最近跟 AI、軟體開發流程轉變相關的討論越來越多。
很多人關注的是：
- AI 會不會取代工程師？
- 未來還需不需要寫 Code？
- 工程師應該學什麼新技能？
但有一個更現實的問題，可能很多工程師每天都正在面對：
當你的工作價值不再只是「寫多少 Code」，公司是否還有能力看見你的貢獻？
傳統工程價值：時間與產出
很多公司的管理方式，仍然建立在一個簡單模型：
投入時間 ↓ 完成需求 ↓ 交付功能
因此工程師的價值容易被衡量為：
- 花多少工時
- 完成多少 Ticket
- 寫多少功能
- 解多少 Bug
這種方式對明確需求非常有效。
例如：
- 新增一個 API
- 修改一個頁面
- 增加一個欄位
這些工作確實可以透過時間估算。
但問題在於：
軟體工程真正困難的地方，往往不是把功能做出來。
高價值工程工作，很多時候看不到立即產出
一個工程師花三天整理：
- 共用 Service
- 權限架構
- 多語系處理
- API 規範
- 資料驗證流程
表面上看：
三天沒有新增功能。
甚至可能有人會問：
為什麼這個需求花了三天，畫面還沒有完成？
但實際上，這三天可能避免未來十個、二十個功能重複踩坑。
這類工作創造的是：
- 降低未來維護成本
- 減少重複開發
- 降低錯誤風險
- 提升團隊整體開發速度
只是這些價值通常不會立即出現在畫面上。
越有效率，有時反而越難被看見
這也是很多資深工程師會遇到的矛盾。
假設：
工程師 A：
花 10 天完成一個功能
工程師 B：
花 3 天建立共用架構，並完成同樣功能
短期看：
B 好像「少花時間」。
但長期看：
B 建立的能力可能讓後續 20 個功能都變快。
問題是，如果公司只看：
需求 → 工時 → 完成
那 B 創造的價值很容易被忽略。
工程師與管理者看到的是不同尺度
工程師思考的是：
現在的設計 ↓ 半年後、一年後的維護成本
管理者通常關注的是：
目前專案 ↓ 交付時間與成本
兩邊其實沒有誰對誰錯。
只是看的時間尺度不同。
真正困難的是：
如何把長期價值轉換成短期可以理解的資訊。
AI 會讓這個落差更加明顯
以前工程師的效率差異，可能來自：
- 熟悉 Framework
- Coding 速度
- 累積經驗
但 AI 出現後：
很多工程師都能快速產生 Code。
未來差距會逐漸變成：
- 誰能定義正確問題
- 誰能設計合理架構
- 誰能判斷 AI 產出的品質
- 誰能控制系統風險
也就是：
未來工程師的價值，不只是「產生程式碼」。
而是：
確保產出的系統正確、可靠、可維護。
但公司不一定會自動改變衡量方式
這是很多工程師真正困擾的地方。
你可能開始投入：
- 架構改善
- 技術債整理
- 共用元件建立
- 開發流程優化
但績效評估仍然是：
- 完成幾個需求
- 花多少時間
- 解多少工單
於是產生一個矛盾：
越有經驗，越能提前避免問題，但越難被工時計算。
工程師需要學會「呈現價值」
不要只說：
我完成了多語系架構。
改成：
建立共用多語系架構，讓後續新增功能可以沿用標準流程，降低重複開發與維護成本。
不要只說：
我整理了權限系統。
改成：
統一權限管理流程，降低新增角色時的設定錯誤風險。
不要只說：
我新增 Audit Log。
改成：
建立操作追蹤能力，讓資料異動可以被追溯，降低問題排查成本。
同一件事情，用不同語言描述，價值感完全不同。
未來工程師需要增加的一項能力：技術溝通
很多工程師很重視：
- 程式品質
- 架構設計
- 效能最佳化
但忽略另一件事情：
讓非工程背景的人理解你的價值。
企業不是只購買 Code。
企業真正需要的是：
- 降低風險
- 提升效率
- 建立可持續發展的系統
而 Code，只是實現這些目標的工具。
結語：工程師不只是寫 Code 的人
很多工程師擔心：
AI 讓寫 Code 變便宜，那工程師還有價值嗎？
但真正的問題可能不是：
誰寫 Code 比較快？
而是：
誰能讓系統長期穩定運作？
當 AI 越來越強，單純產出程式碼的價值可能下降。
但：
- 系統設計能力
- 問題分析能力
- 風險控制能力
- 技術決策能力
反而會更加重要。
工程師真正需要提升的，不只是寫更多 Code。
而是成為那個：
能判斷該寫什麼、不該寫什麼，並且讓 AI 安全產生價值的人。
同時，也要開始練習用對方聽得懂的語言，把長期價值說清楚。
因為在組織裡：
沒有被理解的價值，很容易等同於不存在。
為什麼公司一直用工時衡量工程師？
先承認一件事：
公司用工時衡量工程師，不一定是因為管理者不懂技術。
而是因為工時有三個很實際的優點：
- 容易估算成本
- 容易安排資源
- 容易追蹤專案進度
如果今天客戶問：「這個功能多久完成？」 老闆不可能回答：「等我們把架構整理好。」
所以工時本身沒有錯。 錯的是，當工時變成唯一的價值指標。
AI 時代，工時開始失去代表性
以前，工程師花八小時完成一個功能，大家會認為：八小時，就是這個功能的成本。
現在，AI 可以讓同一個功能兩小時完成。
那問題來了：
如果公司還是認為「花越多時間，代表價值越高」，是不是代表效率越高的人，反而越吃虧？
這就是 AI 時代開始出現的矛盾。
真正有價值的工作，很多是在「避免事情發生」
我們很少稱讚一個系統：「今天沒有當機。」 很少稱讚一位工程師：「今天沒有發生權限漏洞。」 很少有人注意：「今年沒有因為資料結構設計錯誤而重寫系統。」
因為避免問題，本來就不容易被看見。
但是成熟的工程師，很多時間都花在：
- 避免 Bug
- 避免資安漏洞
- 避免技術債
- 避免未來重工
- 避免部署失敗
這些事情成功的結果就是：什麼事都沒有發生。
而「沒有發生」，最難證明價值。
AI 不會讓這個問題消失，只會放大它
AI 可以更快寫出程式，但 AI 沒辦法保證：
- 這個架構五年後還能維護
- 這個 Migration 不會影響舊資料
- 這個權限模型沒有安全漏洞
- 這個設計不會讓團隊之後一直付出維護成本
所以未來真正值錢的，不一定是寫了多少 Code，而是避免了多少錯誤決策。
可惜的是，這種價值很難寫進工時表。
我想讓管理者思考一個問題
如果有兩位工程師：
A 工程師 每個功能都花 5 天完成。 三年後系統充滿技術債。
B 工程師 花 7 天建立共用架構。 後續每個功能都只需要 2 天。
如果只看第一個功能，A 的績效可能比較好。 如果看三年，答案可能完全相反。
那麼，我們到底是在衡量「投入多少時間」，還是在衡量「創造多少價值」？
結語
AI 正在改變工程師的工作方式，但如果企業衡量工程價值的方法沒有一起改變，那真正被低估的，不是工程師，而是那些原本可以被創造出來的長期價值。
