AI越強，工程師為何更要自己動手寫？

「他的程式碼寫得很漂亮，但一問到為什麼這樣寫，他只說：這是 AI 建議的。」這是近期一位台灣軟體公司的技術主管，在連續面試十多位候選人之後，說出的一句無奈觀察。短短一句話，點出了生成式 AI 普及後，AI 工程師選才最真實的難題：履歷上滿滿的 AI 工具操作經驗，卻不一定代表具備獨立拆解問題、除錯與驗證的能力。

過去兩年，AI 輔助開發工具快速進入日常開發流程，寫程式的門檻明顯降低。但企業端的感受卻相反——招募變得更難判斷、培訓成本更高、錯聘的風險更大。當「會不會用 AI」不再是稀缺技能，選才的焦點自然會回到更底層的問題：這個人，能不能自己動手寫、自己出題、自己查證？

這篇文章寫給正在煩惱這件事的技術主管與人資。我們會從產業趨勢、專家觀點，一路談到實作面試關卡的設計、內部培訓的調整，以及 AI 使用紀律的建立，並在最後提供一份可以今天就開始討論的落地清單。

AI輔助開發普及後，工程師選才為何成為新痛點？

過去兩年，生成式 AI 快速滲透到軟體開發的每個環節：需求梳理、程式碼生成、測試撰寫、除錯建議，幾乎都能找到對應工具。對工程師而言，寫程式變快了；但對企業而言，辨識「誰真的會寫程式」卻變難了。

根據 Stack Overflow 開發者調查（2024），全球約 76% 的開發者已經使用或計畫使用 AI 輔助開發工具。這代表 AI 已不是實驗室裡的新奇玩具，而是多數團隊的日常配備。然而同份調查也顯示，僅約四成開發者高度信任 AI 輸出的準確性。也就是說，工具用了，但信任沒有同步建立——這個落差，正是企業選才必須面對的核心問題。

McKinsey 技術趨勢報告（2024）指出，約 41% 的企業在導入 AI 輔助開發後，觀察到初階工程師的程式除錯能力較過去兩年明顯下滑。產出變快，但察覺錯誤的能力卻變弱。台灣的情況同樣明顯，104 人力銀行科技人才白皮書（2024）顯示，逾 60% 的軟體與半導體企業，已將「獨立實作與除錯能力」列為招募工程師的核心篩選條件。想了解產業端如何因應人力結構變化，可延伸閱讀 半導體與軟體產業的AI人才需求 相關分析。

指標	數據	來源
開發者使用或計畫使用 AI 輔助開發工具	約 76%	Stack Overflow 開發者調查（2024）
高度信任 AI 輸出準確性的比例	約四成	Stack Overflow 開發者調查（2024）
企業觀察到初階工程師除錯能力下滑	約 41%	McKinsey 技術趨勢報告（2024）
台灣企業將獨立實作與除錯列為核心篩選條件	逾 60%	104 人力銀行 科技人才白皮書（2024）

AI越強，為何工程師的基本功反而更重要？

很多主管心裡有個矛盾：既然 AI 能寫出堪用的程式碼，那我們為什麼還要花力氣考基本功？答案在於——AI 產出的品質，取決於提問者的水準；而驗證 AI 產出的能力，取決於基本功的厚度。

當工程師習慣把問題直接丟給 AI 生成程式碼，長期下來會弱化對資料結構、演算法與記憶體管理的理解。表面上速度快了，但一旦 AI 給出錯誤或不合適的解法，工程師往往缺乏足夠的知識底蘊去察覺與修正。認知心理學中的認知負荷理論指出，當學習者過早依賴外部工具完成高階任務，內在的認知處理深度會下降，長期記憶與遷移能力也跟著弱化。換句話說，AI 幫你完成了任務，但沒有幫你建立知識基模。當情境改變、工具失效、需求變得模糊時，缺乏基模的人會直接卡住。這也是知識累積與經驗傳承之所以困難的原因：經驗需要被自己走過，才有辦法被真正轉化。

