當AI開始寫程式：一篇《Science》研究揭示的新職場分化

最近和一位有技術背景的學生聊天，談到AI工具的使用。我提醒他，在AI時代，越要把基本功練穩，讓AI真正成為自己的工具，而不是反過來被工具牽著走。

我當時給他的回饋很直接：在這一波AI浪潮中，真正受益最大的人，往往不是剛接觸工具的人，而是那些本來就有很強的產業知識（domain know-how）、技術能力，且懂得駕馭AI的人。

反過來看，許多年輕使用者太快依賴AI，底層知識不足，基本功不夠紮實，結果看似用上了最先進的工具，卻沒有真正接住這一波紅利。

這讓我想到2026年初發表在《Science》的一篇研究。這篇研究關心的，不只是「AI能不能寫程式」，而是更進一步追問：到底是哪些人在使用AI寫程式？用了之後，誰真的變得更強？

研究團隊直接從GitHub的程式碼痕跡中，辨識哪些Python函式可能由AI生成。他們分析了超過3000萬筆commit，涵蓋約16萬名軟體開發者，追蹤生成式AI在真實開發場景中的擴散速度與使用差異。

研究結果很值得深思。

首先，AI在寫程式這件事上的擴散，不是緩慢普及，而是被幾個關鍵事件一波一波推上去的。美國GitHub使用者的AI生成Python函式占比，從2019到2021年大致仍在低檔徘徊；但當GitHub Copilot、ChatGPT，以及後續第二波大型語言模型陸續推出後，曲線便開始明顯上跳。這不是一般性的自然成長，而更像是技術突破所帶來的階梯式擴散。到2024年底，美國約有29%的Python函式已由AI生成。

從全球來看，情況也很有意思。美國先起跑，法國與德國緊跟在後，印度則在2023年之後快速追上；相對之下，中國與俄羅斯的進程較慢。這說明了一件事：AI的擴散從來不是全球同步的。同樣是程式開發者，不同國家接觸工具的速度、制度環境、平台生態，甚至工具可得性限制，都會形成明顯的時間差。不過，美國雖然仍維持先行優勢，但其他主要國家正在逐步縮小差距。

其次，AI的確提升了工作產出。使用AI的開發者，整體程式貢獻有所增加。這代表AI至少在部分情境下，確實能幫助工作者更快完成任務、提高產能。對企業而言，這是效率工具；對個人而言，這可能是一種新的能力槓桿。

但真正關鍵的，不是效益「有沒有提升」，而是提升「發生在誰身上」。

這篇論文指出，新手較常使用AI，但真正把AI變成槓桿的人，反而是老手。原因不難理解。這些資深者原本就具備較強的技術判斷、問題拆解能力與整合能力，所以AI對他們來說，不只是輔助，而是能力放大器。

新手把AI當成協助完成任務的工具；老手則把AI當成延伸能力邊界的槓桿。結果就是，AI並沒有自動縮小差距，反而可能讓原本就有基礎、懂得判斷、能整合新工具的人跑得更快。

這也導致一個很現實的結果：AI的使用愈來愈普遍，但AI的紅利並不平均。真正決定最終結果的，仍然是人的基礎能力與經驗。

這正是該篇研究最值得深思之處。很多人把AI想像成一種「人人都能使用的民主化工具」，但現實更可能是：AI會優先獎勵那些原本就具備基礎能力、判斷力與整合能力的人。

所以，這篇《Science》論文真正提醒我們的，不是「AI會不會搶走工作」，而是：未來工作的差距，可能愈來愈不在於會不會使用AI，而在於能不能真正駕馭AI。

當AI成為工作流程的一部分，真正重要的能力，反而是那些更底層的能力：如何定義問題、如何判斷答案、如何整合資訊、如何修正錯誤。

AI沒有取消能力差距，它只是更快地把差距放大。

作者：羅凱揚（台科大企管系兼任助理教授）、鍾皓軒（臺灣行銷研究有限公司創辦人）

資料來源：Simone Daniotti et al. ,Who is using AI to code? Global diffusion and impact of generative AI.Science391,831–835(2026). DOI:10.1126/science.adz9311