編輯註記，4 月 28 日：這篇文章於 4 月 26 日和 27 日登上 Hacker News 首頁，引發了熱烈討論：24 小時內獲得 840 多個讚和 590 多則評論（估計為 HN 網站前 1% 的文章）。歡迎加入，看看業界的看法！感謝所有分享意見並持續將核心訊息傳播出去的人，透過 LinkedIn、FB、X 等平台分享數百次，僅 48 小時就觸及超過 10 萬讀者。

與科技業重量級公司的工程管理層交流後，顯然軟體工程正開始將人員劃分為兩類模糊的群體：第一群將利用 AI 消除枯燥乏味的工作，加快速度，並花更多時間在真正重要的工作部分，例如：定義問題、權衡取捨、識別風險、建立清晰度以及產生原創見解。第二群將利用 AI 來迴避思考。他們會將提示貼到一個框裡，收集潤飾過的輸出，並將其呈現為自己的推理。在一段時間內，這看起來像是生產力。甚至可能看起來像才華。但這是一條死路。未來最有價值的軟體工程師不是那些事必躬親的人。而是那些拒絕花時間在 AI 可以代勞的工作上，同時又能理解所有代勞事項的人。他們利用節省的時間來操作在更高的層級。他們透過嚴謹的思考來提升自己的思維過程，而不是外包它。

這個區別比人們想像的更重要。

本文內容：新的失敗模式：外包思考（與類比）頂尖工程師將如何應對真正的價值來源職涯早期工程師的風險判斷力沒有捷徑總結：分水嶺與組織影響為何這對組織健康更重要

AI 已經能夠在幾秒鐘內生成程式碼、總結會議、解釋概念、製作設計草稿和撰寫狀態更新。這很有用，但也危險。

危險不在於 AI 會在某種模糊的道德意義上讓人變得懶惰。而在於它讓人們可以輕鬆地模擬能力，卻無法建立能力。

現在有一個非常真實的誘惑，就是將一個問題交給模型，得到一個看似合理的答案，然後將該答案重複，彷彿它反映了自己的理解。這接近於抄襲，但在某些方面更糟。至少當學生從另一個人那裡抄襲時，答案背後仍然有一個真實的人類來源。在這裡，人們可以呈現機器生成的、他們不理解、無法辯護、也無法自行重現的推理。

這就是被標記為槓桿的智力依賴。

而這種依賴是有代價的。每一次你用生成的輸出取代自己的理解時，你就跳過了建立判斷力的練習/重複訓練。你用短期的外觀來交換長期的能力。

我將分享一些類比，讓這種思路更具體、更易於理解。

想像一個在學校抄襲答案的學生。在紙面上，該學生可以很長一段時間看起來很成功。獲得好成績，甚至可能受到讚揚。

但當這個人進入一個真正需要理解的情況時，真相就會顯露出來。底層結構從未建立。他們不知道如何透過不熟悉的問題進行推理，也不知道如何在情況改變時恢復。他們不知道「正確」的感覺，因為他們從未透過實際工作培養出直覺。

AI 為工程師創造了相同的陷阱。如果你一再使用它來提供你無法自行開發的答案，你短期內可能看起來很有效率，甚至可能在可見的輸出上比其他人表現更好一段時間。但你的基礎是空洞的。你借用了精通的外觀，卻沒有獲得精通。這總會追上你，就像在 AI 出現之前的世界裡一樣。因為在真實的工程工作中，難的部分不是重複已知的答案。難的部分是處理模糊性、不完整資訊、衝突的限制以及不符合模板的問題。這就是膚淺模仿會破產的地方。

計算機是一個很好的工具。沒有人會認真地爭論人們應該永遠手動進行每一次計算。

但使用計算機節省時間，與因為從未學過數字感而使用計算機，之間有真正的區別。

一個數學能力很強的人可以很好地使用計算機，因為他們可以估計、發現明顯的錯誤，並理解答案是否合理。一個沒有這種基礎的人會變得依賴。他們無法進行結果的合理性檢查。他們無法偵測到錯誤。他們只是相信螢幕。