刻意練習研究強調，針對弱點進行重複且有回饋的練習，是專家養成的關鍵。手寫程式、除錯、系統設計，正是軟體領域最典型的刻意練習形式。這些練習無法被 AI 生成完全取代，因為價值不在產出本身，而在歷程。你在除錯時建立的直覺、在設計取捨時累積的判斷，都不會憑空出現。GitHub Octoverse 報告（2024）指出，具備手寫程式與系統設計基本功的工程師，在 AI 輔助環境下的生產力提升幅度，約為一般使用者的三倍。基本功不是 AI 的替代品，而是 AI 的放大器。

面向	退化徵兆	長期風險
資料結構與演算法	只會照抄 AI 解法，說不清時間複雜度	面對效能瓶頸時無法取捨
除錯能力	遇到錯誤先問 AI，不先看堆疊訊息	錯誤難以察覺，問題反覆發生
系統思維	只看單一函式，不理解模組間依賴	架構逐漸失控，維護成本攀升
資安意識	直接採用 AI 產出的程式碼，未做檢查	導入未知漏洞，形成長期風險

專家怎麼看？吳恩達與李開復對AI時代人才能力的觀點

如果說前面的分析是從企業端出發，那專家的觀察則提供了另一個視角：AI 時代真正稀缺的，不是會用工具的人，而是能定義問題、敢懷疑答案的人。

人工智慧學者吳恩達曾指出：「AI 越好用，越要確認自己沒有把思考也外包出去。工程師的價值在於定義問題與驗證答案，而不是只會按生成。」這句話點出了選才時最該看的能力——問題拆解與答案驗證。當工具順手到幾乎不需要思考，人反而更容易停止思考。這也是為什麼企業在面試時，應該刻意安排需要「自己想一下」的環節。

人工智慧專家李開復則提醒：「未來的工程師要學會對 AI 出題，也要學會懷疑 AI 的答案。這種能力，來自自己動手做過、錯過、修過的累積。」「動手做過、錯過、修過」這九個字，幾乎就是基本功的定義。它無法透過閱讀或觀看教學影片取得，只能透過實作與回饋循環累積。把兩位專家的觀點放在一起看，會發現他們指向同一件事：思考的自主性。而這份自主性在組織裡如何被保留與放大，正是AI協作與任務推進能否長期有效的關鍵。

專家	核心觀點	對應選才指標
吳恩達	定義問題、驗證答案，不把思考外包	問題拆解能力、答案驗證能力
李開復	對 AI 出題，也懷疑 AI 的答案	批判思考、實作累積深度
兩者交集	思考自主性決定工具價值	能否在無工具環境下獨立作業

AI時代工程師的三大核心能力：手作、出題、查證

把趨勢與專家觀點收斂到可操作的層次，可以歸納出三個核心能力：手作、出題、查證。它們不是互相取代，而是彼此支撐。

手作能力指的是：面對一個陌生問題，能自己拆解、自己寫、自己除錯。這不代表拒絕 AI，而是代表在沒有 AI 的情況下，你依然能推進工作。這項能力決定了工程師的下限。當 AI 給出錯誤方向時，有沒有能力拉回來，取決於此。

出題能力則是將模糊需求轉譯為精準問題的能力。同樣一句「幫我寫個查詢功能」，有人能補上資料量、一致性需求、錯誤處理期待，有人只能得到一段泛用範例。這項能力決定了工程師的上限，它與 AI 工具使用紀律密切相關，企業若想制定相關規範，可參考 AI工具使用紀律與管理 的討論。查證能力則是最容易被忽略、卻最關鍵的一環：能否設計測試案例、能否辨識邊界條件、能否意識到資安風險。沒有查證，前兩項能力都會變成風險來源。

核心能力	行為指標	面試觀察重點
手作能力	能獨立拆解問題並撰寫可執行程式	限制環境下能否完成除錯與說明思路
出題能力	能將模糊需求轉為精準提示與規格	是否主動追問限制條件與驗收標準
查證能力	能設計測試案例並評估 AI 輸出風險	是否提出反例、邊界條件與資安考量

