大家都同意 AI 讓資深工程師更有價值。幾乎沒有人會問，下一代資深工程師究竟要從哪裡來。AI 自動化掉的工作，從來都不是浪費；那其實是學徒訓練，而招聘資料已經說明，最底層的那一階，已經不見了。
現在業界很愛講一個故事：AI 讓資深工程師變得更有價值。那些有判斷力的人、那些一看就能聞出設計有問題的人，會是這波變革的贏家。這是一個讓人安心的故事。它甚至是真的。
只是這個故事中間有個洞，大到足以讓凍結招募直接開進去。資深工程師不是可再生資源。沒有人一出生就預裝了 15 年的傷疤。你合作過的每一位資深工程師，當初都是從初階工程師開始，接下那些不起眼的工作，花了好幾年才一路走到今天。而 AI 則悄悄吞掉了這些年原本應該做的那些工作。
這篇不是在討論 AI 會不會寫出好程式。它確實寫得不少。這篇要談的是：能判斷程式好壞的人，供給會發生什麼事。
資深工程師到底是怎麼來的
去問一位資深工程師，究竟是什麼讓他變成資深，你不會聽到「證照」。你會聽到的是：他搞壞過哪些系統、坐過哪些事故處理、花了幾週才看懂的程式碼庫。判斷力不是下載來的，而是透過成千上萬次與真實系統的小碰撞累積出來的；其中大多數都不光鮮，很多當下甚至很無聊。
這正是「資深工程師會贏」這個敘事略過的部分。它把資深人才供給看成天氣，彷彿那東西本來就漂浮在外面，自己會補充。其實不是。那是被「製造」出來的。速度很慢、成本很高，靠的是那些願意給別人站上底層階梯的團隊，並容忍那段搖搖晃晃的過程。
你的招募計畫大概假設，當 2030 年需要資深工程師時，可以直接從市場上招。好啊。但市場其實只是別家公司以前的初階工程師。總得有某個人、某個地方，在做學徒訓練；不然根本沒有資深工程師可以招。
粗活其實就是課綱
想想看，在 AI 工具變得好用之前，初階開發者一週的工作其實長什麼樣：
- 樣板程式（boilerplate）—— 搭 CRUD API 端點、做表單驗證，讓你學會框架的形狀、東西放在哪裡、慣例是什麼，以及它們為什麼存在。
- 小型 bug 修正—— 沒人想接的 ticket，教你先看 stack trace，再看 log，然後最重要的是，看別人的程式碼。不是你會寫的程式碼，而是實際存在的程式碼。
- 膠水程式（glue code）—— 把 service A 接到 queue B，讓你理解系統真正是怎麼串起來的：timeout、重試、只有在 production 才重要的設定值。
- 追蹤別人的程式碼—— 那些「搞清楚為什麼會這樣」的任務，建立起每一個未來架構決策都要依賴的心智模型。
- PR 挑毛病—— 你第一個 pull request 上那 40 則留言很刺痛，但那也是業界有史以來最快的知識傳遞機制。
沒有人會替這些工作辯護。我們稱它為苦工、雜務、繳學費的東西。所以當 AI 出現，開始在幾秒內把這些全做掉時，我們很高興。終於，初階工程師可以跳過那些無聊的部分，直接做真正的工程。
可問題是，那些無聊的部分本來就是訓練。學徒水電工要花好幾年拉電線、裝接線盒。不是因為師傅不能更快完成，而是因為你必須先學會建築物到底怎麼運作，才會被允許碰那些可能致命的配電盤。把拉電線這件事交給機器人，你還是會得到有配線的建築物；只是你不再培養出水電工了。
AI 的自動化就是這麼做的。它不是減少浪費，而是刪掉了課綱，只留下考試。
而這也讓今天的初階工程師陷入一種怪異的困局：有了 AI，他們能產出比歷史上任何初階工程師都更多的輸出，同時卻累積到比歷史上任何初階工程師都更少的實作經驗。輸出從來都不是初階工作的重點。學習才是產品，ticket 只是交付機制。
資料其實已經出來了
如果沒有資料，這些話就會像空泛的思辨文。但資料已經在顯示這件事，而且是從好幾個不同方向同時顯示。
SignalFire 的《科技人才現況報告》發現，現在應屆畢業生只占大型科技公司招聘的 7%，而應屆畢業生的招募量比疫情前 2019 年水準 下降超過 50%。報告也把大家心裡話直接說出口：37% 的主管表示，比起雇用 Z 世代員工，他們更想用 AI。
