用 AI 提高工程師的生產力，初階、資深與獨立開發者的三種不同做法

內容目錄

如果你是軟體工程師，相信應該使用過 GitHub Copilot 等 AI 輔助開發工具，或是要求 ChatGPT 生成過程式碼。許多目標明確、不需要複雜思考的的程式碼，很適合交給 AI 生成，不僅省時也省下精力。

由於我是 iOS 與前端工程師，近期很常要 AI 生成「動畫」——動畫的程式碼簡單、目標也明確，但是參數很多，每次都要重新查一次。以前時程緊迫時，常常直接省略動畫，或改用最簡單的淡入淡出；但現在有了 AI，可以快速生成基本且合用的動畫，我只需要微調參數即可。這讓產品體驗與完成度提升了一個檔次。

當然，工程師的工作並不僅止於「生產程式碼」，在寫程式以外，AI 也能協助不同層面的工作。對於「工程師如何運用 AI 提高生產力」，本文將按照工程師的職涯與類型，分別討論初階工程師、資深工程師與獨立開發者可以怎麼運用 AI 增強自己的表現。

初階工程師：與 AI 共學

有個流傳起碼十年的老笑話是：工程師每天的工作，就只是去 Google 現成的解法，然後複製貼上 StackOverflow；如今，這個笑話可能會被改成「複製貼上 ChatGPT 生成的結果」。

Stack Overflow copy/paste keyboard — ▲ Stack Overflow 甚至把這個笑話「具現化」成一個真的產品。（圖片來源：Stack Overflow）

初階工程師的工作，大多是完成指定的明確任務，並從中學習技術與協作能力。ChatGPT 問世後，許多討論圍繞在「初階工程師是否會被 AI 取代」。然而我認為，AI 目前對於初階工程師來說，更重要的是多了共學的夥伴，而得以加快學習速度。

為了成長，初階工程師不能只滿足於完成任務，更要尋求從任務中，盡可能學到更多。關於如何透過 AI 加速學習，我有三個想法：

不要停留在「複製貼上」

過往初階工程師很依賴 Google 搜尋或是在 StackOverflow 找答案，如今多了一條「問 AI」的管道。AI 的優勢在於，可以不斷生成程式碼，並且詳細解釋不同的寫法，因而省去了許多搜尋的時間。

但是，正如同從 StackOverflow 複製貼上程式碼永遠不是學習的好方法，從 ChatGPT 複製貼上程式碼，也不會讓人自動變成更好的工程師。不論過去與現在，學習路徑在本質上並沒有不同：遇到問題、尋找解法、嘗試錯誤、徹底理解。學習的最好辦法，是多花一些時間，搞清楚為什麼程式碼能動；甚至「故意試試看別種寫法」，不論是寫錯或意外發現另一種思路，都有助於理解背後的原理與邏輯。

與 AI 討論：這是最好的寫法嗎？

學習寫程式時，應該不斷反問：這是最好的寫法嗎？不要假設 AI 寫出來的就是完美解，就如同我們不該假設 StackOverflow 上網友的寫法是最佳解。

如果把 AI 視為共學夥伴，可以直接問它為什麼這段程式碼正確（或錯誤）。例如，可以直接說明「我正在學習怎麼寫程式，還有沒有其他種寫法？」「每種解法的優劣勢在哪裡？」並從中理解不同寫法間的差異。

AI 的表現反映使用者的能力

值得一提的是，AI 的產出品質，實際上與使用者的能力相關。當使用者自己懂得愈多，就愈能引導 AI 生成正確的程式碼。

舉例而言，由於我相當熟悉 iOS 與前端開發，有時候當我要求 AI 生成時，會直接指定我認為最合適的 API、function 或程式邏輯。而如果沒有指定，AI 通常無法第一次就寫出最好的解法，或是因為缺乏脈絡而寫出錯誤的程式碼。