能力項目	初階職缺	中階職缺	高階職缺
手作能力	★★★★★	★★★★☆	★★★☆☆
出題能力	★★★☆☆	★★★★☆	★★★★★
查證能力	★★★☆☆	★★★★★	★★★★★

企業選才標準正在改變：從「會不會用AI」到「能不能自己動手寫」

過去十年，多數企業評估工程師的方式相當一致：看語法熟練度、看刷題數量、看是否能獨立完成任務。AI 普及後，這三項指標的鑑別力都在下降。語法可以查、刷題可以生成、獨立完成任務也可能只是善用工具。於是評估構面開始位移：從「知識存量」轉向「問題拆解與取捨能力」。

台灣企業招募現場的挑戰也隨之浮現。第一，候選人操作 AI 工具熟練，但獨立除錯能力不足。第二，傳統面試題目難以鑑別真實實力。第三，內部培訓未同步強化基本功，導致新人上手後仍需要大量補救。這三項挑戰彼此牽動。若選才關卡失準，培訓負擔就會上升；若培訓只教工具操作，選才時又更難找到能獨立思考的人。想要理解實務端的判斷邏輯，可參考 邊緣AI應用案例：零售、製造、交通的落地判斷與策略 一文的分析架構。

評估構面	AI普及前	AI普及後
主要觀察點	語法熟練度、API 記憶量	問題拆解力、取捨邏輯
準備方式	刷題數量	系統設計與除錯經驗
協作期待	單打獨鬥完成任務	驗證 AI 產出並與團隊對齊
風險評估	較少著墨	資安意識與使用紀律

如何設計能鑑別真實能力的實作面試？

設計實作面試的核心原則很簡單：讓候選人無法只靠工具完成任務，同時又不會因為環境陌生而失常。這需要仔細拿捏限制的程度。建議安排一段不需 AI 工具、時間約 30 至 45 分鐘的實作任務，題目難度中等但具備邊界條件。重點不在於寫得多快，而在於拆解與除錯的歷程。

允許查閱官方文件是合理的，因為真實工作中查文件是常態；但若直接生成整段解法，就失去了觀察價值。這種設計思維，與 企業如何運用 AI Agent 提升潛客轉化效率？ 中強調的流程可觀察性其實相通。面試官應記錄三件事：候選人如何理解問題、如何定位錯誤、如何驗證修正。這三件事比最終答案是否正確，更能預測入職後的表現。實作面試最大的風險是評分主觀，建議建立評分規準與範例答案，並讓面試官事先共同評過 2 至 3 份練習案例，確保標準一致。

設計要素	建議做法	觀察重點
題目類型	中等難度、含邊界條件的除錯題	能否重現問題並指出根因
時間限制	30 至 45 分鐘	時間分配與取捨順序
允許工具	可查文件，不使用 AI 生成	是否理解而非複製
評分規準	拆解、實作、除錯、說明四構面	思路是否可被清楚表達

傳統做法
面試官：「這邊有一段程式碼有問題，你可以用 AI 工具協助。」
候選人：「好，我直接貼給 AI 問。」（複製貼上，等待回答，直接採用，未經思考）

新做法
面試官：「這段程式請你先自己看，說說你覺得問題在哪。」
候選人：「我先確認資料流，發現這個迴圈的邊界條件有誤，導致索引超出範圍。我會先寫個測試案例重現問題，再修正邊界判斷。」（展現拆解與除錯歷程）

出題與驗證環節怎麼考？評分規準與範例設計

如果說限制 AI 的實作關卡測的是基本功，那出題與驗證環節測的就是 AI 時代的新素養：能不能駕馭工具，而不是被工具牽著走。可以給一段刻意模糊的需求，例如「請設計一個能查詢訂單狀態的功能」，請候選人寫出他會給 AI 的提示，並說明他補上了哪些假設與限制條件。這裡看的不是提示詞技巧，而是需求釐清的深度。這種對模型判斷與驗證的重視，與 工業 AI 為何需要世界模型？與 LLM 差在哪裡 所談的思維高度一致。

