AI 生成程式碼接受率高達 90%，最後留下來的卻不到 30%？揭開 AI coding 背後的隱藏成本
數十年來，軟體工程圈始終在爭論一個老問題：工程師的生產力究竟怎麼衡量？然而，當新一代 AI 工具開始替團隊產出比過去更多的程式碼，這個問題不但沒有變簡單，反而變得更難回答。如今在矽谷開發者之間，甚至出現一種新現象：把龐大的 token 預算，也就是開發者被允許消耗的 AI 運算額度，視為某種能力與身價的象徵。
不過，這個衡量標準的問題在於，這套邏輯衡量的其實是「投入」，而不是真正的「產出」。如果企業在意的是效率提升，而不只是表面上的 AI 採用率，那麼把可量化的工具使用量，直接等同於團隊真正創造的成果，顯然是一種值得重新檢視的迷思。
表面產出變多，不代表真實生產力同步提升
有時產出數量的增加，反而會掩蓋背後的重工成本。《TechCrunch》引述開發者分析平台 Waydev 執行長 Alex Circei 的觀察指出，在工程經理眼中，AI 生成程式碼的初始接受率可達 80% 到 90%，但若把後續數週工程師必須重寫與修改的狀況納入考量，真正在實務中留下來的 AI 生成程式碼其實只剩 10% 到 30%。這些工具帶來的技術債與程式碼審查負擔正在不斷累積，尤其資淺工程師往往比資深工程師接受更多 AI 程式碼，隨之而來的便是更大量的重寫工作。
業界數據也印證這個現象，例如根據 GitClear、Faros AI 與 Jellyfish 等企業的資料，在高 AI 採用情境下的程式碼流失率（code churn）顯著增加，例如 Faros AI 的數據顯示 code churn 甚至增加 861%；Jellyfish 則發現，擁有最大 token 預算的工程師雖然產出最多拉取請求（PR, Pull Requests），但生產力提升並未等比增加，最後只是以 10 倍的 token 成本換來 2 倍的吞吐量，也讓《TechCrunch》直言，這些工具目前更像是在「產生數量，而不是價值」。
真正拖慢交付的，往往不是寫程式本身
當 AI 開始負責產出大量基礎程式碼，阻礙產品上線的瓶頸便轉移到了其他層面。跨國 IT 技術公司 Zoho 創辦人 Sridhar Vembu 指出，AI 帶來的效益在開發流程中並不平均：「我們確實能更快地做出可用的原型（working prototype），但一個完成的產品包含更多環節，並非所有階段都能被 AI 加速。」
Sridhar Vembu 因此建議技術團隊不該執著於「程式設計師的生產力（programmer productivity）」這類狹義指標，而應聚焦在如何利用 AI 為客戶提供更好的體驗，並強調：「程式設計技能是基礎，但深厚的領域知識，以及可靠性（reliability）、安全性（security）、支援（support）與合規性（compliance），才是客戶真正願意付費的東西。」
這點也引起了廣大工程師的共鳴。《Business Today》引述業界討論指出，客戶買的不是程式碼行數，而是能解決特定產業問題的可靠方案，正如一位工程師所言，AI 可以寫出模板程式碼，但無法坐在合規會議裡解釋為什麼要這樣寫，這也是產品能否真正落地的關鍵所在。美國軟體工程師 Paul Maddison 也呼應，寫程式只是軟體工程的一部分，如今「對細節的關注」比以往任何時候都更重要，因為如果提示詞沒有下好，AI 推理模型就會做出許多在進行程式碼審查時難以察覺的假設。
AI 也在改變軟體工程師價值：「寫得多」不等於「貢獻更大」
現在，AI 不僅改變開發流程，更重塑軟體工程師的職涯軌跡與角色定位。《Business Insider》指出，自去年底以來，Claude Code 與 Codex 等工具已大幅改變軟體工程師的工作方式。OpenAI 總裁 Greg Brockman 認為，AI 正快速加速軟體工程，且這種改變將擴及所有使用電腦的工作，並表示：「越來越多的人可以將意圖轉化為軟體、試算表、簡報、工作流程、科學和公司。」
新創公司 Speak CTO Andrew Hsu 指出，過去新創裡工程、產品與設計三種職能原本界線明確，但現在 PM 與設計師也開始用 AI 工具寫程式、開 PR，工程師則承擔更多產品與設計責任。因此，Andrew Hsu 認為，未來更容易成功的人會是能快速學習、往更高抽象層移動並承擔更多主導權的通才（generalists），並強調「在許多方面，專業化（specialization）變得不再那麼重要。」這也代表工程師未來的核心價值，已經開始轉向跨領域的整合與解決複雜問題的能力。
AI coding 正在改變寫程式的速度，也同時讓企業反思「什麼才算生產力」。當 token 用量、PR 數與程式碼產量愈來愈容易被量化，團隊更需要警惕，別把看得見的忙碌，誤認成真正的價值創造。對企業而言，下一階段的關鍵將在於能否把 AI 產出的速度，真正轉化為更可靠、更安全、也更貼近客戶需求的產品交付。
＊本文開放合作夥伴轉載，資料來源：《TechCrunch》、《Business Today》、《Business Insider》，首圖來源：Unsplash