← 返回 Siami 首頁

AI 還沒、也無法取代軟體工程師 — 普林斯頓學者用「三明治模型」拆穿裁員敘事

▲ 194 💬 243
AI 還沒、也無法取代軟體工程師 — 普林斯頓學者用「三明治模型」拆穿裁員敘事

AI 還沒、也無法取代軟體工程師 — 普林斯頓學者用「三明治模型」拆穿裁員敘事

本文編譯自普林斯頓大學電腦科學教授 Arvind Narayanan 與其同僚 Sayash Kapoor 於《AI Snake Oil》專欄發表的最新文章。Coding agents 是當前 AI 應用最深入、進展最快的領域,但即使在這個產業,AI 也遠未達到「取代人類工程師」的水準。本文用嚴謹的經濟學與軟體工程研究數據,搭配「決策—執行—交付三明治」模型,拆解了「AI 取代軟體工程師」的敘事。

關於 AI 是否會取代人類工作,目前社會上充滿焦慮與不確定性。我們該如何超越模糊的警告與誇張的預測,用實際數據來回答這個問題?其中一個好方法是觀察 AI 能力最為領先、應用速度最快的專業領域:軟體工程。

在這篇文章中,我們主張已有充分證據足以駁斥「一旦 AI 能力達到某個臨界點,就會引發大規模裁員」的敘事。考慮到即使在監管障礙極少的軟體業都是如此,其他大多數職業所受到的保護只會更強。我們也清楚理解這背後的原因。我們可以將許多類型的知識工作(包括軟體開發)視為一個「決策—執行—交付三明治」結構。AI 壓縮了三明治中間的「執行」層,但另外兩層對於自動化的抵抗力,是無法單靠能力提升來克服的。

最後,我們以審慎樂觀的態度,展望軟體工程需求的未來發展軌跡,作為本文的結語。本系列文章的第一篇著眼於整體產業趨勢,下一篇則會探討為何即便總體需求健康,個別軟體工程師的職涯仍可能充滿波折。本系列立基於經濟學與軟體工程領域的已發表文獻、我們自身對 AI Agent 的評估與觀察,以及從眾多軟體工程師的著作與社群互動中,所彙整的對 AI 影響其專業之現狀與未來的反思。## AI 驅動的軟體業大規模裁員故事,看起來是經典的「AI 洗白」

讓我們回顧三則登上頭條的報導,並看看它們與事實的落差:

2026 年 2 月,金融科技公司 Block(Cash App、Square、Afterpay 等應用的母公司)宣布裁員 4,000 人,創辦人 Jack Dorsey 將原因歸咎於 AI「促成了一種新的工作模式」,團隊得以「更精簡、更扁平」,並特別援引了 2025 年底 AI 模型能力的提升。然而,後續的報導揭露了截然不同的面貌。Block 在疫情期間員工人數成長超過三倍,公司承受著巨大的財務壓力。Cash App 團隊的一位資料科學家 Naoko Takeda 發文指出,Block「把 AI 強塞進所有人的工作流程中」,但她親眼見到的是「生產力提升非常有限」。她拒絕了公司提供 75% 留任加薪的條件,選擇離職。其他受訪員工則對 Block 內部 AI 的實際能力,以及 Dorsey 對相關問題是否有正確理解,表達了截然不同的看法。

正如 Aaron Levie 所指出的,CEO 特別容易對 AI 的效用產生錯覺,因為他們能快速打造原型,卻看不到把原型變成可上架產品所需的那 90% 工作。Dorsey 對 AI 的公開聲明,似乎正完美符合這個模式。

2026 年 4 月,Snap 裁員約 1,000 人,CEO Evan Spiegel 在裁員備忘錄中主要將原因歸咎於 AI,並聲稱 AI 已經生成了 65% 的新程式碼。事實上,這波裁員是來自一位積極型投資人發起削減成本運動的結果(Snap 自 2017 年 IPO 上市以來每個完整年度都處於淨虧損,2026 年股價跌幅超過 30%)。極具啟示意義的是,裁員的分布——例如擴增實境部門的 150 個職缺橫跨各種角色——與我們預期 AI 驅動裁員時應看到的模式(即全面性的程式設計與其他「AI 暴露」職位,而非集中在特定單位)並不相符。

