65%。Snap 的 CEO Evan Spiegel 站上台，告訴投資人 AI 現在寫了公司 65% 的新程式碼。同一天，他裁了大約 1,000 人，佔公司 16% 的員工。

股價漲了。

這個畫面很殘酷，但它精準地描繪了 2026 年軟體工程師面對的情緒——一個數字可以同時是公司的利多和工程師的噩耗。Dcard 軟工版有一串討論標題寫得很直白：「軟工就業市場好像沒有任何樂觀理由。」PTT Tech_Job 也在問：「十年內會被 AI 取代的工程師有哪些？」

Reddit 有人做了一份調查，20.57% 的受訪者認為軟體開發是最容易被 AI 取代的職業。不是卡車司機，不是客服，是軟體開發。我們自己人投自己的票。

恐慌有它的道理

先面對不舒服的數據。

JetBrains 的 AI Pulse 萬人開發者調查顯示，74% 的開發者已經在用 AI coding 工具。不是「有興趣」，是「已經在用」。四分之三。這個滲透速度比任何一個 framework 都快——React 花了多少年才到這個覆蓋率？

Stanford 2026 AI Index 丟出一個更驚人的數字：AI agent 在真實電腦任務上的成功率，從 12% 跳到 66%。一年之內。不是實驗室 benchmark，是真的操作電腦、完成任務的成功率。去年 AI agent 還是個玩具，今年它做六件事能成功四件。

Hinton 在 2026 年初公開警告，白領可能迎來「失業潮」。以前他講這種話大家會覺得是學者在刷存在感，但現在 Snap 的裁員數字就擺在那裡，就很難假裝沒看到。

恐慌是合理的。當一個工具能做到你 65% 的工作，而你的老闆又是一個需要跟華爾街交代的 CEO，你不需要是數學天才也能算出接下來的故事。

更微妙的恐慌來自身邊。上個月跟一個做接案的朋友聊天，他說以前一個中型官網報價 30 萬，現在客戶拿著 Cursor 生出來的半成品來問：「你幫我修一修就好，5 萬可以吧？」他說不是案子變少，是案子的「含金量」被壓扁了。以前你賣的是從零到一的能力，現在客戶覺得 AI 已經幫他從零做到 0.7，他只需要有人收尾。

這種感覺有夠破防。

但等一下。

如果數據只有一面，寫文章就不需要了，直接轉行就好。

CNN 今年四月出了一篇報導，標題是：「The demise of software engineering jobs has been greatly exaggerated.」Indeed 的職缺數據顯示，軟體工程師的職缺年增 11%，比整體職缺成長還快。Citadel Securities 的分析也指向同一個方向——市場需要更多工程師，不是更少。

LinkedIn 跟 Cognizant 合做了一份研究，94% 的企業表示他們正面臨 AI 關鍵技能短缺。九成四。這不是缺一點點，是幾乎所有公司都在喊缺人。

11% 成長 vs 16% 裁員。兩個數字同時存在，指向完全相反的結論。

這就是有趣的地方。

看起來矛盾的數據背後藏著一個不矛盾的解釋：企業不是不需要工程師，是不需要「跟 AI 做同一件事」的工程師。Snap 裁掉的人和 Indeed 上新增的職缺，很可能不是同一批人。舊角色在消失，新角色在誕生，兩件事同時發生。

程式開發本身不再是金飯碗了——但「創造 AI 的人」和「駕馭 AI 的人」需求暴增。這個區別很關鍵。如果你把「寫程式」當成一種肌肉記憶在賣，那確實危險。但如果你把它當成理解系統、拆解問題的能力在賣，AI 反而是你的槓桿。

真正的風險不是「被取代」

說 AI 會「取代」工程師，就像說 Excel 會「取代」會計師一樣——從某個角度看是對的，但完全搞錯了重點。

真正在發生的是角色轉變。工程師的核心工作正在從「寫 code」變成「監督 AI 寫 code」。聽起來好像比較輕鬆？才怪。監督比親自做更難——你需要判斷 AI 生成的東西是不是正確的、是不是安全的、是不是會在三個月後炸掉你的 production。這要求更深的系統理解，不是更淺的。

