AI 會取代工程師嗎？被壓縮的是初階執行層

如果你最近看到「工程師要被 AI 取代了」的文章，心裡一邊焦慮、一邊又覺得說不清楚是哪裡怪怪的——我懂那種感覺。市面上的說法太多，而且互相矛盾。這篇不是要給你另一個「快去學 AI 工具」的焦慮文，而是把就業數據拆給你看，讓你能判斷自己現在真的在哪個位置。

黃仁勳怎麼看 AI？

黃仁勳——Nvidia 執行長、AI 算力基礎設施的核心受益者——2026 年 7 月接受採訪時說：「如果你問我，我的每一位軟體工程師都寧願去建 AI agent（可以自己執行任務的 AI 助理），而不是寫 Python 程式碼。」
他把這件事描述為角色升級：工程師不再寫語法，改去設計 AI 系統架構、建立跑分測試（benchmark）、設計驗收與風險把關機制。
聽起來是好消息。但如果你把它跟另一組數字放在一起看，就會發現他只說了一半。
初階軟體工程師職缺從 2022 到 2026 年暴跌約 67%（TechCrunch 2026；Hakia 2026）。整體工程師人數還在成長，但 22 到 25 歲的初階工程師就業已經下滑近 20%。
這兩件事合在一起告訴你一件事：不是「工程師消失了」，是「只負責把需求翻成程式碼」的那個角色層，正在被 AI 壓縮。

初階工程師怎麼了？

先把數字排清楚，這比任何論點都重要：

這張表說的不是「工程師要完蛋了」，說的是軟體工程師職涯正在結構性分化：執行層在縮、有 AI 能力的判斷層在漲。
哈佛大學追蹤 6,200 萬筆勞工數據的研究確認：企業導入生成式 AI（讓 AI 理解你的語言指令並幫你做事的技術）之後，六個季度內初階工程師就業下降 9-10%——這是 AI 直接造成的部分。初階職缺 67% 的暴跌有更大比例來自整體經濟緊縮與利率環境，不能全歸因於 AI（Hakia 2026 引用哈佛研究）。兩個因素都在，AI 效應是其中一條線，不是全部。
這個區分很重要：AI 在「加速」軟體工程師職能壓縮，不是「單獨造成」。

哪些工作能力被壓縮？淘汰機率高

這是這篇的核心判斷。我把它拆成兩欄讓你自己比對：

懂流程才是 AI 時代被放大的稀缺性——這句話說的是：AI 能補完語法，補不完的是「這條流程在哪裡容易錯、哪裡要有人蓋章確認、什麼叫做做對了」的判斷。
軟體工程師轉型路徑不是「學 AI 工具」，是把自己的專業往上推一層：從接需求執行，變成定義目標、設計驗收、指揮 AI 完成工作的人。

黃仁勳升級論偏誤

立場說明：條件性同意，但信心水位要自己校準。
黃仁勳說的方向不一定錯，但他的 AI 工程師升級論有系統性偏誤。Nvidia 是全球 AI 算力基礎設施的核心受益者——每次他宣揚 AI 創造就業、讓工程師升級，都在強化客戶「應該繼續大量採購 AI 基礎設施」的理由（247 Wall St. 2026；Fortune 2026-05）。
他稱 AI 就業損失說法是「完全無稽之談」。這是他的個人立場，不是事實陳述——就業數據已經確認初階執行層正在承受真實衝擊。更關鍵的是，他根本沒有回應過監控擴張、錯誤資訊散播等 AI 帶來的具體問題。
對你的決策影響：聽黃仁勳的「升級論」時，把他的商業動機折進去算。他說的方向（執行層被壓縮、判斷層被放大）可能是對的；但他的信心程度不能直接繼承——特別是「升級是自然發生的」這個前提，需要自己驗證。

初階路徑去哪了？

立場：同意，這是最容易被忽略的結構盲點。
黃仁勳描述的是 Nvidia 資深工程師的角色升級路徑。他沒有回答的問題是：那些本來要靠初階職位學習技術判斷的人，現在去哪裡？
初階入門職位不只是「低階工作」，它是軟體工程師積累 domain context（產品領域的專業判斷）的訓練場。在初階工作裡，你學的不只是寫程式——你學的是「這個系統的 bug 在哪裡最容易出現」「這個產品的用戶最常在哪個環節出問題」「這個架構決策背後的歷史是什麼」。
切斷初階工程師職位，等於切斷了下一代判斷層工程師的養成路徑。5 到 10 年後，會有一批能建 AI agent 系統架構的人才管線缺口——這個風險目前幾乎沒被討論。
對你的決策影響：如果你是初階或剛轉職的工程師，「學會 AI 就能升級」這條路比想像中窄。你需要主動找能練習判斷能力的環境：找有實際系統設計機會的工作、參與 side project 中的架構決策、或刻意承擔產品領域知識的積累——不是等公司給你機會，是主動製造機會。