2026 年 5 月,Intuit 宣布裁員 3,000 人,同時與 Anthropic 和 OpenAI 達成合作。媒體將兩件事連結起來,將裁員框定為 AI 驅動的組織重整。但這次,CEO 罕見地反駁了這套方便的敘事,表示「這些都與 AI 無關」,並指出裁員針對的是「高度需要協調的角色」以及過多的管理層級。

我們並非刻意挑選這些案例。在我們檢視過的每一則 AI 驅動軟體業裁員的報導中,都浮現了同樣的敘事破綻。「AI 洗白」裁員其實是整個經濟體系的普遍現象,許多調查都提供了佐證:

  • 59% 的美國招聘經理承認,他們在解釋招聘凍結或裁員時會刻意強調 AI,因為這比搬出財務困境更容易讓利害關係人買單。
  • Forrester 首席分析師 J. P. Gownder 談到那些準備打著 AI 名義進行裁員的公司時表示:「當我們問他們有沒有一個成熟、經過驗證的 AI 應用準備好接手那些工作時,十次有九次的答案是『沒有』,而且他們甚至還沒開始做。」
  • 在一項針對 1,000 多名全球高階主管的 HBR 調查中,21% 的受訪者表示已「預期性地」進行大規模裁員,另有 39% 進行了低度或中度的預期性裁員。相比之下,只有 2% 表示已根據實際的 AI 部署進行了大幅裁員。10 倍的落差顯示,高階主管跟其他人一樣,都極度容易陷入「AI 取代工作」的誤導性敘事中。另一個有趣的數據點來自《WARN 法》(Worker Adjustment and Retraining Notification Act,工人調整與再訓練通知法),該法要求公司針對影響 100 人以上的工廠關閉或大規模裁員進行強制性揭露。2025 年 3 月,紐約州成為美國第一個在 WARN 法申報表中加入 AI 揭露選項的州。在實施的第一個完整年度裡,超過 160 家公司提交了 WARN 通知,但沒有任何一家勾選 AI 這個選項。我們聯繫了紐約州勞工部,他們確認截至 5 月底,只有一家公司——Nespresso——勾選了該選項。如果這些申報屬實,在相關期間內,紐約州約 25,000 名被裁員工中,只有 46 人受到 AI 影響,比例約為千分之二。

對於「AI 驅動大規模裁員」這個敘事來說,更具顛覆性的事實是:裁員根本就不是觀察 AI 生產力效益的正確指標!研究清楚指出,效果是透過「減緩招聘速度而非增加離職率」來運作。解雇現有員工會導致那些讓員工有效運用 AI 所需的默會知識(tacit knowledge)與組織資本(organizational capital)流失。除此之外,資遣費、士氣損傷、再招聘風險等成本都所費不貲。考量到這些成本,自然淘汰在幾年內就能達到同樣的效果,因此裁員在大多數情況下其實是多此一舉。

那麼,當我們把目光從裁員轉向整體就業趨勢時,數據告訴了我們什麼?聯準會經濟學家發表的一篇重要論文彙整了美國情境下的證據。就業人數仍在成長,但他們發現,相較於「沒有 AI」的對照情境,ChatGPT 問世後的成長速度每年減緩約 3 個百分點。這項研究的一個重要限制是:其方法無法捕捉自僱就業(self-employment),因此部分成長放緩可能被創業活動所吸收。我們確實有其他研究顯示 AI 讓創業變得更容易。所以真實的狀況可能比聯準會研究所暗示的還要更為健康。最後值得一提的是,軟體工程領域確實存在兩種間接由 AI 驅動、與上述機制不同的真實裁員。第一種是 AI 徹底摧毀了產品需求的情況,例如 Chegg(課業輔導)或 Stack Overflow(技術問答),兩家公司都進行了裁員。AI 並未直接執行這些員工的工作,而是讓那份工作的需求本身消失。歷史上的對比比擬性很強:在 1950 年美國人口普查的 270 種職業中,只有一種職業——電梯操作員——被自動化取代。但其他許多職業則因為新技術而變得過時,例如電報操作員。

