AI 讓程式碼近乎免費，為何多數人仍不會成為工具建造者？

生成式 AI 最誘人的承諾，不是替你多寫一封信，而是讓每個人都能打造自己的軟體：用自然語言描述需求，模型就吐出程式碼、資料表與流程。但這套敘事混淆了兩件事——降低製作工具的成本，以及增加願意且有能力建造工具的人。前者正在快速發生，後者未必。就像相機手機化沒有讓人人變成導演，程式碼變便宜也不會自動把知識工作者變成產品經理與架構師。

「vibe coding」讓這個區分更重要。聊天視窗把語法、框架與樣板藏起來，使用者幾分鐘就能得到可點擊的畫面；但可展示、可部署與可長期營運是三種不同狀態，企業的價值與風險，恰恰集中在 AI 幫不上忙的後兩段。Benedict Evans 與 Toni Cowan-Brown 在 Another Podcast〈Not Everyone Is A Tool Builder〉裡點破了這個落差：真正的限制從來不在「能不能寫」，而在能不能看見值得解的問題、把模糊需求變成系統，並讓別人信任採用。

AI 民主化的是實作，不是判斷；它壓低的是程式碼成本，不是組織協調成本。

每次「人人都能開發」，最後都長出新專業

這不是軟體開發第一次宣告普及。1979 年的 VisiCalc 把程式設計的一部分搬進試算表，Lotus 1-2-3、Excel 接棒，讓財務模型走出資訊部門。但試算表沒有消滅會計軟體、ERP 或資料庫，而是創造了分層市場：簡單、暫時性的問題留在 Excel；需要協作、權限、稽核與長期維護的，仍由專業系統承接——甚至當某個 Excel 模型重要到不能出錯，企業還會聘專人治理它。

Access、網站建置器、No-Code／Low-Code 都走過同一條路：每一代工具都擴大創作者母體，卻沒把全體使用者變成創作者。因為門檻下降後，瓶頸只是往上游移動——從語法變成資料建模，再變成流程設計，最後變成治理與採用。所以 AI 的正確理解不是「工程師不再必要」，而是把軟體供應曲線往右推：同樣的人力能試更多想法、服務更小的利基。市場會有更多軟體，但更多軟體不等於人人親手建造。

三道門檻：看見系統、產品品味、最後一哩

第一道門檻是把日常工作看成一套系統。多數人以任務理解工作——收郵件、複製資料、填表、更新報告——摩擦被切碎在一天中，於是被當成職務本身，而非可重新設計的流程。工具建造者的稀缺能力，是用「外星人視角」追問：輸入是什麼？決策規則在哪？誰有例外核准權？失敗時誰收到通知？這也是為什麼「告訴 AI 你想要什麼」比廣告裡困難：人通常知道自己討厭什麼，卻說不出理想狀態。更麻煩的是，許多低效率其實是組織妥協的沉積物——重複輸入可能是兩個部門互不信任，人工簽核承載責任歸屬。只自動化表面步驟，AI 只會更快地複製壞流程。

第二道門檻是懂痛點不等於懂產品。資深律師最懂調閱文件之苦，護理師最清楚交班在哪遺失，但領域知識只是產品的一半；另一半是把知識轉譯成可重複、可理解、可恢復的互動，也就是常被稱為「軟體品味」的東西：何時給預設值、何時要求確認，哪些資訊同時呈現、哪些逐步揭露，錯誤訊息要讓人能行動而非只顯示「發生錯誤」。AI 很擅長產生一個看起來像產品的介面，這反而危險——漂亮的儀表板若指標定義不一致、權限邏輯含糊，只是把不可靠的流程包上更好的皮膚。品味不是天賦，而是大量迭代壓縮出的直覺；AI 能縮短每次迭代，卻不能跳過迭代本身。

第三道門檻是原型只占企業軟體的一小部分。個人工具的標準是「今天幫到我」，企業工具的標準是「明年仍能可靠地幫到許多人」，兩者間隔著身份驗證、權限、備份、監控、法遵、資安審查與離職交接。Frame.io 就是例子：它的突破不是做出「能在影片上留言」的畫面，而是把版本、權限、審閱、傳輸整合成跨公司的共同工作空間——產品價值來自協調，而非只來自功能。這就是「最後一哩」占了大半工程的原因：示範只需一條幸福路徑，真實系統得處理網路中斷、時區差異、誤刪、離職帳號與監管查核，從 80 分原型走到 99.9% 可依賴，成本常是數倍。

安全性最能揭示「能跑」與「能用」的差距。Veracode 2025 GenAI Code Security Report 測試逾 100 個大型語言模型，結果 45% 的程式碼樣本未通過安全測試——模型的語法與功能正確性持續提升，安全表現卻沒有同步改善。當產碼速度上升、威脅建模與審查沒有同比例擴張，組織只是更快累積技術債與攻擊面。

證據指向「增幅器」，而非「自動駕駛」

否定人人都會建造工具，不等於低估 AI；相反，AI 對已能定義問題的人可能非常強大。GitHub 與微軟的受控實驗中，用 Copilot 的一組完成指定 JavaScript 任務平均快了 55%。但那是清楚目標、熟悉語言、附自動測試的任務；現實專案最貴的部分，恰恰是決定目標、釐清限制與建立測試標準。當問題從「寫一個 HTTP 伺服器」變成「重做公司的報價流程」，不確定性才是主角。

Stack Overflow 2025 開發者調查呈現更矛盾的曲線：84% 受訪者已用或計畫用 AI 工具、51% 每天使用，但不信任輸出準確性者（46%）多於信任者（33%），只有 3% 高度信任；最大挫折是「答案幾乎正確、但還差一點」（66%）。AI 已是日常工具，卻還不是可免除覆核的權威。