史丹佛大學 Erik Brynjolfsson 團隊分析了 ADP 的薪資資料，涵蓋數百萬名勞工，並發現自 2022 年底以來，在 AI 暴露程度最高的職業中，22 到 25 歲的初入職場勞工就業相對下降了 16%。軟體工程就是最具代表性的案例之一。與此同時，在同一批職業中，30 歲以上的勞工到 2025 年 5 月則成長了 6% 到 12%。同樣的工作，方向卻完全相反，並且清楚地按照年齡切開。經濟衰退不會看你的出生年份；AI 採用似乎會。
下游影響在畢業生結果上也看得出來：紐約聯邦準備銀行的資料顯示，近期電腦科學畢業生失業率為 6.1%，而整體近期畢業生平均為 4.8%。整個世代被告知該選的科系，現在表現比平均還差。
而這些數字背後的情緒也一點都不含蓄。根據 Stack Overflow 報導的調查資料，70% 的招募主管表示他們認為 AI 能做實習生的工作，而 57% 表示他們對 AI 的輸出，比對剛畢業不久的人更信任。
最底層那一階不是「正在變鬆」。它已經不在梯子上了。
對單一公司來說理性，對整體來說卻在餓死未來
這裡最令人不舒服的地方是：這個故事裡沒有人做錯事。
把帳算在單一團隊、單一季度上，答案非常清楚。雇用一個初階工程師，除了完整薪資外，還要吃掉一位資深工程師一大塊時間，通常一年以上才會轉正產出；之後他還可能為了加薪 30% 跳槽到別處。AI 寫程式工具的成本，比團隊的咖啡預算還低，而且今天下午就能開始產出。如果你是手上有一個開缺、又有交付期限的工程經理，不招初階工程師，才是正確決策。任何 CFO 都會點頭；大多數也真的會。
問題在於，大家都在用同一張試算表。每家公司都個別決定，要從「市場」找資深工程師，而不是自己培養；但市場其實只是其他公司初階計畫的產物。跳過初階工程師，就是在搭便車吃別人的學徒訓練。這個做法在變成普遍現象之前都很漂亮，一旦普遍化就完蛋。
這是典型的公地悲劇，而 2031 年的資深工程師人才池，就是那片公地。沒有任何一家公司擁有它，沒有任何一家公司會因為這一季消耗它而受到懲罰，而任何人的損益表上也沒有哪一行真正反映它。
危險就在於時間差。2025 年沒被雇用的初階工程師，會變成 2028 年不存在的中階工程師，以及 2031 年不存在的資深工程師。而缺少的那一批，之後也無法補回來，因為你真正要招的，是累積多年的判斷力。你可以在一個預算週期內把薪資帶往上調；你不能把經驗調出來。
「也許 AI 之後就變成資深了」
誠實地說，反方論點值得好好聽，因為它並不蠢。它是這樣說的：模型進步很快，所以等到資深缺口真正出現時，AI 也會開始做資深工程師的工作。擔心初階人才管道，就像 1910 年還在擔心馬廄容量，而福特汽車已經開始大規模量產。
如果認真看，這個說法還是會卡在一個頑固的事實上：總得有人在 merge 上簽自己的名字。
當 AI 生成的 migration 在凌晨 2 點把 production 弄掛時，沒有人會接受「模型做的」這種事故報告。你的客戶不接受，審計也不接受；如果你在金融科技或醫療產業，監管機關更不會接受。責任在軟體組織裡是承重結構，不能外包給一個不能被開除、不能被彈劾、也不能被升遷的系統。最後還是得有真人審查輸出、批准它，並且對它負責。
而且 review 不是勾選方塊。要做好 review，必須知道哪些 diff 風險高、哪些只是例行更動，知道 schema change 的 blast radius 有多大，知道測試變綠是因為程式真的正確，還是只是沒測到失敗模式。那就是判斷力。也正是過去學徒訓練會產生的東西，而且正是我們現在停止訓練的人身上應該具備的東西。
所以「AI 會變成資深工程師」這個未來，反而在吃掉自己的前提：AI 寫的程式越多，人類工作就越變成 review；而業界現在卻正把賭注押在這種技能上，同時拆掉唯一已知能培養它的機器。
