【AI Coding下篇】開發成本大幅壓低，工程師角色如何改變？陳宜昌：懂得定義問題，才能把AI變成槓桿

AI輔助開發（AI Coding）加速程式碼產出，但真正的挑戰才開始。

前聯發創新基地技術經理陳宜昌觀察，AI接手大量實作、測試和修正工作後，團隊更需要穩定的品質把關流程，也可以用AI協助檢查AI產出的結果。同時，工程師也不能停在「怎麼做」，而是要更早判斷「做什麼」、為什麼做，以及AI產出的成果是否真的可用。

AI Coding壓低開發成本，一人搭配AI Agent，也有機會快速開發產品原型；但這也讓工程師面對更高的能力要求。懂得定義問題、拆解任務和驗證結果的人，才更有機會把AI變成槓桿。

在上篇，陳宜昌以語音聊天機器人專案為例，說明AI Coding不是要AI一次生成整套系統，而是先拆模組、寫小範圍規格（Spec）、測試驗證，再逐步整合。下篇則進一步談，AI Coding如何改變軟體開發的品質控管、工程師技能要求與角色定位。

AI加速開發，品質把關更不能少

AI Coding加速開發，開發者更要把關程式碼品質與安全風險。陳宜昌點出，程式碼審查、測試、CI/CD自動化流程、監測等傳統軟體開發手段，在AI Coding時代反而變得更重要。

測試就是最直接的例子。過去，工程師寫單元測試、整合測試很花時間，團隊往往只能挑重點測。但現在，AI可以協助產生測試案例，測試撰寫成本下降，團隊更應該提高測試覆蓋率，把更多功能納入自動化驗證。

CI/CD自動化流程也是如此。開發迭代節奏越快，程式碼更常合併、打包和部署，若沒有自動化檢驗，團隊就更難在上線前發現問題。因此，開發者可在CI/CD中，設定檔案掃描與排除機制，好在產品上線前，先擋下不該公開或不該部署的檔案。

AI代理（AI Agent）也能強化這道關卡。例如部署前，AI先掃描程式碼和檔案，檢查機敏資料是否外洩、錯誤檔案是否被打包，或是否存在其他安全風險，再輸出風險評分。若分數不達標，這次自動化建置流程就不會通過。

可以說，AI Coding不只加速開發，也能反過來強化品質控管。它可以協助產生測試、掃描風險、檢查部署內容，讓更多檢測步驟進入自動化流程，用來驗證AI開發的成果。

AI Coding能做的事越來越多，甚至能讓團隊設下更多品質關卡。但軟體開發更上層的架構與需求判斷，還是得靠人。

陳宜昌認為，目前至少有3件事很難完全交給AI。

第一是架構設計。這不是單純的技術選擇，而是判斷系統未來該如何擴展、哪些地方要保留彈性、哪些部分不能累積技術債。這些取捨牽涉產品方向、既有程式碼狀態和團隊維護能力，不是AI看幾段程式碼，就能完整判斷。

第二是需求收斂。AI很容易發散，可以列出很多可能性、做法和提醒。但真正困難的地方在於，從一堆選項中，決定現在什麼該做、什麼不該做。這些決策，都需要人類工程師理解目標、成本和優先順序。

第三是系統性錯誤。單一函式錯了，AI通常很會修；但若是多個模組整合後的互動，AI就很難抓到問題。這也是為何，陳宜昌在上篇大型專案中，刻意設計Log與可觀測性，來給AI足夠線索，去追蹤問題。

AI Coding的出現，開始改變工程師的工作重心與角色定位。

過去，工程師很大一部分工作，是執行與盯細節。需求確認後，要有人把功能寫成程式碼、補測試、修Bug，還要處理各種實作細節。這些工作常由新進工程師處理，也是他們理解系統、累積經驗的起點。

但現在，AI可以接手愈來愈多實作、測試和修正工作，新進工程師因此少了一條熟悉的養成路徑：以前可以從基礎實作慢慢練功，現在得要更早理解產品、系統架構和驗證方式，才能更有效與AI協作。

相較之下，資深工程師更有優勢，只要懂得拆解任務、判斷架構、看懂系統全貌，就能更快運用AI，來完成過去需要更多人力才有進展的工作。

也因此，工程師的能力需求開始往上移。光會寫程式還不夠，還需要站在更高層，理解整體程式碼與系統脈絡、掌握產品與客戶需求，判斷AI產出的程式碼適不適合放進既有架構、長期維護。

這也讓工程師和產品經理（PM）、設計師，甚至客戶之間的邊界越來越模糊。過去，工程師多半接收整理好的需求，再把功能做出來。AI Coding縮短開發時間後，工程師不能只停在「實作」這一端，而是要更早理解使用者回饋，更快判斷產品下一步該往何處發展。

可以說，工程師的工作重心正從回答「怎麼做」，轉向「做什麼、為什麼做」。工程師的角色，也更靠近產品創造者，必須同時看懂技術、產品與市場需求。

這些觀察，也讓陳宜昌重新思考自己的下一步。

過去幾年，他走的是一條典型的AI技術路線。他曾在聯發創新基地擔任技術經理，主導AI研究與開發工作，參與Breeze繁體中文語言模型系列，也投入臺語與臺灣口音華語的語音辨識、語音合成技術；研究成果也曾發表於ICLR、ACL等頂級國際AI會議。

但AI Coding出現後，陳宜昌看見另一種可能。

他形容，現在是「最好，也是最壞的時代」。最壞的是，純執行類工程技能正在快速貶值。過去需要初階工程師花時間完成的實作、測試和修正工作，現在大都能交給AI處理。只靠執行能力站穩位置，會越來越困難。

但好的一面也很明顯：做出產品雛形的成本大幅下降。

過去，一個人有創業想法，常得先募資、找共同創辦人、組工程團隊，再花幾個月做出初版產品。現在，只要創業者懂軟體開發、懂產品需求，也知道怎麼把問題拆給AI，一人搭配AI Agent，可能一、兩周就能做出產品原型，拿去測試市場反應。

這也是陳宜昌決定投入個人AI創業實驗的原因。對他來說，AI不只幫忙寫程式，也讓產品試錯變得更快、更容易。過去要投入大量時間和人力的想法，現在可以先做成原型，拿到市場驗證；方向不對，就快速淘汰；看見機會，再投入更多資源。

「如果繼續停留在執行者角色，我的價值會被稀釋。」他說。因此，他決定往前一步，從執行任務，走向定義問題、創造市場價值。這也呼應他對AI Coding的核心看法：能定義問題的人，才能把AI變成槓桿，更快將想法落地為產品。