企業自己也發現了這件事：當 AI 讓更多人都能寫 code，品質管理的需求反而暴增。誰來管品質？資深工程師。需求不減反增。

但 Junior 的處境就真的很尷尬。

Entry-level 的機會正在減少。以前公司願意花時間培養 Junior，讓他們從簡單的 CRUD 和 bug fix 開始學。但這些工作現在 AI 能做，而且做得比 Junior 快。公司的盤算很簡單：為什麼要花六個月讓一個 Junior 上手，如果 AI 加一個 Senior 就能搞定？

這裡有一個五到十年後才會爆的炸彈——如果今天不培養 Junior，五年後哪來的 Senior？整個人才 pipeline 會出現斷層。但短期利潤和長期人才培育之間，多數公司會選哪邊？不用想也知道。

我自己帶過 Junior，知道那個成長曲線長什麼樣子。一個聰明的新人大概要六到十二個月才能獨立 handle 一個模組。這段時間他會犯各種錯——搞壞 staging 環境、寫出 N+1 query、把密碼 commit 進 repo。但正是這些錯誤在教他什麼叫「生產環境的重量」。AI 不會犯這種錯嗎？會，而且犯得更隱蔽。差別在於，Junior 犯錯之後會學到教訓，AI 犯同一個錯不會有任何記憶。

誰來抓 AI 的錯？還是得靠人。而那個人需要先經歷過 Junior 階段才能長出判斷力。

台灣工程師的特殊位置

台灣的產業結構讓這件事多了一層不同的味道。

半導體和硬體產業的 AI 替代風險相對低。不是因為 AI 做不到，是因為這些領域的 domain knowledge 太深、跟物理世界的綁定太緊。你讓 AI 去寫一段 firmware 跑在一顆新的 chip 上，它連 datasheet 都讀不完整。TSMC 的製程工程師短期內不用太擔心，因為他們的工作有大量「碰硬體」的部分是 AI 目前碰不到的。

純軟的處境就不一樣了。如果你在做的事情是 Web CRUD、內部工具、標準化的 API 串接——這些剛好是 AI 最擅長的領域。台灣很多中小型軟體公司的主力業務就在這個區間，踩坑的風險確實比較高。

但反過來想，台灣也有一個其他國家沒有的優勢：我們離硬體太近了。軟硬整合、嵌入式系統、IC 設計驗證——這些都是 AI 短期內很難完全接管的領域，而台灣剛好有全球最密集的相關人才和產業鏈。

竹科那些公司在搶的人，不是「會用 ChatGPT 寫 Python」的人，是「懂 memory layout、能看 waveform、會跟 hardware team 吵架」的人。這種能力的養成需要摸真實的硬體，需要踩過 timing violation 的坑，需要跟 FAE 來回 debug 三個月。AI 再厲害，它沒辦法替你摸那塊板子。

所以如果你是台灣的軟體工程師，現在最該問自己的問題是：你的技能組合裡面，有多少比例是「純軟」、有多少比例綁定了特定 domain？那個比例決定了你的風險曝露程度。

問錯問題比 AI 更危險

「AI 會不會取代我？」這個問題本身就有問題。

它把你放在一個被動的位置——好像你唯一能做的就是等待判決。但現實不是二元的「取代」或「不取代」，而是一個連續的光譜：從「完全不受影響」到「整個職位消失」，中間有無數種程度的變化。大部分工程師會落在中間——工作內容大幅改變，但職位本身不會消失。

與其問「AI 會不會取代我」，不如問一個逆向的問題：「怎樣做一定會被淘汰？」

這個答案反而很清楚。拒絕學習 AI 工具的人一定會被淘汰。只會寫 code 但不理解系統設計的人一定會被淘汰。把自己的價值定義為「打字速度」而不是「解決問題能力」的人一定會被淘汰。把所有時間花在焦慮而不是行動上的人一定會被淘汰。

從反面定義出「什麼一定會失敗」之後，剩下的路就清楚多了。你不需要預測未來，只需要避開確定會輸的位置。

這不是什麼樂觀主義。74% 的開發者已經在用 AI 工具——那剩下的 26% 在做什麼？如果你連工具都不碰，你甚至不在這場遊戲裡面。

參考來源：Snap AI 裁員 - SF Standard
參考來源：CNN - 軟體工程師職缺未消亡
參考來源：Pragmatic Engineer - AI 對工程師的影響
參考來源：JetBrains Developer Ecosystem Survey
參考來源：Stanford AI Index 2026 - IEEE Spectrum
參考來源：Dcard 軟工版討論