
我們團隊也開始大量探索 AI Agent 的工作模式，像是 MCP、Agent Skills、GitHub Agentic Workflows 等，希望把 AI 真正整合進軟體開發流程，而不是只是拿來寫幾段程式碼。
說真的，經過一段時間的練習與實戰應用之後，生產力的提升真的很有感。我也開始覺得：好，AI 時代是真的來了！
一直到某天下午，我注意到一件很有趣的小事。
有位同事突然說：
「我的 GitHub Copilot credits 用完了。」
原本大家只是笑笑，想說再跟公司申請更多 AI credits 就好。不過因為我們公司規模太大，申請過程沒有想像中快速。
接下來的幾天我發現，那個同事幾乎沒有什麼進度。
不是因為他不會寫程式。相反地，他一直都是我認為非常優秀的工程師，程式基礎扎實，系統架構與設計也很有自己的想法。
真正卡住的，是他的日常工作流程。沒有了 AI，他似乎失去了所有的「超能力」，變成了無能為力的「普通人」。
那一刻，我突然開始思考一個問題：我們是不是已經在不知不覺中把 AI 放到了工作流程的核心，取代了我們的大腦？
AI 已經不只是「工具」了
如果把時間拉回幾年前，大部分工程師的工作流程可能長這樣：
定義需求 → 規劃架構 → 寫程式 → Google/Stack Overflow/Debug → 寫程式 → 實現功能。
現在呢？
至少我的日常，越來越像是：
提出問題 → Agent 分析需求 → Agent 規劃架構（我核實，提出問題與建議，與 Agent 來回修改，定案） → Agent 產生程式 → Agent Review → Human Review (大方向) → 修正 → 再交給 Agent。
以前 AI 是工具，現在 AI 更像是無所不在的 Pair Programmer。工作內容沒有改變，但工作方式，早就完全不一樣了。
AI 已經被內化進整個流程之中，一旦把 AI Agent 抽離，整條流水線就突然斷掉了！？
研究證明，AI 確實能有效提高生產力
雖然目前還沒有很多 AI 跟生產力的研究數據，這些研究可能也沒有很有代表性，但或許我們可以從中觀察中一些現象。
Microsoft Research 做過一個 RCT 實驗，讓工程師完成同一個 HTTP Server 任務。沒有 Copilot 平均要 160 分鐘，有 Copilot 的只要 71 分鐘，完成速度快了 55.8%。[1]
Fortune 100 企業的大型實驗，追蹤了將近 5000 名工程師，使用 Copilot 後完成工作量提升了 26%。[2]
MIT 的一項研究也顯示，知識工作者用 AI 後工作時間縮短了四成，品質還提升了 18%。[3]
數字很漂亮，不容否認！有趣的是，受益最大的都是經驗較少的工程師。
越強的人，AI 對他的幫助越有限？
NBER 針對五千多位客服人員的研究發現，AI 讓整體生產力提升約 14%，其中新人的提升高達 34%，但是資深人員幾乎沒有明顯變化。[4]
這讓我想到一句很有意思的話：
AI 正在把資深人員的經驗，包裝成每個人都可以隨時呼叫的工具模組。以前需要累積好幾年的經驗，現在新人也能快速得到類似的結果（是嗎？畢竟品質一向就是最難以評估跟量化的指標🤣）。
這對整個產業而言，是一件好事，但它也帶來另一個問題：如果 AI 已經把「寫程式」這件事變得越來越容易，那資深工程師真正的價值，還剩下什麼？
寫程式變快了，不代表開發變快了
當然，也不是所有研究都這麼樂觀。
2025 年 METR 研究了一群資深開源工程師，結果相當出乎意料。工程師普遍認為自己因為 AI 快了約 24%，但實際測量卻發現，整體反而慢了約 19%。[5]
這原因並不難理解：因為有些工程師實際上花了更多時間驗證 AI 的答案、修正 AI 引入的新問題、重新理解 AI 為什麼會這樣設計。俗稱：幫 AI 擦屁股XD
另一份研究也指出，Copilot 雖然提升了個人寫程式的速度，但團隊整體的整合時間反而增加。[6]
看到這些研究，我反而很有共鳴。因為大型企業真正花時間的，從來不是把一個功能或是小工具寫出來。真正困難的，是讓數個系統一起正常運作。而這件事，目前 AI 還沒有辦法完全解決。
AI 時代，好的工程師正在重新被定義