AI 的運作方式相同。一個有真正深度知識的工程師可以積極地使用 AI，因為他們可以檢查輸出、質疑它、改進它，並在需要時拒絕它。他們知道可能存在哪些缺陷。他們知道哪些邊緣案例很重要。他們知道什麼聽起來很潤飾，但根本上是錯誤的。

一個缺乏這種深度的工程師處境糟得多。他們並不是真正在使用 AI。他們是被 AI 引導。在一個正確性、判斷力和後果都很重要的職業中，這是一個糟糕的處境。

這應該是一個獨立的主題（我意識到在打字時），因為它可能更具影響力。但我們還是繼續吧 --

自動駕駛汽車可以減輕疲勞並處理常規情況。但如果你在了解駕駛之前就依賴它，你就不會成為一個更好的駕駛員。你將成為一個擁有控制權的乘客。

問題出現在情況變得非標準時：能見度差、不尋常的道路佈局、其他駕駛員不可預測的行為、系統故障或突發危險。在那些時刻，原始的依賴性就會暴露出來。你不是有技能就是沒有。

AI 類似。它在常見模式、已知結構、熟悉轉換和大量代表性的問題類型上表現最好。這使得它非常有用。但工程工作不斷地會遇到非標準情況：需求變動、細微的錯誤、不明確的所有權、相互競爭的架構目標、部分數據、組織摩擦以及沒有完美答案的權衡。

當道路筆直且標記清晰時，幾乎任何人都可以透過足夠的自動化看起來很有能力。當道路變得崎嶇時，真正的技能就會顯露出來。如果你花了幾年時間讓系統「駕駛」，而你只偶爾握一下方向盤，當你無法順暢接管時，不要感到驚訝。

頂尖的工程師絕對會更多地使用 AI，而不是更少。但他們將以非常不同的姿態使用它。

他們會讓 AI 起草樣板程式碼、總結文件、生成測試腳手架、提出重構建議、顯示可能的故障模式、加速調查並壓縮常規工作。他們會樂意卸載工作的機械部分。但他們也會：提出更尖銳的問題。定義真正問題，而不是僅僅回應可見問題。優化清晰度和簡潔性（如之前），而不是大量華而不實的語言，卻沒什麼實質內容。產生新的、高價值的知識——而不是僅僅重新組合系統中現有的知識。

然後，他們會將節省的時間投入到最重要的地方。

多年來，人們一直將軟體工程與程式碼生產混為一談。這種混淆現在正在暴露。

如果工作主要是生產語法正確的程式碼，那麼 AI 當然會直接取代該行業的很大一部分。但那從來都不是工作中最有價值的 part。價值一直都在判斷力。

有價值的工程師是那個在問題導致故障之前就看到隱藏限制的人。那個注意到團隊正在解決錯誤問題的人。那個將模糊的辯論簡化為清晰權衡的人。那個識別出缺失的抽象的人。那個能夠調試現實，而不僅僅是閱讀程式碼的人。那個能在其他人看到混亂的地方創造清晰度的人。

AI 可以支持這項工作。它無法擁有它。

事實上，未來產生最多價值的工程師，往往是那些產生讓 AI 更有用的知識的人。他們將創造設計原則、領域理解、模式、上下文和決策框架，以提高機器的效率。他們將用更好的問題、更好的限制和更好的修正來餵養系統。

