S2E60 AI 生產力的幻覺：從開發者到整個產業的自我感覺良好

重點摘要

• METR 於 2025 年（去年）的研究顯示：開發者使用 AI 後自評效率提升 20-24%，螢幕錄影實測卻慢了 19%，正負落差高達約 40%；受試者看完自己的錄影仍堅稱「速度變快了」
• AI 在企業層級造成類似幻覺：PR 產出翻倍，但 bug 增加、修復成本攀升，Uber 四個月內花完全年 AI credit 預算，被迫公開踩煞車
• Anthropic 執行長 Dario Amodei 於 2026 年（今年）初達沃斯論壇修正末日論，承認目前數據僅見 Entry Level 職缺略減，未見整體大規模工作消失
• 主持人 Kenji 認為當前最大隱憂是 AI 時代 Junior 開發者的能力斷層：透過 AI 工作跳過了掙扎內化的過程，技能無法深植
• 樂觀情境：這一代斷層可能只是教育體系過渡期的短暫問題；或者 5-10 年後 AI 成熟到 100% 穩定執行，這些底層技能本身就不再被需要

詳細內容

開發者層級：METR 研究揭露 AI 自我感覺良好的幻覺

METR 是一個專注於 AI 模型評估與安全的研究機構，他們在 2025 年（去年）進行了一項以螢幕錄影計時為基礎的實驗，直接量測開發者在「可用 AI」與「不可用 AI」條件下完成同一批任務的實際速度，以驗證 AI 是否真的帶來效率提升。

• 受試者事前預期 AI 可帶來 24% 效率提升；任務完成後回顧，降至 20% 的主觀感受
• 實際螢幕錄影分析結果：使用 AI 的組別速度慢了 19%
• 正（主觀 +20%）負（實測 −19%）合計，自我感覺與現實差距約 40 個百分點
• 最吊詭之處：研究人員把螢幕錄影回放給受試者看，他們仍堅稱「我跟 AI 合作，效率有提升」——過度自信偏誤在直接證據面前依然頑固存在
• METR 原計畫於 2026 年（今年）以更大樣本重做此實驗；目前尚未發布新結果

公司層級：Uber 四個月燒光全年 AI 預算

企業導入 AI 初期，可觀察到的表面指標（如 PR 數量）確實上升，但隨之而來的是程式碼品質下降、後續維護成本暴增的問題，使 Uber 等公司不得不公開叫停。

• Uber 在短短四個月內花完全年 AI credit 預算，隨後出面宣布要謹慎評估成本效益
• 常見企業導入模式：AI 讓 PR 產出翻倍 → bug 與 issue 也倍增 → 修復時間拉長 → 整體時間投入不降反升
• 主持人 Kenji 分享個人經驗：用 AI 後單日 PR 從 2 個增至 6 個，但其中 1-2 個有問題，後續修復這些問題侵蝕了所有效率增益
• 業界風向的轉變：過去半年流行「Token Maxing」（瘋狂燒 Token）的氛圍，近期越來越多公司開始踩煞車

產業層級：末日論的退潮與滯後效應

Dario Amodei（Anthropic 執行長）在 2026 年（今年）初的達沃斯世界經濟論壇上的發言，代表了 AI 產業整體敘事的一次修正——從「AI 將快速取代大批工作」轉向更謹慎的表述。

• Amodei 的新說法：AI 能完成 End-to-End 任務，但「能完成任務」不等於「取代職位」；說法變得更精確，而非完全否認 AI 影響力
• 現有數據：Entry Level 入門職缺有所減少，但未見整體產業的大規模職位消失
• Kenji 的解讀：這可能是滯後效應——Coinbase、Square 等公司的裁員已在緩慢累積，未來某個時間點可能出現突然翻轉，讓許多職業瞬間消失

Junior 能力斷層：AI 時代最深遠的結構性問題

主持人 Kenji 認為，AI 帶來的最嚴峻長期問題不在眼前的生產力數字，而在於新一代開發者缺少了能力養成的關鍵過程。

• 傳統路徑：Junior 從一行行手寫程式碼開始，參與架構討論、提出多種方案並比較優缺點，在掙扎與反覆中逐漸內化判斷力，積累 5-10 年才形成現在的技術直覺
• AI 路徑：Junior 依賴 AI 輸出跳過了「掙扎—理解—內化」的過程，任務雖然完成，但他們的技能沒有進入長期記憶
• 這不只是「以老賣老」的感覺：研究數據顯示，智慧型手機與 AI 普及後，近年學生的認知能力量測結果持續下滑
• 業界缺乏解決誘因：AI 公司與採用 AI 的企業致力於放大 AI 使用量與提高獲利，因此沒有動機去補足 Junior 的能力缺口

兩個樂觀情境

Kenji 提出兩種可能讓局面反轉的未來想像：

1. 斷層只是過渡期：問題源於當前 AI 教育體系尚未成熟；若 10 年後教育跟上，下一代 AI Native 將如同現代人熟練使用 Google 卻不因此變笨一樣，能負責任地運用 AI 並保有獨立思考
2. 這些能力本身可能不再被需要：如同今日幾乎無人研究 Compiler 細節，若 AI 在 5-10 年後成熟到能 100% 穩定地把自然語言轉譯為可靠程式碼，Junior 的底層技術能力缺口就不再是問題——開發者的角色將往更上游的思維與決策層移動

精選語錄

「你自我感覺非常的好，可是你實際上做出來同一個任務的效果就是比較差。」

「即便看到這個證據在眼前，他們還是覺得自己使用 AI 以後的體感上是變得更好了，所以這真的是一個非常危險的概念。」

「你透過 AI 去學習去工作，導致你並沒有真的深刻的把這些能力學到你的腦海裡面。」

時間軸

逐字稿無明確時間戳記，以下依內容段落排列：

• 開頭：節目介紹，預告三層討論框架（開發者、公司、產業）及 Junior 能力斷層議題
• 前段：METR 2025 年（去年）研究細節——24% 預期、20% 自評、實測慢 19%、看錄影仍不信
• 中段前：企業層——Uber 案例、PR 倍增但 bug 增加、AI credit 預算四個月告罄
• 中段後：產業層——Dario Amodei 2026 年（今年）初達沃斯發言、末日論修正、Coinbase/Square 裁員的滯後效應討論
• 後段：Junior 能力斷層深度分析——傳統 vs AI 養成路徑對比、數據支持、業界無解決誘因
• 結尾：兩個樂觀情境；主持人提及感冒狀態，邀請留言討論