AI 縮短了技術差距，沒有縮短責任差距

最近常聽到一種說法：AI 讓每個人都擁有「天才級」的技術能力，不懂程式的人也能在幾週內做出完整的商業系統，技術天賦不再是門檻，決定勝負的變成心態與目的。這個說法有一半是對的。我的看法是：AI 縮短了技術差距，卻沒有縮短責任差距。做得出來的人變多了，但能為上線後的結果負責的人，並沒有因此變多。

有一篇企業部落格文章用 Netflix 動畫電影《一百公尺》來比喻：過去的職場像百米賽跑，天生跑得快的人佔盡優勢；AI 出現之後，每個人都拿到了天才級的跑速，於是重要的不再是起跑時的體能，而是「你為何而跑」。這個比喻很漂亮，也點出了一個真實的變化。以下先說我同意的部分，再說我認為被低估的部分。

我同意的部分：做出來的門檻確實下降了

AI 寫程式工具讓很多過去做不到的事變得可能。產品經理可以自己做出可操作的原型，行銷人員可以寫出自動整理資料的小工具，學生可以在很短時間內做出一個能用的 App。這些例子不是誇張，過去需要設計、前端、後端與資料庫人員反覆溝通數個月的雛形，現在一個人就能先做出來。

這個變化最大的價值，在於縮短了「想法」和「可以拿給人試用的東西」之間的距離。過去很多點子死在排不到工程資源，現在可以先做出來，讓使用者實際操作、給回饋，再決定值不值得投入。

我也同意那篇文章的另一個觀點：當每個人的產出速度都變快，決定成果的會是心態。只想交差的人，把 AI 當成減輕工作量的工具，產品能動就好；會為用戶思考的人，會不斷追問「這個介面有沒有解決用戶的猶豫」「這份數據分析真的幫得上決策嗎」。文章引用的莫拉維克悖論（Moravec's paradox）也說明了原因：對人類很難的邏輯推理與程式碼生成，對機器相對容易；對人類很自然的感知與情境判斷，機器反而很難。理解用戶，正是後者。

數據提醒我們：感覺變快，不等於真的變快

不過，「人人都有天才級產出速度」這個前提，研究結果並沒有那麼樂觀。

非營利研究機構 METR 在 2025 年做了一項隨機對照實驗：找來 16 位長期維護大型開源專案的資深工程師，處理 246 個他們平常就會做的實際任務，每個任務隨機決定能不能使用 AI 工具。結果使用 AI 的任務平均多花了 19% 的時間。更值得注意的是認知落差：工程師事前預期 AI 會讓他們快 24%，做完之後仍然覺得 AI 讓自己快了 20%。研究者也特別說明，這個結果不代表 AI 對多數開發者都沒有幫助，也不代表未來的 AI 不會讓他們變快；它只說明，在熟悉的大型專案裡，感覺和實際可能差很多。

Google 的 DORA 研究團隊在 2024 年的報告中也有類似的發現：團隊採用 AI 的程度越高，軟體交付的表現反而略為下降。報告估計，AI 採用程度每增加 25%，交付速度約下降 1.5%，交付穩定性約下降 7.2%。研究團隊自己也說，這個結果和他們的預期相反。

資安是另一個問題。資安公司 Veracode 在 2025 年的報告中，用 80 個程式設計任務測試超過 100 個大型語言模型，發現 AI 產生的程式碼雖然大多能正常運作，卻有 45% 的情況引入了資安弱點；而且模型寫出語法正確程式碼的能力雖然進步，資安表現並沒有跟著改善。

這三份資料的情境各不相同，也都有各自的限制，不能直接推論「AI 沒用」。但它們指向同一件事：做出能動的東西變容易了，做出好維護、穩定、安全的東西，並沒有同樣變容易。

做出來之後，才是真正的工作

原型和上線系統之間，差的不是功能，而是責任。以一個含會員、訂閱、金流與資料串接的商業網站為例，能動只是開始：

面向	原型只要做到	上線系統必須做到
資安	功能可以操作	防範常見攻擊、權限控管、密碼與金鑰不外洩
個人資料	能存會員資料	依《個人資料保護法》做好安全維護，知道資料存在哪裡、誰能看
金流與訂閱	能完成一次付款	退款、扣款失敗、對帳與發票都要正確
法規	不在考慮範圍	依產業確認規範，例如投資資訊、醫療或廣告相關法規
穩定與測試	自己點過可以用	流量增加、資料異常、第三方服務中斷時不會出錯
維護與交接	做的人自己看得懂	別人接手看得懂，出問題時找得到原因
責任	出錯了再修	出錯時有人知道影響範圍、通知用戶、負起責任

AI 可以協助完成表格右邊的很多事，但前提是有人知道要問這些問題。一個不懂技術的人用 AI 做出完整系統，最大的風險不是做不出來，而是不知道自己漏了什麼。這就是我說的責任差距：它不會在展示時出現，而會在上線後、在出事時才被看見。