更反直覺的是 METR 2025 年的隨機對照研究：16 名長期維護大型專案的開發者，處理 246 個真實 issue，使用前沿工具的一組完成任務反而平均多花 19% 時間，儘管他們事前預期加速 24%、事後仍主觀覺得快了 20%。METR 自己強調樣本集中在成熟程式庫的資深維護者，不能外推。合理結論是：AI 的報酬高度取決於工作類型與驗證成本——在綠地原型上大幅加速，在充滿隱性規則的成熟系統裡，校正與整合輸出的成本可能吃掉紅利。能力越強的人越能把 AI 當槓桿，而不是把判斷外包給它。

影子 IT 2.0：程式碼商品化，價值往哪裡移

Excel 是史上最成功的「影子 IT」：部門在中央 IT 之外自建預算、排班與風險模型，貼近現場、迭代極快，但關鍵邏輯藏在某個檔案、公式沒有測試、最後沒人敢碰那個維持公司運轉的巨集。生成式 AI 會把這現象放大——過去只有少數人能寫 VBA，現在任何員工都能要模型產生腳本、串 API。企業會得到大量「一次就有用」的微型應用，也會得到更多未登記的資料流、憑證與維護責任。

這對大型軟體商不是威脅，而是平台機會。Microsoft、Google、Salesforce、ServiceNow 可以把 AI 建造能力包在身份、權限、資料治理與稽核層裡——它們賣的不是又一個聊天視窗，而是「讓員工安全地亂做」的護欄，而企業真正願意付費的往往正是治理。競爭焦點也從模型分數，轉向誰能安全地把「上下文」交給模型：程式碼庫、資料字典、角色權限、內部政策、歷史工單。基礎模型會快速同質化，企業上下文與分銷入口卻不會同樣容易搬家。

從產業結構看，AI 壓低的是軟體的邊際生產成本，不是產品的總持有成本。功能供給暴增後，客戶不再願意只為「有這個按鈕」付溢價，價格會往資料、可靠性、合規、整合與服務移動——就像開源：免費程式碼沒有消滅商業公司，只是把收費點推向託管、支援與責任承擔。單點工具最先受壓；「自製或購買」的門檻下降，部門能先用 AI 做 60 分版本，逼 SaaS 供應商證明剩下 40 分值得訂閱費。但長尾供給增加也讓發現與信任更貴：當每個搜尋結果都有十個相似產品，品牌、社群與合作夥伴網路反而更值錢。程式碼商品化不等於公司商品化。

誰會成為 AI 時代的工具建造者？

未來不會只有「工程師」與「非工程師」，而是一條光譜：一般使用者用自然語言調現成工具，部門高手建自動化，產品型人才把流程封裝成服務，專業團隊負責高風險與平台層。AI 讓人更容易往右移一格，卻不會把所有人瞬間送到最右端。最有優勢的是「雙語者」——既懂某產業的例外與術語，又懂資料結構、介面、測試與迭代；他不必手寫每行程式碼，但必須能辨認模型何時胡說、需求何時矛盾，以及何時該停止加功能。

這給企業更務實的策略：與其要求人人「學會寫 App」，不如找出那些已經在改公式、做模板、整理 SOP、幫同事排錯的人——他們早就是非正式的工具建造者，該給他們沙盒、資料目錄、工程導師與正式的維護時間。治理則要風險分級：個人摘要工具與涉及客戶資金的交易系統不該接受同一套審查。衡量方式也要改——若只計算 AI 產出多少行程式碼，員工只會最大化產量；更好的指標是從需求到上線的時間、變更失敗率、人工交接次數與採用率。產出變便宜之後，刪除錯誤想法、控制系統複雜度，才是更高價值的能力。

動手前，一份務實的檢查清單：

先寫出問題與成功指標，再打開 AI；別用功能清單取代問題定義。
先畫資料流與權責：資料從哪來、誰能改、錯誤由誰承擔。
用真實邊緣案例測試，而不是只測示範用的幸福路徑。
從單人、低風險流程開始；使用人數與重要性上升時，主動升級治理。
為每個內部工具指定負責人、文件與停用方案。

結論：門打開了，判斷與責任仍在門內

最強的反駁是：今天必須由人完成的需求訪談與介面設計，未來也可能被代理式 AI 自動化——模型觀察操作、訪談使用者、依回饋自改原型。但即使技術繼續進步，仍有兩件事不會純變成推理題：當速度、成本、控制與公平衝突時，誰有權決定偏好？當工具拒絕客戶、洩漏資料或算錯金額時，誰承擔責任？AI 能提出選項，卻不能自行取得合法性。於是人的角色會從「告訴電腦每一步」，移向「決定什麼值得做、設定邊界並對結果負責」——這仍是建造，只是材料從程式碼變成目標、約束與制度。

生成式 AI 最大的產業影響，未必是讓 99% 的人都成為獨立開發者，而是讓那 1% 到 10% 原本就有建造衝動、領域洞察與產品感的人，拿到過去只有完整團隊才有的槓桿。至於多數人，他們仍會選擇購買、設定或請人維護——這不是懶惰，而是分工：人們買 QuickBooks 不是因為不會加減法，企業買 Frame.io 也不是做不出留言框，而是因為可靠地封裝複雜性本身就有價值。當原型成本接近零，值得關注的不是 AI 能否讓所有人寫程式，而是它會如何重畫「自製」與「購買」的邊界。程式碼正在商品化；判斷力、品味與分銷，正在變得更稀缺。