這也是另一個不該直接假設 AI 寫出完美解的好理由——作為初階工程師，很可能根本不知道該怎麼問問題，才能得到真正的答案。更好的做法是自行研究後，將找到的資料放入 prompt 內，將 AI 視為討論對象而非解答機器。

資深工程師：專注力重新分配

對於資深工程師而言，撰寫程式碼已經不是主要的工作。在 AI 減輕了部分寫程式的工作量後，資深工程師可以將更多精力，投入於架構、技術選用、產品與使用者等具有更大綜效事項上。AI 對於資深工程師帶來的生產力提升，不只是「節省了一些時間」，而是透過專注力的重新分配，釋放出更多潛在價值。

而這也是 Sam Altman 在 Bill Gates 的 Podcast 上提到的：「如果讓工程師的效率變成三倍，這不只是讓他們可以做三倍的事，而是讓他們可以用更高的抽象層次做事，使用更多的腦力。就像從打孔卡到高階程式語言，不只是寫程式快一點，而是可以做出性質上截然不同的全新事物。」¹

知名電子報《The Pragmatic Engineer》在 2023 年有一篇文章〈Measuring developer productivity? A response to McKinsey〉，²作者 Gergely Orosz 和 Kent Beck 討論應該如何衡量工程師的生產力。他們建構了一個模型，將生產力分為「努力（Effort）」→「產出（Output）」→「成果（Outcome）」→「影響（Impact）」。愈後面的生產力，愈難設立指標追蹤，但是和團隊或公司的目標愈一致。

A mental model of the software engineering cycle

（這是我們參考原文重繪的版本。）

當 AI 愈來愈擅長生產程式碼，單純的「努力」或「產出」已經不足以用來判別工程師的生產力。資深工程師，得以將更多心力放在產出「成果」與「影響」，在更高層面幫助團隊。

獨立開發者：成為全能個體

AI 或許對於獨立開發者、小團隊內的工程師，有最大的加成。過往需要跨部門合作的任務，現在有許多都可以由單人完成，如：內部工具的 UI 設計、圖片生成、翻譯等。單一個人的覆蓋範圍擴大，對於新創或獨立開發者而言是顯著的生產力提升。

隨著 AI 能力不斷擴大，未來包含語音、音樂、UI 設計，都可能直接交給 AI。屆時，我們或許將能看到 Sam Altman 預測的「價值 10 億美元的一人公司」——借助 AI 的能力，只靠著創辦人一個人，便做到 10 億美元的市值。

AI 最適合「有品味，但缺乏技術的人」。對於能分出圖片的美醜，但自身沒有繪圖能力的人，可以利用 AI 反覆生成，再從中挑選出品質夠好的圖片，作為人力不足時的替代方案。AI 翻譯也因為可以考量情境與脈絡，得以加速國際市場的推展，在商業層面幫助獨立開發者與新創團隊的成長。

當然也不只是工程師，才有機會享受 AI 的加成。PM、UI 設計師、行銷⋯⋯不同職務的人，只要能定義出自己想做的產品，並且學會基本閱讀與修改程式碼的技能，並可能與 AI 一起開發產品。

AI 並非取代，而是增強

相較於「AI 將取代什麼工作」，我更常將 AI 視為可以大幅提升能力的工具，如同耕耘機之於農業、廣播之於音樂產業。即使在可預見的未來，將會出現足以自行完成任務的軟體工程師 agent，我也不認為工程師會因此被取代。屆時的「工程思維」將會與現在相當不同，工程師與 PM 的界線將更進一步模糊，如何與 AI 協作並產生影響力。

況且，人類很擅長「發明工作」。一旦每個人的生產力提升，我們將會開始著手解決那些原先被視為「不可能」的問題。相較於擔憂現在的工作被 AI 解決完，我更期待能夠解決那些從來不曾想像過的問題。

用 AI 提高工程師的生產力，初階、資深與獨立開發者的三種不同做法