另一種合理的 AI 驅動裁員故事,出現在銷售 AI(而非採購 AI)的公司中。所以當 IBM 或 SAP 等公司宣布因 AI 進行裁員時,更準確的描述是「我們把傳統職能的人力重新配置到我們成長最快的產品線」。這只是圍繞營收機會進行的普通企業重組,而非技術取代勞工。


為什麼 AI 程式設計 Agent 沒有引發勞動力替代:「決策—執行—交付」三明治

許多科技領袖(如前述的 Snap CEO)會在報告裁員或預測未來失業時,順帶公布「AI 撰寫的程式碼所佔比例」。這強化了一個過度簡化的心理模型:以為一旦 AI 寫出了所有程式碼,就不再需要程式設計師了。幸運的是,這個心理模型是錯的。這個「AI 撰寫程式碼比例」的指標,幾乎與「勞動力替代」這件事完全無關。原因如下:

首先,「寫程式」這件事,從來就不是瓶頸。例如,2019 年的一篇論文總結了既有的研究後得出結論:「開發者花在寫程式碼的時間其實少得出奇,依研究不同僅佔 9% 到 61%」。這個發現與該論文自身從微軟 6,000 名開發者蒐集到的資料一致。

隨著 AI 程式設計 Agent 開始被採用,2025 年底湧現了一波部落格文章的熱潮,紛紛指出「寫程式碼不是瓶頸」——開發者們意識到,使用 Agent 寫出大部分的程式碼,對整體生產力的影響其實相當有限。

如果寫程式不是瓶頸,那什麼才是?任務細項調查指向「會議」或「除錯」之類的活動。但這又引出更多問題:開發者在這些會議中到底做什麼?為什麼 AI 無法取代?除錯難道不會隨著 AI 能力提升而被自動化嗎?

要理解真正的瓶頸,我們必須進行質化研究,深入挖掘軟體工程師自身對「哪些工作內容抗拒自動化」的理解。我們進行這項分析後,揭示出三項真正的瓶頸:

  1. 決定與定義要做什麼(decide)
  2. 驗證並為交付結果負責(deliver)
  3. 深厚的脈絡理解——對程式碼庫、商業邏輯與環境的理解——這是前兩項的基礎

換言之,軟體工程師的工作由「決策—執行—交付」三明治所構成(其中「理解」是這三者的前提)。AI 已經壓縮了三明治的中段,但在兩端基本上仍維持原貌。只要軟體開發團隊仍掌握決策權並為交付結果負責,工程的師就仍須花時間建立對系統的深厚理解。

圖解:軟體開發由三層構成:(1) 決策層——問題定義、規格制定、規劃;(2) 執行層——設計與實作;(3) 交付層——測試、驗證、整合、維護等。請注意這些是概念性分層,而非時序階段。在一個專案的進行過程中,來回切換是常態。

「三明治模型」的證據來自一篇關於「Writing Code vs. Shipping Code」(寫程式碼 vs. 交付程式碼)的研究論文。在對 GitHub 上 10 萬名開發者的研究中,研究者發現 AI Agent 讓寫出的程式碼行數增加了 8 倍,這與「AI 幾乎完全壓縮了三明治的執行層」的論點一致。但這只帶來了 30% 的發布(release)增量,強烈暗示人類瓶頸(決策層與交付層)仍然存在。

三明治還能再被壓縮嗎?我們認為不能

在管線的一端,開發團隊需要決定「要做什麼」。資淺軟體工程師學到的最重要一課之一就是:需求規格定義(這個領域的術語)耗時遠比預期要長;如果硬把它壓縮,後續會帶來更多痛苦。這一層難以自動化,因為它需要考量使用者需求、市場訊號、組織優先順序,在某些情況下還涉及法規限制。

隨著 AI 能力提升,可委派給 AI 的決策種類會隨時間增加。但這並不會讓「決策層」變薄——一旦某項決策可被委派給 AI,它就不再是競爭優勢的來源,人類決策的價值會向上遷移。軟體的複雜度會隨時間增長,所以這個過程沒有天花板。

