票變多了，人不一定更有價值
HN 上那篇 AI is removing the middle class of software engineering? 這兩天討論很大，現在已經有 882 points、795 comments。產品面來看，我覺得那個標題真正有意思的地方，不是它在講 AI 會不會把某一層工程師淘汰，而是它點到一個很多團隊正在發生、但還沒被好好命名的現象。
團隊裡原本有一群人，主要價值是把需求往下翻成 ticket，把模糊問題整理成 spec，把一些已知 pattern 複製成 PR，然後在流程上把東西往前推。這群人在沒有 AI 的時候很重要，因為組織需要很多人力去搬運資訊、補齊文件、維持節奏。
但現在這一層的工作，已經開始被 model 吃掉不少。
不是全部消失。
是 單位產出的成本被打穿了。
我認為被壓縮的，不是職稱，是一種工作模式
很多人在討論 junior、中階、senior，其實我覺得這種分法有點失焦。因為真正被壓縮的，不是工作年資，而是 流程化產出者。
如果你的主要價值是：
- 把會議內容整理成 ticket。
- 把 PR description 補得很完整。
- 把既有 pattern 拼成新功能。
- 幫 stakeholder 轉譯一次需求。
- 把大家早就知道要做的事往下分派。
那 AI 幾乎一定會先打到你。
原因很簡單，這些事情都屬於 high-volume、low-ambiguity、可被示範的工作。只要團隊留下足夠的歷史資料，模型很快就能做出七成到八成像樣的版本。
而且對 manager 來說，這很危險也很誘人。危險是因為大家會誤以為產能真的提升了，誘人是因為 dashboard 上看起來一切都很漂亮。backlog 變多了，PR 開得更快了，spec 草稿一天能生 10 份。
但 trade-off 是，產出的數量增加，不代表決策品質有同步提升。
從產品角度來看，AI 先放大的其實是管理錯覺
這也是我看 HN 討論時最有感的一點。有人提到現在 backlog 變成一堆 Claude 寫的票，我覺得這個描述非常準。
因為很多組織以前的瓶頸不是「文件太少」，而是：
- 問題定義不清楚。
- 優先順序沒有收斂。
- 誰來承擔後果不明確。
- 上線後的維運知識沒有被回寫。
AI 不會先幫你解這些事。
它會先幫你把文字層的產能拉高。
所以很多團隊接下來會遇到一個很典型的現象：
| 以前的痛點 | 導入 AI 後看起來的改善 | 真正留下來的問題 |
|---|---|---|
| spec 寫太慢 | spec 產出變快 | spec 還是沒對齊真正的 user problem |
| ticket 不夠細 | ticket 更多更完整 | team 還是不知道哪張值得先做 |
| PR 初稿要花時間 | PR 生成更快 | code review 與 ownership 更吃重 |
| 文件散落 | 摘要變得很方便 | 決策脈絡沒有被驗證，還是會漂移 |
產品面來看，這就是典型的 proxy metric 變漂亮，但核心問題沒動。
你看到任務流動速度加快，會很容易以為 delivery system 變強。可是如果 incident 一來，owner 還是找不到；如果上線兩週後 metrics 掉了，還是沒有人能說清楚為什麼這樣設計；如果一個 edge case 連續炸三次，團隊還是只能回去翻聊天記錄找脈絡，那代表你的組織能力沒有升級，只是把文書層做了自動化。
真正更值錢的人，會集中在三種能力
如果把上面那層搬運工作抽掉，剩下什麼能力會變得更值錢？我自己的答案有三個。
1. 定義問題的人
這種人不一定是最會寫 code 的，但他知道 user 到底卡在哪裡，也知道商業上哪個洞值得先補。
AI 很會延伸已知方向，不太會替你承擔方向錯了的代價。
所以之後團隊裡更稀缺的，不是能不能再多生幾個方案，而是誰能在一堆看似合理的方案裡，砍掉 80%，留下真正要做的 20%。
這種能力很像 PM，也很像 staff engineer。差別只是職稱不同，本質上都在做同一件事：幫組織降低選錯題的機率。