接著提供一段 AI 生成的程式碼，請候選人找出潛在問題、設計測試案例，並說明他會如何驗收。這一步最能看出查證能力的真實水準。評分應聚焦四個構面：提示精準度、測試案例完整性、風險判斷能力、批判思考深度。每個構面都要有具體的評分描述，避免面試官各憑感覺。

評分構面	優異（4分）	合格（2分）	待加強（0分）
提示精準度	主動補齊限制條件與驗收標準	能描述基本需求	僅複述題目原文
測試案例完整性	涵蓋正常、邊界與異常情境	涵蓋正常情境	未提出測試設計
風險判斷能力	指出資安、效能與維護風險	指出部分明顯風險	未察覺任何風險
批判思考深度	能說明為何懷疑 AI 的特定結論	能提出疑問但未深入	全盤接受 AI 輸出

面試方法大比較：限制AI、開放AI、混合式實作

實務上沒有單一最好的面試方法，只有最適合該職級與該團隊的方法。限制 AI 的實作面試，優勢是能直接觀察真實基本功與除錯歷程，鑑別度高，限制則是題目設計成本較高，且需要受過訓練的面試官才能一致評分。出題與驗證任務的優勢是貼近 AI 時代的真實工作情境，能評估定義問題與批判 AI 產出的能力，限制是評分標準較主觀，必須建立清楚的規準與範例。

混合式實作與系統設計的優勢是兼顧程式能力與架構思維，能鑑別中高階工程師的取捨邏輯與資安意識，限制是耗時較長，對初階職缺可能過重，需依職級調整比重。無論採用哪一種，流程設計的嚴謹度都會直接影響品質，這與 連鎖門市用AI代理管理評論的流程與品質控管技巧 的原則相同：先定義標準，再談執行效率。

比較項目	限制AI實作	出題驗證任務	混合式實作與系統設計
鑑別度	高	中高	高
設計成本	高	中	高
評分主觀性	中	較高	中
適用職級	初階至中階	各職級	中階至高階
耗時長度	約 1 小時	約 1 小時	約 2 小時以上

內部培訓如何強化「基本功回流」？

選才只是入口，培訓才決定團隊的長期水位。當工具越來越強，培訓內容反而更需要往基礎移動。建議每月安排一次不依賴 AI 的實作時段，主題可以是重構、效能調校或除錯演練。搭配結對除錯，讓思考過程被看見、被討論。程式碼審查應明確要求說明設計取捨與風險評估，而不只是檢查風格。當審查成為學習場合，基本功就會在組織內流動。

世界經濟論壇未來就業報告（2025）提醒，企業若只提供工具操作教學，難以養成具備韌性的技術團隊。培訓應加入系統思維、除錯紀律與資安情境演練。而培訓節奏的安排，本質上與投資節奏的安排相似，都需要在短期效益與長期能力之間取得平衡，可延伸參考 AI 研發放慢，企業該如何調整投資節奏與風險管理？ 的討論。

培訓面向	傳統做法	AI時代調整方向
課程主軸	工具操作與語法教學	系統思維與除錯紀律
授課形式	單向講授	實作工作坊與結對演練
練習設計	語法題與範例抄寫	資安情境演練與重構任務
品質機制	成果檢查	程式碼審查與同儕回饋

傳統做法
工程師：「這個問題我直接問 AI 好了。」（開啟對話，貼上錯誤訊息，直接採用建議，未理解原因）

新做法
工程師：「我先自己查文件，理解這個框架的運作原理，再試著重現問題。如果卡住，我會用 AI 輔助驗證我的假設，而不是直接要答案。」（展現獨立思考與驗證紀律）

AI使用紀律與治理規範怎麼建立？

當 AI 參與到開發流程，治理就不再只是資安部門的事。使用時機、審查流程、責任歸屬，都需要被明確定義。哪些情境可以用 AI 生成程式碼？哪些必須人工撰寫？這些界線若不清楚，工程師只能自行判斷，風險就會落在個人身上。

