在 QCon London 的演講中，Alasdair Allan 提出了關於人工智慧如何顛覆軟體工程職涯成長的深刻觀察。他指出，AI 雖然在短期內提升了開發速度，但實際上正在消除工程師在職涯早期必須經歷的學習機會。這種現象被描述為 AI 吞噬了職涯中的中間層，導致初級開發者失去了建立核心直覺的機會，而這正是未來監督 AI 工具所必需的關鍵能力。
背景與學習路徑的斷裂
傳統上，一名初級工程師成長為資深工程師的過程，是透過大量處理瑣碎且艱苦的任務來完成的。這包括閱讀冗長且缺乏文件的舊有程式碼、在凌晨三點除錯生產環境的崩潰問題，以及在不斷嘗試與失敗中理解系統如何運作。這些被稱為 Scut work（低價值但基礎的繁瑣工作）的過程，雖然在效率上並不理想，但卻是培養工程師直覺的核心。
這種直覺讓資深工程師能夠一眼看出系統結構的缺陷、預判複雜度隱藏的位置，以及理解系統在大規模運行時會在哪裡崩潰。然而，現在的初級工程師傾向於將這些問題直接交給 AI 代理人進行總結或修復。當學習過程被 AI 的即時答案取代，工程師便跳過了從掙扎到理解的關鍵旅程，導致他們在面對複雜系統時，缺乏判斷程式碼是否正確的實戰能力。
核心問題：功能實現與工藝品質的差異
AI 在處理定義明確的短小任務時表現優異，但當任務複雜度增加時，其效益會迅速下降。Allan 指出，AI 擅長的是實作功能，而非追求工藝。在實際的開源專案測試中，即便 AI 生成的拉取請求（Pull Request，一種請求將程式碼合併至主分支的機制）通過了自動化測試，但在真實的專案環境中，竟然沒有一個能直接被合併。
這揭示了一個核心矛盾：AI 雖然能寫出能運作的程式碼，但無法理解所謂的黑域（Blackfield）。黑域是指那些在高負載下運行、處於淘汰路徑但無人有時間執行更新、且業務規則深埋在數十年未記錄決策中的舊有系統。AI 可以閱讀程式碼，但它無法閱讀生產環境的歷史脈絡，無法理解哪些程式碼路徑在實際運行中承載了關鍵負載，而這些資訊往往不存在於程式碼本身之中。
從開發者轉型為監督者的挑戰
隨著 AI 的普及，程式設計的工作本質正在發生轉移，從撰寫程式碼轉變為監督系統。以 Anthropic 的工程師為例，他們在日常工作中大量使用 AI 工具，但真正能完全委託給 AI 的部分僅佔約百分之二十。剩下的百分之八十，正是人類價值所在之處：在生成結果與最終判斷之間建立橋樑。
目前的危機在於，企業在競相採用 AI 工具以追求速度的同時，也在損害生產資深工程師的人才管線。能夠為 AI 提供正確上下文（Context，指讓 AI 理解任務所需的背景資訊與環境限制）的人，必須是那些透過多年實作累積了深厚經驗的工匠。如果初級工程師不再經歷傳統的磨練，未來將不會有足夠的人才能夠有效地監督 AI，導致組織在十年後面臨資深開發者斷層的困境。
影響、限制與實務建議
研究數據顯示，AI 對開發品質的影響具有矛盾之處。某些實驗發現，經驗豐富的開發者在使用 AI 後，主觀感覺速度提升了百分之二十，但實際速度反而慢了百分之十九。而初級工程師在使用 AI 後，雖然沒有縮短完成時間，但在掌握程度上的得分反而降低了百分之十七。這意味著初級開發者用學習機會換取了虛假的效率。
面對這種趨勢，Allan 建議組織應採取以下對策：首先，建立結構化的學習路徑，刻意讓初級工程師輪調參與基礎設施的維護，像醫學院的住院醫師實習一樣，透過處理繁瑣工作來培養判斷力。其次，衡量標準應從產出速度（Velocity）轉向對系統的理解程度。最後，將上下文視為基礎設施，撰寫高品質的文檔，讓其像是在對一名懂技術但不懂該專案的資深工程師進行入職培訓。
總結來說，AI 是一個強大的工具，但它不是老師。如果開發者利用 AI 來跳過理解過程，實際上是在向自己的未來借債。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。