背景
InfoQ 於 2026 年 9 月 28 日刊出 Michael Stiefel 與 Erin Doyle 的 podcast 對談。Doyle 是新創公司 Quotient 的創始工程師（founding engineer，負責從零參與產品與平台搭建的核心成員），擁有二十餘年跨足行動、Web 與平台架構的實作經驗，長期關注工程文化與開發者體驗（DevEx，developer experience，指工具、流程與環境對開發者日常工作的影響）。這次對談的核心問題是：當人工智慧大幅接手編碼工作，軟體開發的重心、團隊協作方式與責任歸屬會如何改變，以及一個團隊要具備什麼條件才能真正把 AI 用起來。
核心內容：從寫程式轉向架構與脈絡
Doyle 表示她日常寫程式的時間大幅減少，有時整天不碰程式碼，工作內容變成就整體系統的思考、程式碼與設計審查、規劃與蒐集脈絡，以及把 AI 產出的程式碼或文件轉譯成隊友容易理解的形式。過去工程師花很多力氣確認程式碼是否正確、安全、可靠；如今生成品質提升後，重點轉向更高層的問題：系統將如何被人使用、如何維護與理解那些不再由自己從頭撰寫的程式、以及在「測試通過但自己並不真的理解方案」的情況下如何保持掌握。她認為各團隊對「理解到什麼程度才算夠」的舒適線不同，必須各自對齊；她所屬團隊仍要求成員理解產出、能對同事解釋決策，並為決策負責。主持人 Stiefel 以編譯器為例：軟體工程從組語轉向高階語言時，工程師也曾懷疑是否還需要理解底層產物，最後是靠測試與軟體開發生命週期（SDLC，software development lifecycle，即需求、開發、測試、上線到維護的完整流程）學會承擔責任，這個先例同樣適用於 AI。
技術脈絡解讀：歧義、提示與審查工具
Doyle 把歧義（ambiguity，需求與指令中不夠明確、可能被多方解讀的部分）視為 AI 時代的首要工程問題：過去寫程式要把需求講得極為明確，錯誤會以 bug 回饋；如今改用自然語言下指令，歧義無所不在，而釐清需求、與人溝通本來就是這行最難的部分。操作方式本身也在演進：從每次都要重複的提示（prompt），到集中放置的規則（rules），再到技能（skill）——一份以 Markdown 撰寫的自然語言檔案，讓模型在需要時載入特定知識與行為，她比喻如同電影中 Neo 瞬間學會功夫。相較一年前像帶初階工程師般需要極其具體的指示，現在更像與資深工程師同儕對話。然而產出暴增帶來新的瓶頸：_pull request_（PR，開發者請求合併程式碼的審查流程）數量上升，審查速度卻沒跟上。Quotient 團隊討論後重新分工，把邊界條件、品質與安全問題交給工具，人類聚焦業務領域、可維護性與是否符合團隊標準；他們使用 CodeRabbit 審查 PR，也用 Sentry 內建的 Seer 聊天機器人詢問警報與資料分析。Doyle 認為還需要更進階的驗證與遙測（telemetry，收集系統運行資料以觀察其行為的技術）工具，因為研究顯示人類審查者不太擅長找出 AI 埋下的錯誤，而監管單位（例如自動駕駛領域）不會允許無法解釋自身行為的技術進入市場。
心理安全與團隊對齊
對談的主軸之一是心理安全（psychological safety，指團隊成員不擔心因提問、犯錯或表達異議而被羞辱或懲罰的狀態）。Doyle 觀察到對 AI 的態度正在兩極化：有人積極投入，有人因倫理立場、環境影響、工作被改變，或嘗試後結果太差而抗拒。一旦團隊分裂，落後的人就不敢問「我不會，你是怎麼做的」，也不敢表達懷疑，落後感會累積成難以跨越的障礙。她分享自身經歷：約一年半前她把 AI 當成作弊或拐杖，因為不熟悉提示技巧、產出差，產生冒牌者症候群，怕被評斷；隨後公司與面試環節又讓人感覺「不用就落伍」，動機變成恐懼。加入現有團隊後，成員一開始就公開分享各自的使用情況與懷疑，發現大家同樣謹慎，於是把框架從「怕失業」轉為「一起試試看」，成員能分享失敗、互相學習，使用量大幅上升，AI 也擴散到 SDLC 各環節。她強調，管理者若只盯使用率與 token 用量、以命令方式推動，只會製造更多恐懼，應先看信任與心理安全，再看使用指標；團隊之間比較 SDLC 各環節的 AI 使用情況，也能自然帶出「你用來做什麼、怎麼用」的經驗交流。
影響與限制
Doyle 明確表示，AI 是工具而非替代品，出錯時不能說「Claude 寫的」；工程師與組織必須完整擁有並承擔 AI 產出的責任，就像不能把錯誤推給自己的筆電。保險公司開始在保單中排除 AI 導致的問題，而 AI 無法被起訴，公司與個人卻可以，這條界線必須持續守住。另一個尚無定論的難題是初階工程師的養成：過去由他們承擔的任務現在由 AI 完成，大學教育不足以對應這項現實，業界也缺乏明確的訓練方案；同時近期調查顯示，業內願意推薦高中生進入這行的比例相當低，Doyle 形容這可能形成惡性循環——若沒有人投入，未來將缺乏足夠人力。她坦言自己沒有答案，但呼籲業界要有前瞻性，騰出帶寬持續培訓與指導新人，而不是只盯著「用更少做更多」的誘惑。
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。