史丹佛的資料還有一個細節可呼應這點：在 AI 只是輔助人類的角色裡，就業保持穩定甚至成長；而那些用 AI 來學習、驗證自己工作的人，表現也比把整件事都交給 AI 的人更好。市場已經在篩選人了，不是看你有沒有用 AI，而是看你用 AI 的方式，是在培養判斷力，還是在替代判斷力。
讓學徒制繼續活著
你不可能坐在辦公桌前，改變整個產業的招募誘因。但你能控制的是：在你和你團隊已經在做的工作裡，學習還有沒有發生。
如果你還在職涯早期：
- 先掙扎，再提問。 每個問題都先自己真正嘗試過，再去問模型。掙扎不是要被最佳化掉的低效率；它才是把課堂內容寫進你腦袋的機制。當 AI 幫你解釋你已經苦戰過的東西時，它是絕佳家教；但如果你連問題都還沒形成，它就先回答了，那它只是在撕毀你的學習。
- 把每一個 AI diff 都當成 reviewer 來看，因為你本來就是 reviewer。 就 git blame 和你的團隊來看，那段程式就是你寫的。如果你無法解釋 diff 裡的某一行，你就還沒完成。要把「理解」變成交付物，而不是只把 merge 當成果。
- 刻意用慢的方法做幾件事。 親手追一次 framework 的呼叫流程。先自己寫 migration，再去求助。你不是在當原教旨主義者，你是在做 reps；就像運動員明明有堆高機，還是會繼續舉重一樣。
- 早點把 review 練好。 未來的工作重心就是 review。主動去做，研究你團隊裡最好的 reviewer 怎麼留言，學會把「為什麼這裡有風險」說清楚。這項技能的複利，比純輸出高得多。
如果你是帶團隊的人：
- 真的聘一位初階工程師，而且要有計畫。 不是做公益，也不是拿來撐 ticket 產能。要有計畫：輪調到不同子系統、有明確指派且保留時間的 mentor、參與事故檢討。刻意培養出的一位初階工程師，原則上比零好，實務上也比三位沒有支援的初階工程師更強。
- 分配的是理解，不只是產出。 讓他們簡報付款流程端到端怎麼跑。把他們排進 on-call shadow 輪值。叫他們先寫 postmortem 草稿。這些都不會直接交付功能，但每一件都在製造你五年後會急著想招來的那種人。
- 保留那些有教育意義的 ticket，並交給真人。 不是那些把人榨乾的票。那些就大方自動化掉吧。但 legacy 模組裡那個逼人真的去讀系統的棘手小 bug？那種 ticket 就是學費，別拿去給模型。
- 一起檢查 AI 的使用方式。 像 pair programming 一樣，成對看 prompt 和 diff。初階工程師怎麼用模型，現在就是他的工作流程；如果流程是隱形的，他的缺口也會是隱形的。
這些都不會出現在本季度的 velocity 上。這正是重點。學徒訓練本來也不會出現在 velocity 上，所以它才那麼容易被自動化掉，還沒人發現那原本是什麼。
不是業界決定不再培養資深工程師，而是它用一季又一季看似完全合理的決策，把生產資深工程師的機器給自動化掉了。五年後還有足夠資深工程師的團隊，會是那些從來沒有停止培養他們的團隊。
P.S. 感謝你花時間閱讀這篇文章！文中的想法與觀點皆為我個人意見。英文不是我的母語，所以我會使用 AI 幫忙修正文法，讓我的寫作更清楚、更容易閱讀。如果還是有些地方讀起來有點彆扭，還請多多見諒！
原文最初發表於 nazarboyko.com。
喜歡這篇嗎？歡迎保持聯絡——我在 LinkedIn 上，隨時都很樂意聊天、交換想法，或 պարզապես 打個招呼。👋
原文出處：https://dev.to/nazar-boyko/the-junior-developer-pipeline-is-broken-and-ai-broke-it-1aai
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