在管線的另一端,人類團隊需要為交付的成果負責。也許未來的某一天,團隊可以在沒有充分測試與理解的情況下交付關鍵任務的程式碼,但今天的 AI 極度不可靠,這種草率的做法對軟體團隊及其客戶將構成存亡威脅。即使技術障礙未來消失,我們也不必放棄對 AI 的掌控。「AI 作為常態技術」(AI as Normal Technology)的核心洞見在於:我們可以透過共同的規範、法律與政策,選擇性地讓人類持續肩負起責任。這是控制 AI 影響速度並提升安全性的更具韌性的方式,遠勝於試圖放慢技術能力的發展。這類「速度屏障」大多數已因責任法與產業特定法規而立,但還可以進一步強化。

在這樣的願景下,隨著越來越多的執行層被委派給 AI,未來軟體工程師的角色將類似於「起重機操作員」——AI Agent 承擔大部分的認知重勞力,而「監督 Agent 並將其控制在軌道上」成為人類最主要的工作。

有些評論者主張,人類持續掌權的未來不太可能發生,因為付費給人做這件事太昂貴了。確實已經有幾則病毒式傳播的故事,講述監管不周的程式設計 Agent 刪除正式資料庫或造成其他災難性損害。但我們將這些視為「人咬狗」式的例外故事,而非新興常態。它們之所以會瘋傳,正因為它代表了極度不負責任且罕見的行為,具有震撼效果,並不斷提醒整個社群警惕對 AI 的過度依賴。正如諺語所說:「如果上了新聞,就別太擔心。」

順帶一提,三明治被擠壓是個新趨勢,而且並非 AI 獨有的現象。二十多年前,美國勞工統計局就開始將「寫程式」與「軟體工程」分開追蹤。粗略地說,程式設計師(programmers)只負責「執行」這一段,而軟體工程師(software engineers)則掌管三明治更大部分的範疇。不僅程式設計這個角色持續萎縮,其薪資也低得多,因為它被視為「苦力活」。AI 只是加速了這個既存已久的趨勢,進一步貶低了純技術性技能的價值。

這個模式——即使 AI 越來越自動化中間層,人類仍在三明治兩端深度參與——似乎大致適用於大多數知識工作,雖然在軟體業的進展最為深入。畢竟,複雜的決策與問責制對大多數領域都是共通的。對這個現象的忽視,催生了很多過度自信的「即將發生大規模失業」預測,例如對放射科醫師的預測。## Vibe Coding 不是 Agentic Engineering

之所以會對「軟體工程到底改變了多少」感到困惑,一個原因是「Vibe coding」這個詞被過於鬆散地用來指稱光譜上差異極大的各種實踐——光譜兩端在概念上截然不同,相似度反而很低。

真正的 vibe coding,定義上是:使用者只是告訴 Agent 要做什麼,執行中不監督它、不審查程式碼(甚至可能根本沒有能力審查),也不評估輸出,最多只在外觀明顯壞掉時才會察覺到。這與大多數軟體工程師實際使用 Agent 的方式形成鮮明對比——他們把 Agent 當作工具,人類仍然掌握控制權並對輸出負責。

幸運的是,「agentic engineering」這個詞正逐漸被用來描述後者這種實踐。隨著 agentic engineering 成為常態,工程師們開始發現「監督程式設計 Agent」其實非常耗時。例如,知名開發者兼 AI 轉型紀錄者 Simon Willison 曾表示,他光是監督 Agent 到早上 11 點就已經精神耗盡。這與我們自身的經驗也一致。

更具量化性的證據來自 SWE-chat——這是一個由選擇性加入日誌工具的開源開發者所貢獻的程式設計 Agent 互動資料集。該研究發現:

  • Agent 產出的程式碼中,只有 44% 最終存活下來被整合進使用者的 commit
  • vibe coding 風格的 commit 引入漏洞的機率,是純人類撰寫的 9 倍
  • 使用者最常見的意圖是「理解現有程式碼」,而非「生成新程式碼」(19% vs 13%)

由於這份資料集是自我選擇(self-selected)的,我們不能單憑這項研究就下定論,但它確實與其他許多證據相互呼應:vibe coding 與 agentic engineering 是兩種截然不同的模式。

要再次強調的是,這兩者不是涇渭分明的兩個類別,而是同一條光譜的兩端,中間存在模糊地帶。並非每個專案不是「丟了也罷」就是「關鍵任務」。但對「就業問題」的關鍵意涵依然穩固——企業無法靠雇用不具備資格的 vibe coder 來取代軟體工程師,從而交付正式環境的軟體。## 未來會怎麼走?

