AI依賴技能退化：AI寫代碼正在讓工程師變笨嗎？
重度依賴AI寫代碼的工程師，技能養成明顯比自己動腦的人弱。開發者部落格作者Lars Faye在文章《AI Coding will Prevent Expertise》提出這個判斷；另有一篇同一方向的arXiv實證論文，用受控實驗量化驗證了同樣的結論——2026年8月24日提交，已被HCOMP 2026收錄。一篇是開發者一線觀察，一篇是嚴謹的受控實驗數據，兩者獨立成文，結論一致。
對正在把AI寫程式工具塞進團隊日常的中小企業老闆來說，這是一個現在就該正視的風險。
AI寫代碼真的會讓工程師技能退化嗎？
會，但條件是「重度依賴、跳過獨立思考」的用法。《AI Coding will Prevent Expertise》的作者Lars Faye從開發者一線觀察提出這個判斷；arXiv上的一篇邏輯謎題實驗論文則用受控實驗提供量化證據，兩者獨立成文，指向同一個結論。
AI工具本身沒有問題，「怎麼用」才決定工程師三五年後還剩下多少自己解決問題的能力。
為什麼「敢用AI的人」和「會用AI的人」是兩種人？
Lars Faye延續他在前文《Agentic Coding is a Trap》提出的「熟練協調者悖論」（skilled orchestrator paradox）：能有效駕馭AI編程工具的技能，恰恰是這些工具長期使用下會被削弱的同一種技能。他指出，目前從這些模型中受益最多的族群，幾乎都是「已經有多年、甚至數十年經驗，且經驗累積在AI工具出現以前」的資深開發者——這批人的判斷力已經「固化」，AI能加速他們，削弱不了他們的根基。
問題出在另一批人身上：LLM時代才入行的新人。他們一邊被業界訊息灌輸「不用AI就會被淘汰」，一邊又被要求「不要vibe coding、要寫出扎實的架構規格、要仔細審閱每一行輸出再決定要不要用」——但後面這幾項能力，恰恰是靠著長期在寫程式過程中「碰撞、卡關、除錯」磨出來的。Lars Faye把這個處境稱為「專家型新手」（Expert Novice）困境：工具要求你要有專家等級的判斷力才能安全使用，但工具本身正在拿走讓你變成專家的那個磨練過程。這形成一個迴圈式悖論——如果工具需要專業判斷才能用好，而工具本身又會削弱培養這種判斷力的機會，那麼下一代人要從哪裡練出這種判斷力？
AI真的像「個人家教」一樣幫工程師學習嗎？
不像，實測結果甚至相反。Lars Faye在文中引用JetBrains援引的一份研究《The Widening Gap: The Benefits and Harms of Generative AI for Novice Programmers》，該研究逐一分析新手工程師的真實編程過程，測試不同AI輔助程度下的學習成效。多數受試者事前「以為」自己在把AI當家教用，但研究團隊觀察到的實際行為完全相反。
下表整理該研究對比出的兩種使用模式與結果：
| 比較項 | 重度依賴AI組 | 節制使用AI組 |
|---|---|---|
| 規劃階段 | 常直接跳過，讓AI代為決定方向 | 自己先想過解法再動手 |
| 對AI建議的態度 | 照單全收，缺乏「負向專業」（識別並拒絕不當建議的能力） | 能主動判斷、忽略錯誤或不適用的AI建議 |
| 最終結果 | 產生「以為自己懂了」的能力假象，實際理解薄弱 | 用AI加速原本就想清楚的方案，理解與產出同步提升 |
| 整體表現排名 | 最不受限、最依賴AI的組別表現最差 | 最節制甚至完全不用AI的組別表現最好 |
最反直覺的一點是：受試者主觀感受和實際表現方向相反——越覺得「AI像家教在教我」的人，越容易停在「以為懂了」的階段，理解實際上仍然薄弱。
arXiv新論文怎麼證實「越依賴AI、之後表現越差」？
這篇2026年8月24日提交的arXiv論文《How AI Assistance Affects Human Skill Development: A Study of Learning with Logic Puzzles》，由Shang Wu、Catarina G Belem、Shuyuan Fu、Mark Steyvers、Padhraic Smyth五位作者共同發表，已被HCOMP 2026收錄。研究設計是一個受控的邏輯謎題實驗：讓受試者在AI輔助開放前、開放期間、以及AI被移除後，分三階段完成任務，並刻意調整「請求AI協助」的成本高低。
三個關鍵發現：
- AI協助成本越低，使用頻率越高——這符合直覺，門檻越低、依賴傾向越強。
- AI輔助期間越常求助AI的人，之後獨立作答的表現反而越差——這是核心發現，證實依賴會削弱後續獨立能力，是實質能力沒有累積起來，只是「習慣沒了不適應」而已還算輕的。
- 用「AI輔助時的表現」去預測「之後獨立表現」，系統性高估——也就是說，一個人在有AI幫忙時看起來很厲害，不代表他真的具備獨立完成同等任務的能力，這個落差本身容易被忽略。