台灣工程師風險

立場：同意，台灣不能直接套美國故事。
台灣軟體工程師有一個結構性的特殊風險：台灣軟體產業以代工接案為主，工程師大量從事 CRUD 操作和系統維護——這正是 AI 最直接取代的工作類型。
數據確認這個趨勢：台灣軟體工程類職缺 2026 年 1 月比前一年減少 5%（數位時代 2026）。薪資火車頭已從軟體工程轉移到晶片設計，晶片設計師薪資中位數達 171 萬台幣，超越軟體工程師。
黃仁勳描述的「agent builder」（AI 系統建構者）升級路徑，預設工程師已經具備深厚的系統架構判斷、domain knowledge（產品領域知識）、驗收設計能力——這不是學一個工具就有的，也不是每個工作環境都會提供這樣訓練機會的。台灣多數中小型軟體公司的代工接案環境，未必有這樣的土壤。
對你的決策影響：台灣軟體工程師不能把 Nvidia 的升級敘事當成自己的升級路徑。先誠實評估：你目前工作裡的 CRUD 和維護任務佔多少比例？你有沒有機會在工作中做系統架構決策？這個評估結果，比「要不要學 AI」更重要。

從執行到指揮

我自己跑過一個版本的這個轉變，雖然不是在寫程式的情境，但邏輯是一樣的。
最早我在建內容自動化管線的時候，我在做的事其實是「語法翻譯」的變形：把每一個步驟寫成腳本、把每一條規則寫成程式碼，讓 AI 按照我寫的邏輯跑。這個階段我是執行層。
後來我發現，這個管線真正難處理的問題，不是「哪一行程式碼要怎麼寫」，而是「這整條流程，哪個環節最容易出錯？什麼叫做『跑對了』的驗收標準？哪裡讓 AI 自己跑，哪裡要有人在中間看一眼？」
把那些判斷問題想清楚之後，我的角色就從寫腳本的人變成設計整條流程、決定驗收機制、管理 AI 什麼時候要人工介入的人——也就是 AI agent 營運者。
這個轉變不是靠學什麼新工具觸發的。是靠把自己的關注點從「怎麼寫」移到「要驗什麼、誰來驗、什麼時候要回退」觸發的。這就是「升一層」的實際感受。

如何判斷自己位置？

一個判斷框架：你今天的工作，哪些部分是「給 AI 一條指令就能完成的」，哪些是「AI 做完之後還需要有人確認對不對」的？

• 前者越多 → 被 AI 壓縮的風險越高

• 後者越多 → 現在的你越難被 AI 取代

軟體工程師升級路徑不是去追最新的 AI 工具，是刻意把自己的工作重心往「後者」那一邊移——多接那些需要你判斷、需要你設計驗收、需要你決定哪裡要人工守門的任務。
方法論收尾：被壓縮的是動作，被放大的是判斷。如果你能清楚說出「這個任務，我怎麼知道 AI 做對了」——那個「怎麼知道」就是你的稀缺性所在。把那個能力用語言說清楚，你就已經在往判斷層移了。
三個自我檢查問題：

• 你現在的工作裡，有多少部分是「AI 一條指令就能做完」的？比例大嗎？

• 如果那些部分被壓縮了，你還剩下什麼是 AI 目前還補不完的判斷能力？

• 你有沒有在刻意練習定義目標跟設計驗收標準，還是只在接需求寫程式？

常見問題

• AI 真的會取代工程師嗎？ 就業數據顯示：AI 在「壓縮」初階執行層，而非「消滅」整個職業。整體工程師人數仍在成長，但只負責把需求翻成程式碼的角色層正在萎縮。哈佛研究確認 AI 直接造成約 9-10% 的初階就業下滑，更大比例是整體經濟因素。

• 軟體工程師 AI 時代怎麼升級？ 不是學 AI 工具，是把工作重心往判斷層移：學會定義目標、設計驗收機制、理解產品領域、判斷什麼時候要人工守門。這需要真實的產品決策場景，不是課程就能給你的。

• AI agent 是什麼？ AI agent 是可以自己執行任務的 AI 助理——你給它一個目標，它會自己拆解步驟、執行、判斷要不要重試，不需要你逐步下指令。建構和指揮這類系統，就是黃仁勳說的「新工程師工作」的核心。

• 台灣工程師跟美國工程師情況一樣嗎？ 不一樣。台灣軟體業以代工接案為主，大量工程師從事 CRUD 和系統維護——這正是 AI 最容易直接取代的工作類型。台灣軟體職缺 2026 年已減少 5%，不能直接套用黃仁勳講的 Nvidia 升級路徑。

• 學 AI 就能升級成 agent builder 嗎？ 不是這樣簡單。「agent builder」（AI 系統建構者）這個角色預設你已具備 domain knowledge（產品領域知識）、驗收設計能力、系統架構判斷——這不是學一個工具就有的，需要真實的實作場景和刻意練習。