AI 樂觀派可能會主張:AI 引發的大規模裁員即將到來,只是因為人類等級的軟體工程能力直到最近才出現(甚至還沒達成),所以還沒發生。但如果「三明治模型」是正確的,這些預測就不會成真。AI 已經大致壓縮了三明治的中段(事實上這種壓縮在數十年前就開始了)。所以即使把執行層變得瞬間、完美,也只會是相對於現狀的小幅改變。

其他兩層之所以抗拒 AI,並非因為能力上的限制。事實上,軟體工程的工作不僅不會因 AI 而消失,需求甚至可能增加。當軟體(或其他任何東西)因為技術生產力提升而變得更容易創造,人們會購買更多軟體(用經濟學術語來說,軟體具有高度的「價格彈性」)。而且正如我們所論證的,AI 並不會取代軟體工程師(「替代彈性」很低),所以對更多軟體的需求就會衍生出對更多軟體工程師的需求。

一個相關但更響亮的經濟學術語——「傑文斯悖論」(Jevons’ Paradox)——在 AI 話語中常被用來描述這個概念。從歷史規律來看,這確實是軌跡——美國的程式設計師就業人數從 1950 年前後近乎為零,成長到今天以百萬計。這與農業等職業形成鮮明對比,後者因機械化與自動化而勞動需求被嚴重削減。差異在於,人類對熱量的攝取相對固定(即使是 25% 的成長也帶來了肥胖危機),而人類對軟體的生產與消費則成長了百萬倍。現代汽車在各種車載電腦上運行的程式碼約有一億行。如果對程式碼的需求存在天花板,我們離那個天花板還非常遙遠。幾乎所有的認知工作都受益於軟體。隨著 AI 讓寫程式變得更便宜,人們正在創造各種一次性的小工具——無論是工作或個人用途——在以前根本就沒理由去創造它們。

要釐清的是,雖然我們認為未來會有更多軟體、可能也會有更多軟體工程師,但這不意味著大型科技公司會變得更大。今天大多數軟體工程師其實都在非軟體業的企業內任職,這個比例未來還可能繼續成長。

接著談到「AI rollups」這個概念——指創投或私募基金收購「主街」型企業(牙醫診所、會計師事務所之類),並從零開始重組為「AI 原生」企業,將軟體工程師或 AI 工程師嵌入這些業務中。當然,最終可能只是炒作一場,現在還言之過早。

有些人預測,軟體工程技能的需求會下降,因為「民主化」效應。他們承認未來會有比過去更多的軟體被產出,人類也會花比過去更多的時間在軟體生產上,但這些工作會由不是軟體工程師的人來完成。他們的想法是:AI 會把軟體工程民主化到一定程度,例如法律軟體可以更容易由具備法律訓練的人而非軟體工程師來創造。或許吧。但我們押注反方。

在我們看來,這掉進了同一個陷阱——把 vibe coding 與 agentic engineering、把執行層與整個決策—執行—交付三明治混為一談。事實上,回顧程式設計的歷史,一直都有人宣稱我們正站在「民主化」的門檻上——FORTRAN、COBOL、SQL 等古老語言問世時,都伴隨著這樣的熱烈期盼。它從未真正發生。真正的障礙不是學會語法,而是具備足夠的專業判斷,能在承擔問責的同時做出好決策。

