在矽谷科技公司第一線的軟體工程師看來，AI 對職場與工程師工作型態的影響，已經不只是「寫 code 比較快」這麼簡單。它同時改寫了工作內容、協作方式、績效期待，以及公司用人的成本計算。
從手刻程式，轉向規格制定與決策
過去工程師大量時間花在一行行手刻程式碼；如今這份底層產出，愈來愈多交給 AI。工程師的角色，逐漸轉成替 AI 做規劃：撰寫技術規格（tech spec）、梳理邏輯、做架構決策——工作重心更接近產品經理式的「定義問題與取捨」。
不少工程師對此持正面態度。當重複性實作被分出去，人可以把精力集中在決策層面：什麼該做、怎麼切系統、風險在哪裡、邊界條件是什麼。
「能跑」不夠：AI 垃圾與 Debug 困境
另一面則是系統維護的隱憂。AI 很擅長產出表面看起來能過測試、看似可用的系統；但工程師未必真正理解底層邏輯。當多人協作、各自用 AI 產出的程式碼混在一起，團隊就容易累積一批難以讀懂的「AI 垃圾」。
後續要擴充功能、追查 bug，常常不知從何下手，最後又只能繼續問 AI。這成了第一線工程師正在面對的協作難題：產出變快了，但可理解性、可維護性未必跟上。
績效門檻升高，升遷節奏變慢
AI 拉高了潛在產出效率，公司對工程師的期待值與考核標準也跟著變嚴。同樣的職級，似乎被要求交付更多、更快、更完整。
在產業動盪與裁員氛圍下，競爭感更強：人人自危，必須追求更高產出才符合現有標準，升遷速度也相對放緩。AI 提高了天花板，也同時抬高了及格線。
招聘精算：新人，還是資深員工加 AI？
矽谷公司正在精算一個現實問題：請一個新人，還是讓現有資深員工搭配 AI 提高產出，哪個更划算？
裁員與人力緊縮已成科技業常態，而且不只工程職能。當 AI 讓「一人多產」變得可行，組織對 headcount 的態度也變得更謹慎。
Vibe coding 能做出工具，卻取代不了工程底力
不懂寫程式的人，現在也能用自然語言（vibe coding）做出工具。但若缺乏基本軟體工程概念——例如 Git、Docker 與容器架構——產出往往零散、難整合、難維護，更難支撐複雜的大型專案。
對工程師而言，訊息其實很清楚：不學會用 AI 寫程式，容易在效率競賽中落後；但核心價值仍在於理解工程底層架構，以及駕馭工具的能力。AI 是放大器，不是替代基礎功的捷徑。
以上整理自矽谷科技公司第一線軟體工程師的訪談觀察，供內部討論與後續延伸書寫參考。