一個人用 AI 做完整套系統，先問這五個問題

我不反對一個人用 AI 做出完整系統，但我會建議在上線前，至少回答這五個問題：

用戶的資料存在哪裡、誰看得到？ 回答不出來，就還不能讓真實用戶註冊。
有沒有人看過程式碼，或至少跑過資安掃描？ AI 寫的程式碼一樣需要被檢查，尤其是登入、付款與權限相關的部分。
出錯時怎麼知道、怎麼復原？ 有沒有紀錄、備份與回復的方法。
這個產業有哪些法規要遵守？ 金融、醫療、教育、廣告等產業各有規範，AI 不會主動替你想到。
如果你明天不在，別人接得起來嗎？ 一個人做出來的系統，最常見的風險是只有那個人懂。

為用戶思考，也包括替用戶守住風險

回到那篇文章的核心：一流人才的決勝點，是「真正為用戶成功而思考」。我完全同意，只是想補上一句：在 AI 時代，為用戶思考不只是把介面做得貼心、把數據分析做得有用，還包括替用戶守住他們看不見的東西：資料不外洩、服務不中斷、付款不出錯、內容不違法。

用戶不會因為系統是一個人兩週做出來的而給予寬容；他們只在乎東西好不好用、能不能信任。從這個角度看，AI 讓「做出來」變成基本能力，而「做出來之後能不能負責」，才是新的分水嶺。

對個人與團隊的意義

對個人來說，我認為最值得投資的不是更多提示詞技巧，而是判斷力：看得懂 AI 給的結果、知道哪裡可能出錯、願意花時間測試與檢查。會用 AI 的人會越來越多，會檢查 AI 的人才是稀缺的。

對團隊來說，鼓勵同事主動學習 AI 是好事，用自發性來辨識積極的人，也是一種合理的做法。但自發學習之外，團隊仍需要護欄：程式碼審查、資安掃描、上線前的檢查清單，以及清楚的責任歸屬。速度可以交給個人，品質與安全不能只靠個人自覺。

我的判斷在哪些情況下不成立

風險低的內部工具與一次性用途：自己用的資料整理腳本、內部原型、活動用的臨時頁面，做出來就夠，不必套用上線系統的標準。
由有經驗的工程師使用：熟悉系統架構、會審查與測試的人用 AI 加速，責任差距本來就小，主要差別是速度。
工具持續進步：METR 的研究者也說明，結果不代表未來的 AI 不會讓開發者變快；隨著工具內建更多檢查與測試，部分責任差距可能縮小。
有完善的平台與規範可依循：在已經處理好資安、金流與權限的平台上開發，一個人能安全完成的範圍會大很多。

常見問題

不懂程式的人，真的能用 AI 做出完整系統嗎？

做出可以操作的系統是可能的，尤其是原型與內部工具。但要讓真實用戶使用，還需要處理資安、個人資料、金流、法規與維護，這些部分需要有人懂、有人檢查。

用 AI 寫程式一定會比較快嗎？

不一定。METR 的隨機對照實驗發現，資深工程師在熟悉的大型專案中使用 AI 工具，平均反而多花 19% 的時間，而且他們仍覺得自己變快了。效果會因任務、經驗與專案而不同。

AI 產生的程式碼安全嗎？

不能直接假設安全。Veracode 2025 年的報告發現，AI 產生的程式碼有 45% 的情況引入資安弱點，而且資安表現沒有隨著模型進步而改善。上線前仍需要審查與資安掃描。

AI 時代最重要的能力是什麼？

我認為是判斷力與負責的能力：理解用戶真正需要什麼、看得懂 AI 給的結果、知道哪裡可能出錯，並願意為上線後的結果負責。

資料來源

METR：Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity（2025-07-10）：16 位資深開源工程師、246 個任務的隨機對照實驗，使用 AI 平均多花 19% 時間；事前預期快 24%、事後自評快 20%；研究者對推論範圍的說明。
Google DORA：2024 Accelerate State of DevOps Report：AI 採用程度每增加 25%，交付速度估計下降 1.5%、交付穩定性估計下降 7.2%（報告第 40 頁）。
Veracode：2025 GenAI Code Security Report 新聞稿（2025-07-30）：80 個任務、超過 100 個大型語言模型，45% 的情況引入資安弱點，資安表現未隨時間改善。
個人資料保護法：非公務機關保有個人資料檔案的安全維護義務（相關條文於 2025 年修正，施行日期依主管機關公告）。
莫拉維克悖論：Hans Moravec，《Mind Children》（1988）。
參考：CMoney 部落格〈當 AI 縮短了天賦與努力的差距：在技術平權時代，什麼才是一流人才的決勝點？〉（2026-04-16）。

最後查證：2026 年 10 月 4 日。