最終,這個區別可能只是語義上的問題。有一件事是清楚的:人們花在「讓電腦做新事情」上的時間會持續成長。它可能以建構軟體的形式出現,或以使用 Agent 管理複雜工作流的形式出現,或以某種其他形式出現。它會需要軟體技能、AI 技能與領域專業的組合。至於是否會是今天的軟體工程師最能適應並填補這些新角色,仍有待觀察。

這最後一點關於「必須調適」的觀察,自然地引出了本系列的下一篇。整體而言,軟體業的勞動需求很可能保持強勁,但這不意味著大多數個別勞工不會受到影響。我們將論證:AI 將在軟體的生產方式上引發大規模的結構性轉變,這對哪些軟體工程師會受益、哪些會受損,會帶來巨大的影響——取決於他們所任職公司的類型、所在地理、資歷深淺,以及調適的速度。

延伸閱讀

Deena Mousa 指出,基於「AI 暴露」這類指標的廣泛性、整體經濟面的分析過於表面,並呼籲展開「縝密的、針對特定職業的研究」。我們希望本系列文章能在建立對「AI 改造軟體工程」的細緻理解上扮演一定角色。我們先前曾與 Justin Curl 共同撰寫過一篇論文,分析 AI 在法律服務業的應用,深入探討了讓該職業與眾不同的法規與其他瓶頸。我們計劃在未來做更多針對特定職業的深度研究。

40 年前,Fred Brooks 在一篇卓越的散文《No Silver Bullet》中,區分了軟體的「本質複雜度」(essential complexity)與「偶然複雜度」(accidental complexity)。他主張軟體的某些複雜度是偶然的,源自當前技術的限制(例如程式語言的笨拙),可以隨工具演進而緩解。但有些複雜度則是本質性的——因為「正確地定義軟體的行為」本身就是一件難事。他對「三明治的決策層既厚又抗拒自動化」提出了極具說服力的論述。

有趣的是,希望透過 AI 提升程式設計師生產力的期待,早在當年就已經很普遍了!Brooks 主張:因為 AI 或任何其他技術都只能降低「偶然複雜度」,所以不會帶來數量級的生產力提升。(Brooks 也是《人月神話》(The Mythical Man Month)的作者——這本論文集幾乎可以確定是軟體工程領域最廣為人知、最具影響力的著作。《No Silver Bullet》後來也被收錄進該論文集中。)

我們感謝 Felix Chen 對本文草稿提供的回饋。


參考資料

網友熱門留言 (5)

#1 lucideer (Hacker News) ▲ 187
AI 之前的反應同樣毫無根據:把大量潛在難以維護的手寫程式碼一股腦兒地 commit 進來,並不一定是正向的貢獻;任何一位稱職的工程師都明白這一點,不會期待別人感恩。我公司甚至有非技術員工開始向內部 repo 提交 AI 生成的 PR,品質優秀、review 也很順利。重點不是技術能力,而是態度問題。
#2 chrisco255 (Hacker News) ▲ 423
LLM 只做了我工作的 0%,我不知道還能說什麼。如果 AI 真的這麼強,為什麼沒有人在 Node.js、React、Kubernetes、Linux、Ansible 這些開源專案上每天提交 15 個 PR?而且它的表現時靈時不靈,根本無法預測。
#3 plastic-enjoyer (Hacker News) ▲ 256
我很少用 AI,老實說,每用一次我都覺得自己變笨一點。但同時,那些拒絕嘗試 AI 的工程師也不是在保護自己——恰恰相反,他們正在落後。真正的問題是:如何在不讓自身能力退化的前提下,駕馭 AI 工具?
#4 endorphine (Hacker News) ▲ 891
我常看到一個令人沮喪的場景:資淺工程師靠著 LLM 工具,向同事或開源維護者丟出大量未經測試的 PR,然後期待「code review 流程」接手剩下的工作。這跟 Narayanan 的觀察完全吻合:vibe coding 跟 agentic engineering 是兩件截然不同的事。
#5 Sam Altman (X/Twitter, 引用自 Times of India) ▲ 1102
把 AI 當作裁員藉口是『AI 洗白』(AI washing) — 這是企業把成本削減驅動的裁員嫁禍給 AI 的做法。Snap、Block 都不是孤例,這是整個科技業的系統性問題。