研究團隊用貝氏潛在能力模型，把「起始能力」「AI輔助後能力」「個人技能變化量」拆開估算，發現投入越多獨立思考的努力，潛在能力的成長幅度越大——這與Lars Faye部落格提出的觀察方向一致：技能養成需要的是「自己扛過的摩擦」，AI輔助如果替代掉這段摩擦，養成就會變弱。一線開發者的觀察與受控實驗的量化數據各自獨立指向同一個結論，這正是這個議題值得認真看待的原因。
資深工程師跟新手用同一套AI工具，結果為什麼天差地遠？
差別在Lars Faye稱之為「反轉學習」（Inverted Learning）的機制。經驗越豐富的開發者，越能準確引導、審核、驗證AI輸出的內容——知識越多，AI帶來的助益越大；反過來，知識越少，越容易被AI的輸出誤導而不自知。他形容這是一種角色反轉：理論上該由AI（掌握更多資訊的一方）引導學習過程，但實際上，是有經驗的「學生」主動引導AI這個「導師」朝正確方向走。
這也解釋了為什麼《Widening Gap》研究裡表現最好的新手，是那些「大幅節制甚至完全不用AI」的人——他們發展出Lars Faye所說的「負向專業」（negative expertise），也就是識別並主動忽略AI錯誤或不適用建議的能力。這種能力恰好是新手最缺、卻最需要的，而且無法靠多用AI練出來，只能靠自己扛過那些「AI沒幫上忙、只能自己想」的時刻累積。
這對台灣中小企業意味著什麼？
不少台灣中小企業已經開始把AI寫程式工具放進團隊日常，圖的是短期效率——這個判斷本身沒錯，AI確實能加速產出。但順著這個經驗落差往下想，可以推論出一個中小企業特別該在意的結構性風險：大公司往往有資深工程師層層把關AI產出，小公司常常沒有這一層防線。
一間十人以內的技術團隊，如果核心產出高度倚賴一兩位剛入行、大量用AI寫代碼的工程師，且公司內部沒有資深角色審核架構決策與關鍵邏輯，等於是把「AI依賴造成的技能空洞」直接暴露在營運風險裡——出問題時，沒有人真正看懂系統該怎麼獨立修。這是現在團隊組成方式已經在決定的事，累積的風險會在後面集中浮現。
具體判斷：如果你的團隊已經高度依賴AI寫代碼，且沒有資深工程師定期審核關鍵模組，這件事的優先順序應該提高，現在就處理。反過來，如果團隊本來就有經驗豐富的技術負責人在把關，AI工具帶來的就是效率乘數。差別在於「誰在看AI寫出來的東西」，這才是真正的重點。
中小企業老闆現在能做什麼，避免養出「離不開AI」的團隊？
幾個從研究發現直接推導出來、可以立刻落地的做法：
- 要求先想後生成：讓工程師在請AI生成代碼前，先寫出簡短的規劃或偽代碼再對照，AI只用來加速已經想清楚的方案。這對應《Widening Gap》研究裡「跳過規劃階段」正是重度依賴組表現變差的關鍵原因。
- 安排定期不用AI的獨立演練：例如每週留一段時間讓工程師不靠AI排查一個真實bug或設計一段邏輯，用來維持、也用來檢驗團隊的「負向專業」是否還在。
- 資深角色審查關鍵邏輯：審查重點放在架構決策與核心邏輯是否真的被理解，代碼風格或格式其次，這是防止「能跑但沒人懂」的最後一道防線。
- 驗收標準改成「講得出來」而非「跑得起來」：要求工程師能口頭解釋自己（或AI）寫的代碼為什麼這樣設計，講不出來就代表理解沒有跟上產出速度。
這些做法目的是讓企業把「維持技能養成」和「用AI衝效率」當成同等重要的管理項目一起處理。只衝效率、不管養成，是真正的風險所在。
常見問題
用AI寫程式一定會讓工程師技能退化嗎？ 不一定，關鍵在於使用方式。研究發現重度依賴、跳過規劃直接生成的人技能明顯下滑，但保留獨立思考、只把AI當加速器的人反而表現更好，差異在於有沒有先自己想過一輪。
什麼是「技能退化」在AI寫程式的脈絡下具體指什麼？ 指工程師逐漸失去自己debug、設計架構、判斷方案優劣的能力，只剩下「發指令、貼結果」的操作層，一旦AI給錯答案或斷線，無法獨立完成任務。
資深工程師跟新手用AI寫代碼，風險有差別嗎？ 有明顯差別。資深工程師有多年累積的判斷力，能審核、糾正AI的輸出；新手缺乏這種「負向專業」（識破AI錯誤建議的能力），更容易產生「以為自己懂了」的假象。
中小企業導入AI工具寫程式，最該注意的風險是什麼？ 最大風險是團隊沒有資深工程師把關，AI生成的代碼看起來能跑，但沒人真的看懂架構與邊界情況，出包時無人能獨立排除，維護成本會在一兩年後集中爆發。
企業要怎麼避免員工過度依賴AI寫程式？ 具體做法包括：規定先手寫規劃或偽代碼再讓AI生成、定期安排不用AI的獨立除錯演練、資深工程師強制審查AI產出的關鍵邏輯，並把「看懂代碼」列為驗收標準。
這個議題有官方定論或政策建議嗎？ 目前沒有。目前公開的量化實證研究（如這篇2026年8月提交的arXiv論文）數量還很少，尚無官方教育或產業政策定論，企業應把它當作風險提示看待，標準解法還沒出現。
想更系統地盤點自家團隊的AI導入方式有沒有留下技能空洞，或想聊聊怎麼把AI工具用得既有效率又不養出依賴，歡迎到 /aeo 或 mingnow.airun.tw 找我們聊聊。