在那個世界裡，工程師不會被 AI 取代。工程師會變得更有槓桿作用，因為他們在原始輸出層級之上進行操作。

這個問題對職涯早期的人尤其重要。

職涯早期很重要，因為那是基礎技能形成的時候。調試直覺。系統直覺。精確性。品味。懷疑精神。分解問題的能力。解釋某事物為何有效，而不僅僅是它看起來有效的能力。

這些技能是透過摩擦建立的。透過掙扎。透過犯錯並修正。透過追溯故障的根本原因。透過寫一些東西，然後意識到它在與現實接觸時無法倖存。

這個過程不是可選的。這是工程師獲得和提升他們能力的方式。如果職涯早期的工程師使用 AI 來消除學習循環中的所有掙扎，他們就是在傷害自己的發展。

一個使用 AI 回答每一個難題的人，可能在一個或兩個季度內看起來很有效率。但他們也可能悄悄地未能建立他們未來所依賴的關鍵能力。他們跳過了鍛造理解的階段。

回到類比：這就像在大學裡抄襲答案，然後去一個需要獨立思考的工作。這就像對每一項算術任務都使用計算機，而從未培養出數字感。這就像在學習如何真正駕駛之前就依賴自動駕駛功能。支援系統可能會讓你看起來功能正常，但它不會讓你變得有能力。

最終，原始能力才是最重要的。沒有替代品。

這是有些人可能不想聽的部分 --

你可以外包機械工作，加速研究，壓縮常規任務。你可以消除大量的低價值勞動。這一切都很好，也應該發生。

但你不能跳過技能的形成，卻期望擁有它。

這就是最天真地使用 AI 的核心錯誤。人們認為他們在節省時間，但實際上他們常常是在延遲一筆賬單，這筆賬單將來會以薄弱的判斷力、膚淺的理解和有限的適應性來支付。

一條路是複利增長，另一條路是掏空你，讓你變得無關緊要。

這就是為什麼未來不屬於那些僅僅使用 AI 的工程師。它屬於那些確切知道該委派什麼、該負責什麼、以及如何將節省的時間轉化為更好思考的工程師。

如果還沒有，現在是時候做出明智的選擇，塑造你在這個行業的未來。

工程管理層也將面臨同樣的分水嶺。

一些領導者會認識到，使用 AI 加速理解的工程師與使用 AI 模擬理解的工程師之間的區別。有些則不會。這種差距將比許多組織意識到的更重要。

在 AI 時代，強大的工程領導力的決定性特徵之一，將是區分潤飾過的輸出與真實判斷的能力。無法區分差異的領導者可能會獎勵速度、流暢性和呈現，卻忽略了技術深度的更深層信號：原創性、嚴謹性、健全的權衡分析以及清晰地推理不熟悉問題的能力。

最有能力的工程師，往往是那些產生見解、背景、設計判斷和糾正性反饋的人，這些人讓團隊和 AI 系統都更有效率。如果一個組織允許低理解度、高流暢性的工作不受控制地蔓延，它不僅會降低個人輸出的質量。它會開始降級知識環境本身。審查變得更弱。設計討論變得更膚淺。文件變得更潤飾，但更有用。隨著時間的推移，組織將越來越不擅長產生它所依賴的清晰度和技術判斷。

這就是為什麼領導力在這裡如此重要。挑戰不僅僅是採用 AI 工具。而是保護真正思考、學習和工藝持續蓬勃發展的條件。

這始於招聘。組織將需要更好的方法來偵測真正的理解，而不是表面上的流暢性。他們將需要測試推理而非僅僅潤飾過的答案的訪談流程。他們將需要獎勵清晰度、深度、健全判斷和持久技術貢獻，而不是單純輸出量的評估系統。

這也影響團隊設計和文化。優秀的工程師不應該花不成比例的時間來清理那些將思考外包的人所產生的看似合理但膚淺的工作。如果領導層不積極防範這一點，表現出色者將成為所有人的增強器，除了他們自己。這是通往沮喪、標準下降和最終離職的快車道。

處理得當的組織，不會是那些僅僅大力推動 AI 採用的組織。他們將是那些學會區分槓桿與依賴、加速與模仿、以及真正能力與令人信服的輸出的組織。

在 AI 時代，組織的質量將越來越取決於領導層是否仍能辨識出差異。

編輯註記：與本網站所有內容一樣，這裡表達的觀點是我個人的，不一定反映我雇主的觀點。