ISO/IEC 相關治理指引（2024）強調對 AI 產出的標註與追溯要求。實務上可要求關鍵模組標註生成來源，並由採用者負最終責任。換句話說，AI 可以協助產出，但不能成為責任的真空地帶。這與 AI生產力紅利如何合理分配給員工與股東？ 所談的價值分配邏輯一致：效率紅利要能被交代，風險也要能被承擔。如果 AI 使用紀律只停留在規範文件，就不會被真正執行。把它納入績效與晉升的評估項目，才會形成行為改變的誘因。

規範面向	具體要求	對應風險
使用時機	明訂可用與禁用情境	程式碼品質不一
審查流程	關鍵模組須經人工複核	錯誤未被察覺
責任歸屬	採用者負最終責任	責任真空
標註與追溯	記錄生成來源與版本	維護與稽核困難
資安檢查	導入前執行弱點掃描	未知漏洞進入正式環境

不同職級的選才關卡設計：初階、中階、高階工程師

同一套關卡用在不同職級，效果會完全不同。初階看潛力，中階看取捨，高階看架構與治理意識。初階工程師的重點在獨立除錯與程式撰寫。題目不需太難，但要能觀察候選人面對錯誤時的反應：是先讀訊息，還是先問工具。中階工程師則加入系統設計比重，觀察是否能說明取捨邏輯、效能考量與擴充性。這類題目沒有標準答案，重點在推理品質。

高階工程師除了架構思維，還要評估資安意識與 AI 使用紀律的理解。高階工程師的決定會影響整個團隊的作業方式，選才時必須看得更遠。

職級	實作關卡重點	系統設計比重	AI治理要求
初階工程師	獨立除錯與程式撰寫	約 20%	理解基本使用規範
中階工程師	除錯取捨與模組設計	約 40%	能落實審查流程
高階工程師	架構決策與風險評估	約 60%	能設計並推動治理規範

台灣企業的落地行動清單：從選才到培訓的雙軌並進

談完方法論，最後要回到執行的問題：如果這個月就要開始調整，該從哪裡動手？以下是建議的雙軌行動清單。選才端可先從一個職缺開始試辦，安排一段限制 AI 的實作任務，並建立評分規準。試辦後再依回饋調整題目難度與時間長度。

培訓端則可把既有的工具操作課程，挪出一半時間改為實作工作坊與程式碼審查練習。改變不必一次到位，但要開始移動。規範的目的不是限制，而是讓協作有共同語言。當每個人都知道紅線在哪，反而更敢放手使用工具。

行動面向	具體步驟	負責角色	預期效益
選才端	設計限制 AI 的實作關卡與出題驗證環節	技術主管、人資	提高鑑別度，降低錯聘成本
選才端	建立評分規準並訓練面試官一致性	技術主管	評分標準化，減少爭議
培訓端	安排不依賴 AI 的實作工作坊	技術主管、內部講師	維持基本功水位
培訓端	建立程式碼審查與結對除錯機制	團隊主管	知識流動，降低個人依賴
治理端	制定 AI 使用規範並納入績效評估	管理層、人資	形成負責任的協作文化

常見問答：AI工程師選才與基本功的疑難雜症

以下整理技術主管與人資在導入新選才機制時，最常提出的五個問題。

問題	核心解答方向	對應章節
基本功還重要嗎？	更重要，它是驗證 AI 產出的基礎	第二節
如何鑑別自己會寫與會叫 AI 寫？	限制 AI 實作＋出題驗證環節	第六、七節
如何避免過度依賴 AI？	不依賴 AI 的練習與程式碼審查	第九節
培訓要怎麼調整？	轉向系統思維、除錯紀律與驗證能力	第九節
台灣企業最常遇到什麼挑戰？	工具熟練但除錯不足、題目失效、培訓未同步	第五節

AI輔助開發普及後，工程師基本功還重要嗎？

更重要。AI 能加速產出，但無法取代工程師定義問題、判斷正確性與除錯的能力。基本功是驗證 AI 產出的基礎，若缺乏，將難以察覺錯誤或取捨方案，反而增加系統風險與後續維護成本。

