AI 先淘汰的不是初階工程師，而是企業培養工程師的耐心

AI 讓寫程式變快，這不是最危險的事。真正危險的是，公司開始相信「初階工程師可以被工具取代」，於是停止招募、訓練與容忍新人的犯錯成本。短期看，這提高了產出效率；長期看，它會破壞台灣軟體產業的人才供應鏈。

想像一個很普通的台北軟體團隊。產品經理丟出需求，資深工程師開了 IDE，旁邊掛著 AI coding assistant。API scaffold 十分鐘生出來，單元測試也能半自動補上，甚至連資料庫 migration 都寫得像模像樣。

然後主管看了一眼人力預算，心裡冒出一句話:那我今年還需要招兩個 junior 嗎？

這才是問題的核心。不是 AI 會不會寫程式。它當然會，而且會越來越好。真正的斷層在於:公司可能再也不想承擔培養新人的摩擦成本。台灣初階工程師面臨的風險，不是被模型一行一行取代，而是被組織決策從入口處拿掉。門關起來。就這樣。

The Abstract

從第一性原理看，工程組織不是「寫程式的人」的集合，而是一套把需求轉成可靠系統的轉換器。這個轉換器需要規格理解、架構設計、程式實作、測試、部署、監控、事故處理與技術債管理。AI 最擅長加速的是中間那段:把半清楚的意圖翻譯成程式碼。

問題是，初階工程師以前正是從這段開始學習。他們先寫 CRUD、修 bug、補測試、讀 log，在低風險任務中慢慢建立系統感。現在這些任務被 AI 壓縮，公司很容易產生幻覺:既然低階任務可以自動化，那低階人才也可以省掉。

這是典型的局部最佳化。短期吞吐量上升，長期人才管線枯竭。很諷刺，對吧？企業一邊喊缺才，一邊拆掉培養人才的樓梯。

Deep Dive

AI coding assistant 的本質不是「懂工程」，而是基於 Transformer 架構，從大量程式碼與文字語料中學習 token 序列的條件機率。它看到 def get_user，會估計下一段最可能出現的參數、查詢、錯誤處理與回傳格式。Attention heads 讓模型在長上下文中對齊變數、函式、型別與註解，像是在巨大的語法與語意空間裡做快速檢索與組合。

這很強。但它不是架構判斷。

一個模型可以幫你寫出 FastAPI endpoint，卻未必知道這個 endpoint 在高併發下會不會讓資料庫 connection pool 爆掉。它可以產生 Redis cache，但不一定會替你處理 cache invalidation 的一致性問題。它可以寫 queue worker，卻可能忽略重試語意、idempotency、死信佇列與背壓控制。分散式系統裡最痛的地方，從來不是「語法怎麼寫」，而是故障在哪裡被放大。

這也是 junior 訓練最值錢的部分。不是讓新人永遠寫簡單程式，而是讓他們在可控範圍內撞牆。一次 timeout、一次 race condition、一次 production incident，會比十篇最佳實踐更有效。Erlang 的 actor model、資料庫交易隔離、CAP theorem、編譯器型別檢查，這些概念都不是背名詞有用；它們是在系統出錯時，突然變成救命繩。

台灣的情況更微妙。硬體供應鏈很強，半導體、伺服器、ODM、散熱、電源管理都能接上全球 AI 基礎建設。但軟體人才市場長期偏向「立即可用」。公司喜歡找三年經驗的人，卻不想投資讓一個零年經驗的人變成三年經驗。AI 只是把這種心態放大。

硬體層也不能忽略。AI 寫程式看似便宜，其實背後吃的是 GPU memory bandwidth、KV cache、推論延遲與雲端成本。當團隊把大量設計、review、測試都丟給模型，成本會從薪資表移到 API 帳單與基礎設施帳單。更麻煩的是，latency 會改變工作流。工程師等模型回應十秒、二十秒，看似沒什麼，但在高頻開發循環中，這會重塑人的注意力。人開始接受模型給的第一個答案，而不是慢慢推導。

坦白講，這很危險。

Critique

最大的瓶頸不是模型能力，而是責任歸屬。AI 產生的程式碼有 bug，誰負責？資深工程師 review？那資深工程師就變成 AI 輸出的垃圾回收器。公司以為省下 junior，結果把所有認知負載塞給 senior。短期可以撐，長期會燒乾。

安全問題也更尖銳。模型可能產生看起來合理的授權檢查，實際上漏掉 multi-tenant boundary。它可能引用過時套件，產生 SQL injection，或把 secret handling 寫得一塌糊塗。更糟的是，AI 產出的程式碼通常很「乾淨」，乾淨到讓人放鬆警覺。爛 code 至少長得可疑；模型生成的錯誤，常常穿西裝打領帶。

所以，AI 會先淘汰台灣初階工程師嗎？我的答案是:如果企業只用會不會立刻產出來衡量人，它會。不是因為 junior 沒價值，而是因為企業把人才培養當成成本中心。

真正成熟的公司會反過來做。它會讓 AI 承擔樣板程式，把 junior 拉到更接近系統理解的位置:讀設計文件、寫測試案例、做事故復盤、比較架構 trade-off、練習 code review。以前新人從語法開始，現在新人可以從抽象層開始。前提是公司願意教。

如果不願意，那未來會很荒謬:市場上充滿會操作 AI 的人，卻缺少真正知道系統為什麼會壞的人。到那時候，公司才會發現，初階工程師不是被 AI 淘汰的。

是被自己省掉的。