說了這麼多背景，回到最核心的問題：如果 AI 已經改變了工作流程，那工程師真正需要進化的技能，還是「寫更好的程式」嗎？
我覺得不是，或者說，那只是其中一部分。
我觀察下來，AI 時代真正稀缺的能力，其實是以下這幾件事：
- 「Probelm Solving (問題拆解能力)」
AI 很少因為程式寫不出來而卡關。更多時候，是因為我們人類沒有把問題描述清楚。
需求拆解得越好，AI 的回答通常就越好。
很多人以為 Prompt Engineering 是複製貼上修改 prompts。我反而覺得，它更像需求分析，很多時候，沒有一定的經驗累積，很難一次就給出正確的指示，或是找到 AI 的盲點。（雖然隨著大語言模型越來越進化，有一派的說法是現在的前端模型已經不需要過多的 prompting，因為他們已經聰明到可以自己摸索加理解了）
- 「Context Management (背景知識管理)」
另一個關鍵能力是：知道要給 AI 什麼背景知識，並且知道哪些東西不要給。太多無效的 context 會讓模型產生混淆，太少又讓它答非所問。如何提供剛剛好的資訊，開始變成一項新的基本功。
- 「AI Orchestration (AI 多工規劃統籌)」
以前，我們習慣靠自己＋程式碼完成所有事情。現在則更像是在管理一群能力很強、速度很快，但偶爾會一本正經胡說八道又過度自信的實習生XD
你要分配工作、定義標準、檢查產出、決定哪些可以採用，哪些需要推翻重來。
工程師開始更像管理核心，而不是一個單純透過程式編碼來達成目的人。
- 「Critical Thinking (批判性思考)」
AI 唬爛或是產生幻覺的時候，你要能看出來。
這聽起來很基本，但真的在用的人都知道，AI 有時候會生成一些格式很漂亮的垃圾，或是捏照證據，如果不夠熟悉那個領域，或沒有細心覺察，非常容易被騙過去。
- 「Cross-system Thinking (跨系統性思考)」
這是目前 AI 最弱的地方。
它可以很好地處理單一功能，甚至是單一系統，但要理解整個企業系統的設計邏輯、不同系統、平台、應用程式之間的依存關係、某個改動的連鎖效應，還是有一定的難度。
最後，我想所有工程師都要問自己一個問題
如果明天 Copilot 掛掉、Claude 掛掉、credits 用完，你還能不能繼續完成現有的工作？
如果你的答案是：「可以，只是比較慢一點」，那 AI 對你來說是槓桿，你在用它放大自己的能力。
如果你的答案是：「我不知道從哪開始」，那 AI 已經變成支持你的拐杖了，現在沒有 AI，你突然連怎麼走路都忘了。
同事的故事告訴我：有好用的工具很棒，知道要如何善用工具也很棒，但我們不應該因為太過依賴工具，而喪失了我們最核心的專業能力。
或許 AI 真正改變的，從來不是工程師會不會被取代，而是它正在重新定義，什麼叫做一位好的工程師。
你最近也會在生活或工作上使用 AI 嗎？歡迎留言跟我分享你的經驗！
文中提到的研究
- Peng, Kalliamvakou, Cihon & Demirer (2023), The Impact of AI on Developer Productivity: Evidence from GitHub Copilot
- Cui, Demirer, Jaffe, Musolff, Peng & Salz (2024), The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers
- Noy & Zhang (2023), Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence
- Brynjolfsson, Li & Raymond (2023), Generative AI at Work
- METR (2025), Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
- Song, Agarwal & Wen (2024), The Impact of Generative AI on Collaborative Open-Source Software Development: Evidence from GitHub Copilot
快來分享你的想法吧～