2. 收斂品質的人
以前很多中階工程師的價值，在於他能把 feature 寫出來。接下來這件事本身會越來越不稀缺。
真正稀缺的，會變成能不能判斷這個 feature 上線後會不會壞、壞在哪裡、哪個地方其實只是把 complexity 往後丟。
我特別同意 HN 那種說法，最後不會被 prompt 取代的，往往是 **incident、maintenance、architecture decisi
on** 這些對後果負責的工作。因為這些事情不是輸出一段文字就結束，而是你要對 production 的狀態負責。
如果你今天讓模型幫你開了 20 張票、補了 12 個 PR，但月末 oncall 還是同一批人凌晨三點起來收拾，那價值最終會往哪裡集中，其實很清楚。
3. 能把知識回寫到系統的人
這點很多團隊會低估。
AI 最怕的不是沒有輸出能力，而是每次都像第一次做事。今天踩了一個坑，明天又踩一次，後天還要再踩一次，這個組織就不會因為 AI 變強，只會因為 token 花得更快而已。
所以未來更重要的人，會是那些能把一次 incident、一次失敗上線、一次 support escalation，真正回寫進 workflow 的人。
比方說：
- 哪種需求進來要先補資料契約。
- 哪種變更一定要先跑 staging checklist。
- 哪種客訴 pattern 會提前預告 churn。
- 哪種 AI 生成 PR 一定要多一層人工 review。
這些東西如果沒有被寫回 system，AI 只是在大量生產忘記教訓的組織。
這會怎麼改變團隊結構
如果把這件事往前推 12 到 24 個月，我覺得很多 SaaS 團隊會出現下面這種重組。
第一，一般執行層的人數未必會立刻大砍，但角色會被重新定義。公司還是需要很多人做 execution，只是主管不會再為了「能不能快速把需求展開」付那麼多錢，因為模型已經把這層變成 commodity。
第二，中間管理和中階 individual contributor 的邊界會變模糊。以前你可能靠穩定 delivery 站穩位置，接下來更需要證明的是你能不能讓跨部門決策變得更清楚，讓品質更可控，讓風險被提早暴露。
第三，強者恆強會更明顯。一個知道怎麼定義問題、怎麼拆 architecture、怎麼看 metric 的人，搭配 AI 之後能放大的不是 20%，而可能是 2 倍到 3 倍。相反地，一個本來就只是在跟流程跑的人，現在只是更快跑完一條沒有價值的流程。
我比較不同意的地方
不過我也不完全同意「AI 在移除中產工程師」這種講法。
因為它容易讓人把責任都推給技術變化，彷彿是市場突然殘酷了。
我反而覺得，AI 只是把很多團隊原本就在偷欠的帳，加速結帳而已。
以前弱工程文化也會出事，只是出事速度沒那麼快。
以前 spec 寫得空也能慢慢補，現在模型會把空洞放大成更多看起來合理的產出。
以前 architecture 沒想清楚，可能是半年後才炸，現在可能兩週內就因為串了更多自動化流程而提早爆。
所以產品面來看，這不是單純的人力替代問題，這是 組織設計被壓力測試。
真正該問的不是「AI 會不會取代中階工程師」，而是：
- 你們團隊現在靠哪些工作證明自己有價值。
- 這些工作裡，哪些其實只是資訊搬運。
- 哪些能力一旦出錯，最後還是要有人收尾。
如果答案裡，大部分都是搬運，那壓縮幾乎是必然。
如果答案裡，有一半以上是在定義問題、承擔品質、沉澱知識，那 AI 反而會讓這群人更值錢。
我的結論
這個 use case 很有意思，因為它不是單一工具強不強的問題，而是 AI 重新定價了團隊裡每一層工作的價值。
以前很多工作之所以存在，是因為資訊整理很貴，產出初稿也很貴。現在這兩件事突然便宜了，組織自然會回頭問：那我們到底還在為什麼付薪水？
我自己的判斷是，接下來最危險的角色，不是 junior，也不是 senior。
而是那些把自己定位成「穩定把流程跑完的人」，但沒有把問題定義、品質收斂、後果承擔這三件事握在手上的人。
因為 AI 先吃掉的，通常就是最容易被示範、也最容易被量產的價值。
作者：MingTech