企業面試該如何鑑別「自己會寫」與「會叫AI寫」？

可設計限制 AI 使用的實作關卡，觀察候選人拆解問題、撰寫程式與除錯的歷程；另加入出題與驗證環節，請其設計提示與測試案例，並評估 AI 產出的正確性，藉此鑑別真實能力。

工程師該如何避免過度依賴AI工具？

定期安排不依賴 AI 的程式練習、參與程式碼審查與結對除錯，並在學習新技術時先自己動手實作，再輔以 AI 工具驗證。保持獨立思考與動手寫的紀律，是維持基本功最實際的方法。

內部培訓要如何因應AI時代調整？

培訓應從工具操作轉向系統思維、除錯紀律與驗證能力。可加入不依賴 AI 的實作工作坊、程式碼審查練習與資安情境演練，並建立 AI 使用規範，讓工程師在協作中仍保有基本功。

台灣企業在AI工程師選才上最常遇到的挑戰是什麼？

常見挑戰包括：候選人操作 AI 工具熟練但獨立除錯能力不足、面試題目難以鑑別真實實力，以及內部培訓未同步強化基本功。企業需同時調整選才關卡與培訓體系，才能找到真正適合的技術人才。

智菩科技（AIbud）的觀點：從智能到智慧，讓AI成為人類智慧的延伸

在 AI 能力快速堆疊的時代，智菩科技（AIbud）關注的從來不是「哪個工具更強」，而是「人的判斷如何不被取代」。以王道經營學為本，我們認為 AI 時代的工程師選才，必須回到三支柱的思考框架。

治理談的是定邊界與權責，對應到 AI 使用規範；領導談的是聚共識與定方向，對應到系統思維的培育；管理談的是抓落地與兌現，對應到實作紀律與程式碼審查。三者缺一，選才與培訓就會失衡。只談工具導入而沒有治理，風險會累積；只談規範而沒有方向，團隊會失去動能。

選才決策不該只看短期填補人力的效率，也要看長期能力累積的價值。顯性與隱性、現在與未來、直接與間接，這三維六面向構成一組價值總帳，讓選才與培訓的取捨有共同語言。我們相信，AI 越強，越要確認自己沒有把思考也外包出去。工程師的價值在於定義問題、驗證答案，並在取捨中創造長久價值。企業選才應以手作、出題、查證三大能力為核心，並透過治理規範與內部培訓雙軌並進。

三支柱	核心內涵	對應選才與培訓方向
治理	定邊界與權責，確保長期不偏	建立 AI 使用規範與責任歸屬
領導	聚共識與定方向	培育系統思維與問題拆解能力
管理	抓落地與兌現	落實實作紀律與程式碼審查

若你正在規劃 AI 時代的選才與培訓體系，歡迎預約智菩科技的顧問對談，從治理、領導、管理三層面，一起梳理組織的決策系統與人才培育節奏。

結論：AI越強，越要回到工程師的本質

回到文章開頭那位技術主管的觀察。他遇到的問題不是候選人不會用工具，而是候選人沒有了自己。當工具可以生成答案，能夠提出好問題、判斷答案好壞的人，就成了組織裡最稀缺的資產。

工具普及的速度遠快於能力累積的速度。這意味著，願意花時間累積基本功的人，會在工具紅利消退後依然站得住。手作、出題、查證，這三項能力不會因為模型變強而貶值，反而會因為模型變強而更值錢。選才關卡調整了，但培訓沒跟上，新人進來後仍會退回原本的工作習慣。反之亦然。兩端必須同步，才能形成正向循環：選對人、養成能力、留下來、帶動團隊。

不必一次改掉整套流程。這個星期，挑一個職缺，安排一段 30 分鐘、不使用 AI 的除錯題，並請面試官記錄候選人的解題歷程。一次試辦，就足以讓你重新看見「基本功」在不在。

延伸閱讀：

• 員工自帶AI工具，企業該如何制定管理策略？
• 工業 AI 為何需要世界模型？與 LLM 差在哪裡
• AI生產力紅利如何合理分配給員工與股東？